Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LAMIH-CNRS 8201
Durée : 36 months
Contact : marie-pierre.pacaux@uphf.fr
Date limite de publication : 2022-07-18

Contexte :
The PhD study takes part in a collaboration in the international laboratory CROSSING: French-Australian Laboratory for Humans / Autonomous Agents Teaming

CROSSING addresses the Human-Autonomous agents cooperation topic with a multidisciplinary approach. The project results from 2 years of interaction of Cognitive Psychology, Artificial Intelligence and Robotics experts of the IRL. More precisely, the PhD subject takes part in the 4th section of the IRL roadmap about managing hybrid teams in which multidiscipline cooperation is required. The study implies a mirror duo in Crossing, with Anna Ma-Wyatt (Univ. of Adelaide, Cognitive Psychology) et Paulo Santos (Flinders, AI). Several stays in Adelaide will be planned.

Sujet :
As the maturity level of technology is increasing, we can now envision a real complementarity between humans and machines. The so-called “Human automation” highlighted the numerous possible combinations of complementary or shared tasks between human and machine. However, the levels of automation provided by this field focus on specific application domains and restrain combinations to rigid forms of cooperation. They do not take into account neither human capacity of adaptation, nor new abilities of technology based on artificial intelligence [1]. Human-Machine Cooperation approaches have instigated research studies addressing the definition of adaptive levels of automation. A methodology has been proposed with the objective to consider in the similar way human and artificial agents’ competences (know-how, expertise, skills) and their capacity (workload, fatigue, energy consumption) to design and adapt cooperation according to situations) [2]. The adaptation concerns changes in agents’ capacity and competence to control situations, but also changes in agents’ capacity and competence to control cooperation (know-how-to-cooperate) [2]. The models proposed by the Human-Machine Cooperation field are now ready to be translated to models proposed by the Multi-Agent Systems field, and then implemented by the Artificial Intelligence field.

The objective of the PhD is to merge the advances of automation dealing with the integration of human decision making and control with the advances of artificial intelligence dealing with system ability to learn from human. The goal is, for human and machine, to learn from each other functions to control situations, but also to learn about each other to build up efficient cooperation. This topic aims at emphasizing the agents’ abilities to communicate and to exploit knowledge reasoning in order to support building and updating a representation of the other agent. The machine must be able to explain its abilities, but also what it understands from/about human’s abilities. The design of a Common Work Space can be the support of such a communication, by enabling and making easier information sharing about situation, but most importantly information sharing about agents [3]. Agents would be able to develop “Team Situation Awareness” and would be “transparent” to each other. Human may be more confident in machine, even if overconfidence and Human-out-of-the-loop risks must be carefully monitored and controlled. Studies dealing with ethic aspects start to provide interesting clues to reach this goal [4].

The application field is crisis management, and more precisely how humans and robots may share or trade functions to control crisis situations, like the control of a fire in an open environment. Works from a previous LAMIH project so-called “SUCRé” may be continued by implementing cooperation between human and artificial agents, involved at tactical decision levels (support for decision making) or at operational decisional levels (robots).

[1] M.-P. Pacaux-Lemoine, Human-Machine Cooperation: Adaptability of shared functions between Humans and Machines – Design and evaluation aspects. Valenciennes: Habilitation à Diriger des Recherches, Université Polytechnique Hauts-de-France, France, 2020.
[2] L. Habib, M. P. Pacaux-Lemoine, and P. Millot, “A method for designing levels of automation based on a human-machine cooperation model,” IFAC-PapersOnLine, vol. 50, no. 1, pp. 1372–1377, 2017.
[3] P. Millot and M. P. Pacaux-Lemoine, “A common work space for a mutual enrichment of human-machine cooperation and team-situation awareness,” IFAC Proc. Vol., vol. 12, no. PART 1, pp. 387–394, 2013.
[4] M.-P. Pacaux-Lemoine and D. Trentesaux, “ETHICAL RISKS of HUMAN-MACHINE SYMBIOSIS in INDUSTRY 4.0: INSIGHTS from the HUMAN-MACHINE COOPERATION APPROACH,” in IFAC-PapersOnLine, 2019, vol. 52, no. 19.

Profil du candidat :
The candidate should have knowledge or experience in the human factors domain. The candidate must be able to communicate in English.

Formation et compétences requises :
Master of Science or Diploma in Computer Science, Automation or Robotics.

Adresse d’emploi :
Valenciennes, France, with several stays in Adelaide, Australia.

Offre en lien avec l’Action/le Réseau : DOING/– — –

Laboratoire/Entreprise : Ecole navale
Durée : 4 ans
Contact : cyril.ray@ecole-navale.fr
Date limite de publication : 2022-07-15

Contexte :
L’École Navale est une grande école d’ingénieur (statut d’EPSCP-GE) dont la mission principale est la formation initiale des officiers de la marine nationale. Les élèves officiers de carrière suivent un cursus d’ingénieur ou de master. Des formations supérieures (masters, mastères spécialisés, formation continue) sont également délivrées à des étudiants civils ou militaires dans les domaines de l’ingénierie maritime.

L’Institut de Recherche de l’École navale (IRENav) est le support de la recherche et de la formation scientifique et technique de l’Ecole navale. Institut pluridisciplinaire, l’IRENav est labellisé par l’HCERES dans le cadre de la contractualisation des laboratoires Arts et Métiers. Ses équipes de recherche s’inscrivent dans deux domaines liés au secteur maritime : la modélisation et le traitement de l’information maritime (équipe MOTIM), la mécanique et l’énergie en environnement naval (équipe M2EN).

L’École navale recherche une/un doctorant(e) en informatique / science des données. En complément de ses travaux de recherche, elle/il interviendra dans les domaines de formation des élèves officiers ingénieurs et des étudiants de masters de l’Ecole navale.

Titulaire d’un master (ou équivalent) en informatique, la personne recrutée devra s’investir dans les activités d’enseignement et au sein du laboratoire dans des travaux de recherche liés au traitement de l’information maritime, à l’intelligence artificielle et plus généralement aux sciences des données. La thèse s’effectuera au sein de l’équipe de recherche MoTIM dans l’objectif de contribuer au domaine du Traitement de l’Information Maritime issue de sources hétérogènes (données capteurs, signaux, images, vidéos, informations géographiques, données textuelles) à l’aide d’algorithme d’intelligence artificielle.

Sujet :
La génération de données et de jeux données pseudo-synthétiques est utilisée pour un large éventail d’activités, notamment comme données de test pour de nouveaux outils ou algorithmes, pour la validation de modèles et dans la formation de modèles d’IA [1]. Plus récemment la génération de données synthétiques créées artificiellement plutôt que générées par des événements réels a pris un essor avec l’apparition de modèles génératifs. Les données synthétiques constituent un type d’augmentation de données pour lequel les « Generative Adversarial Nets (GAN) » [2] ont montré des performances prometteuses sur divers types de données. Dans le domaine maritime, le suivi et l’analyse des mobilités a été accéléré avec l’apparition du Système Automatiquement d’Identification (AIS) qui permet la localisation des navires équipés en temps-réel et à travers tous les océans. Les données produites sont des séries spatio-temporelles impactées par des données manquantes, des problèmes d’intégrité issues des capteurs et/ou de la transmission, et des malversations de natures diverses telles que la falsification de localisation, de trajectoire ou encore d’identité [3]. Dans ce contexte, l’objectif de cette thèse est d’aborder la génération de données synthétiques et l’annotation sémantique de cette donnée. Les travaux de thèse pourront s’articuler notamment au travers des objectifs suivants :

– Développer un modèle génératif pour les données de mobilités maritimes permettant de produire des jeux de données
– Évaluer la prise en compte de données hétérogènes complémentaires ; eg. État de la mer.
– Aborder la scénarisation / annotation des jeux de données et évaluer l’utilité et l’impact de techniques « classiques » d’imputation de données pour aborder la variabilité de scénarios conçus.
– Considérer le problème de classification et de détection de nouveauté en simultanée, notamment pour la prise en compte de données falsifiées.
– Évaluer les performances / généricité de la démarche en fonction de la localisation géographique des données produites.

Profil du candidat :
Master (ou équivalent) en informatique

Intérêt pour l’enseignement.
Intérêt pour un travail de recherche sur les problématiques maritimes et navales.
Compétences techniques en traitement de l’information.
Bonnes capacités de rédaction scientifique.
Bonnes capacités relationnelles et humaines, dynamisme et charisme.

Formation et compétences requises :
bonne connaissance des outils et des modèles de base de l’Intelligence Artificielle (apprentissage automatique / profond, etc.) et des techniques de représentation et de traitement de données (géographiques) hétérogènes (corrélation de données, analyse de séries temporelles, imputation de données, etc.)

Adresse d’emploi :
Ecole Navale

Document attaché : 202206200958_FDP_2022_DFS_DDR_AER_IA.pdf

Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : UTT/LIST3N
Durée : 3 ans
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2022-08-20

Contexte :
L’apprentissage machine et plus particulièrement l’apprentissage profond (deep learning) permettent d’obtenir des performances très élevées lorsqu’on cherche par exemple à détecter et reconnaitre des objets ou encore à classifier des zones d’intérêt dans des images ou des vidéos. Cependant, en utilisation réelle, il faut décider si une nouvelle observation appartient à la même distribution que les observations existantes (utilisées lors de l’apprentissage), ou si elle doit être considérée comme différentes. Ce type de distinctions peut intervenir à deux niveaux selon les contextes. Dans un premier cas les données d’apprentissage contiennent des observations aberrantes qui sont définies comme des observations éloignées des autres. Les estimateurs de détection des aberrations tentent donc d’ajuster les régions où les données d’apprentissage sont les plus concentrées, en ignorant les observations déviantes. Dans le second cas, les données d’apprentissage ne sont pas polluées par des valeurs aberrantes, mais ces dernières peuvent survenir lors de la phase de te. Dans ce cas, nous sommes intéressés à adjoindre aux méthodes de reconnaissance une aptitude à écarter les nouvelles observations aberrantes. Nous sommes donc intéressés à détecter si une nouvelle observation est une valeur aberrante. Il s’agit notamment d’éviter que le système prenne une décision, à tort, avec une grande confiance. Dans ce contexte, la détection d’une observation aberrante peut avoir différents intérêts car elle pourrait par exemple être liée à une information pertinente jamais rencontrée ou non apprise jusqu’ici. Il apparaît donc important de pouvoir détecter dans un premier temps ces anomalies et, dans un deuxième temps, d’essayer de les exploiter pour mettre en évidence d’éventuelles nouvelles données utiles.

Sujet :
Dans le cadre de ce projet, nous allons nous focaliser sur le deuxième cas, à savoir la détection d’anomalies en condition d’utilisation réelle. Notre objectif en développant ces méthodes de détection est double. Il s’agit d’éviter les erreurs et de progresser vers une meilleure compréhension du processus de prise de décision par ces systèmes souvent considérés comme des « boîtes noires », dont le fonctionnement interne n’est pas explicable. Cela pourra aussi contribuer à caractériser les éléments conduisant à la prise de décision, par exemple via un niveau de confiance dans la décision.

Profil du candidat :
Le candidat recherché est de niveau master ou équivalent avec des compétences en mathématiques appliquées, programmation (python), traitement de l’information, analyse de données.

Formation et compétences requises :
Une première expérience dans le domaine de l’apprentissage machine (notamment deep learning) et en programmation avec TensorFlow ou Pytorch seront un plus.

Adresse d’emploi :
Université de Technologie de Troyes

Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : Orange Labs / ICube
Durée : 36M
Contact : fabrice.theoleyre@cnrs.fr
Date limite de publication : 2022-07-15

Contexte :
You will participate to experiment-based research, developing prototypes to assess the performance of your ideas in realistic environments, with concrete scientific productions. You will have the opportunity to run experiments on large-scale testbeds (with hundreds of devices). A participation to the IETF is also expected, with concrete propositions and possibilities to push ideas to standards, through the novel RAW working group.

You will be involved in an exciting environment, with several key French academic and industrial players in the Internet of Things. In particular, you will be an active participant of the future ANR CONNECT project, expected to bootstrap in 2022.

You will also be integrated in the Network research group at ICube, where several researchers have a strong experience in Internet of Things, and Internet in general. The group hosts also one part of the large-scale FIT IoT-Lab platform and you will benefit from the strong skills in experimental research and reproducibility of the group.

Orange Innovation brings together the research and innovation activities and expertise of the Group’s entities and countries. We work every day to ensure that Orange is recognized as an innovative operator by its customers and we create value for the Group and the Brand in each of our projects. With 740 researchers, thousands of marketers, developers, designers and data analysts, it is the expertise of our 6,000 employees that fuels this ambition every day.

Orange Innovation anticipates technological breakthroughs and supports the Group’s countries and entities in making the best technological choices to meet the needs of our consumer and business customers.

Within Innovation, you will join a research team in the department « Machine To Machine, Internet of Things and Smart Cities” specialized in IoT connectivity technologies. The team has about fifteen engineers and researchers and also hosts doctoral and post-doctoral students working on various cutting edge topics such as 6G physical layer design, Artificial Intelligence and communication protocols for the IoT like 802.15.4 TSCH.

Sujet :
Your role is to carry out a thesis work on “AI at the service of Reliable and Available Wireless Mesh Networks for the Factory of the Future”.

The industry is amid an in-depth transformation with the pervasive integration of sensors and actuators in the manufacturing process. So-called Industry 4.0 involves the agile combination of reliable process monitoring, data analysis and timely operational adaptation of production lines and Industrial Internet of Things (IIoT) networks, such as 5G-URLLC and IEEE 802.15.4 networks, are critical enablers to this transformation.
The later IIoT networks operate on license-free frequency bands and allow for low-power and low-cost device implementations. However, achieving latency and delivery requirements of Industry 4.0 use-cases with state-of-the-art IEEE 802.15.4 networks is still an open challenge, largely due to interference and harsh radio propagation environments.

Novel enablers at the physical layer – such as IEEE 802.15.4g radio waveforms and modulations – or at the MAC layer, i.e. IEEE 802.15.4e TSCH, are stepping stones to bridge the gap between IIoT networks capabilities on unlicensed spectrum and Industry 4.0 requirements. The new radio waveforms and modulation offer a wide range of range and bit-rate vs link budget operating points, allowing the adaptation of data-rate to link quality, while Time Slotted Channel Hopping (TSCH) mechanisms and the IETF 6TOP protocol lay the basis for a centralized orchestration of the network, enabling time-sensitive, high-availability uses-cases.

In this context, the main objective of this thesis is to define a complete toolbox allowing to orchestrate the radio communications in a wireless mesh network through a combination of centralized and distributed decision making based on Reinforcement Learning (RL) algorithms, in order to meet the reliability and latency requirements for the FoF applications.
In order to achieve this goal, you will study RL-based resource allocation and scheduling algorithms and their application to wireless mesh networks. Specifically, DQN (Deep Q Learning) algorithms for centralized long-term resource allocation, and MAB (Multi-Armed Bandit) algorithms for connectivity restoration in case of connectivity topology change, and for continuous optimization to accommodate possible variations.
The main challenges to be addressed are the modeling of endogenous/exogenous interference in a mesh network, the establishment of a constrained schedule (half-duplex radios, delay, energy consumption, etc.) and the restoration of the connectivity under constraints (respect of deadlines and delivery rate).

The main expected achievements are the design algorithms allowing the calculation of communication schedules in multi-hop networks and the establishment of backup routes in case of transmission failure according to the calculated schedule, and their integration in a PCE (Path Computation Element) network controller and demonstrator.

Profil du candidat :
You have a Master’s degree in Computer Science or Data Science.

You are creative and innovative, have good interpersonal skills and a high motivation for research. Curiosity, critical thinking, open-mindedness, autonomy, and ability to organize one’s work according to the objectives to be reached are qualities particularly appreciated for research work. Dynamism, proactiveness and communication skills are also qualities that would be appreciated. You want to transform your ideas in concrete prototypes, and to play with large-scale experiments.

Formation et compétences requises :
It is required to have some experience and in-depth knowledge of wireless networks, and to be familiar with reinforcement learning techniques. Skills in low-power radio technologies would be a plus.

You have good programming skills (C, Python) and a previous experience in embedded development, preferably on a board including a radio circuit.

Excellent level of English is mandatory. Conversational French is also desirable.

Adresse d’emploi :
Orange Labs Meylan, with frequent visits at ICube, Strasbourg