The First International Autumn School on Robotics and Artificial Intelligence

We are living in the era of big data. Data is everywhere and is continuously recorded and stored in our ordinary life. The key element for using such an immense body of data to benefit the society is through Artificial Intelligence (AI). Artificial intelligence has dramatically transformed our society by showing impressive results across a large spectrum of applications ranging from biology, medicine, education, geoscience, legislation, and finance. Despite the impressive performances, AI models are closely tied to the quantity/quality of the training data (garbage in and garbage out). Also, from the trustworthiness and fairness viewpoints, some serious concerns have been raised about the potential emergence of ‘super- intelligent machines’ without adequate safeguards. Moreover, AI models usually require a large amount of high-quality, unbiased data to operate. Other equally important issues include the massive computing power that is needed to train AI models. This presentation discusses some examples and challenges related to the use of AI in healthcare, security, autonomous driving, geoscience etc.

Améliorer les performances de l'apprentissage supervisé par des techniques d'ensemble (Boosting/Bagging)
De nombreux travaux en apprentissage supervisé se sont consacrés à l’étude des méthodes d’ensemble, dont l’objectif est d’accroître la performance des classifieurs en combinant leurs prédictions. Ces approches reposent essentiellement sur deux paradigmes : l’apprentissage séquentiel, illustré notamment par le Boosting, et l’apprentissage parallèle, tel que le Bagging. Les analyses comparatives disponibles dans la littérature mettent en évidence l’efficacité de ces stratégies, en particulier dans le traitement de problèmes réels présentant une grande complexité, permettant ainsi une amélioration substantielle des performances des ensembles de classifieurs. Ces techniques se sont développées à l’interface entre l’apprentissage automatique et la statistique, tirant parti des avancées conceptuelles et algorithmiques issues de ces deux domaines. Deux grandes catégories d’algorithmes se distinguent : d’une part, ceux fondés sur le Boosting, qui reposent sur une construction adaptative (qu’elle soit déterministe ou aléatoire) d’un ensemble de classifieurs ; d’autre part, ceux reposant sur le Bagging, caractérisés par une génération aléatoire d’un ensemble de modèles de base. Dans le cadre de cette étude, nous nous proposons de mettre en exergue les apports respectifs de ces deux paradigmes, en examinant de quelle manière ils permettent d’améliorer les performances d’un classifieur initialement considéré comme faible, en l’occurrence un classifieur fondé sur l’Analyse de Concepts Formels.

La robotique, dont l’histoire a débuté dans l’Antiquité, s’est structurée au XXe siècle avec l’apparition du terme « robot » en 1921 et le développement du premier robot industriel dans les années 1950. Grâce aux progrès en électronique, informatique et intelligence artificielle, la robotique s’est diversifiée et modernisée, touchant de nombreux domaines. Aujourd’hui, les robots sont des systèmes distribués complexes, composés de multiples éléments interconnectés qui échangent des informations et agissent de manière coordonnée. Leur organisation repose sur trois principes fondamentaux, appelés les 3C : Communications (échanges d’informations en particulier entre composants), Commandement (prise de décisions par le contrôleur central) et Contrôle (conversion des signaux en actions physiques). Ces principes assurent la coordination, l’efficacité, la fiabilité et la réactivité des robots modernes, en particulier dans des environnements complexes ou évolutifs. L’intelligence artificielle (IA) a profondément transformé la robotique, rendant les machines, dans de nombreux domaines, plus autonomes et intelligentes. - En industrie, elle permet aux robots d’effectuer des tâches complexes et d’apprendre de nouvelles fonctions. - Les robots de service interagissent avec les humains pour fournir de l’aide dans des secteurs comme la vente ou l’hôtellerie. - En médecine, l’IA améliore la précision des robots chirurgicaux et aide à la rééducation des patients. - Dans l’agriculture, elle optimise la gestion des cultures et réduit l’impact environnemental. - Pour l’exploration spatiale, l’IA rend les robots capables de s’adapter à des environnements hostiles. - Enfin, les véhicules autonomes utilisent l’IA pour naviguer et prendre des décisions en temps réel. Nous constatons que chaque secteur a des besoins spécifiques ce qui fait que l’ordre de priorité des 3C peut varier selon les domaines d’application : - Le contrôle est souvent prioritaire dans les domaines où la sécurité et la précision sont essentielles (industrie, médical, véhicules autonomes). - La communication domine dans les applications nécessitant des interactions humaines ou une coordination à distance (robots de service, exploration spatiale ou militaire). - Le commandement est central dans les environnements nécessitant une planification et une organisation complexes (agriculture, industrie). Dans cette conférence, nous allons développer ces aspects avec des exemples précis sur des applications spécifiques.

Title1:Everyone Knows the mean, But...
For over 5,000 years, the concept of the mean has been applied across a wide range of fields, from mathematics to agriculture. While it plays an essential role in guiding our decisions, the mean often oversimplifies complex realities, sometimes making it the subject of humor. This presentation aims to deepen our understanding of the mean and explore ways it can be used to offer a more nuanced perspective on our data.
Title2: Vision 3D
Cette présentation aborde l’intérêt de la vision 3D pour la reconstruction de la forme et de la profondeur à partir d’images 2D. Les bases de la géométrie projective et épipolaire, essentielles pour relier les points entre deux vues, seront expliquées. Les principales approches de vision 3D seront présentées, dont la stéréovision, illustrée par un exemple concret.

It is becoming quite easy to generate realistic images and videos especially using diffusion-like models (e.g. DALL-E, GLIDE, Midjourney, Imagen, VideoPoet, Sora, Genie, etc.) due to their impressive generative capabilities. This creates a huge potential for a wide range of applications such as image editing, video production, content creation and digital marketing. Moreover, synthetically generated images and videos can be very useful for enhancing the training of AI models which usually require a large amount of data. However, these advances have also raised concerns about the potential misuse of these images and videos, including the creation of misleading content such as fake news and propaganda. So, one of the critical challenges associated with these advancements is the development of effective detection methods of synthetic images and videos. In the talk, we present the advances in automatically generating and editing images and videos, and discuss the limitations and challenges of such AI generated content.

TITLE: Control of Multirotor Aerial Robots in Gusty Conditions
Due to their mechanical simplicity, multirotor air vehicles are being increasingly used for numerous applications in aerial robotics and aviation. However, the aircraft require feedback for stable flight, hence there are many interesting control problems that require solutions. This presentation will consider several of these, in particular the problem of operating in gusty conditions. The flight dynamics and control is explored by analysis of a planar birotor aircraft, in particular, the effect of rotor tilt on the stability and zero-location.

This training provides a practical and accessible introduction to deep learning through real- world applications in computer vision and natural language processing. Participants will gain hands-on experience in training neural networks, improving model accuracy with data augmentation, and using transfer learning to reduce development time and data needs. Key skills developed include:
- Training deep learning models using modern frameworks like TensorFlow and Keras
- Enhancing datasets for better generalization
- Applying pre-trained models and recurrent neural networks
- Building and optimizing models for tasks such as image classification and text completion
Participants are expected to have basic knowledge of Python (functions, loops, arrays, etc.). All required tools and cloud-based GPU resources are provided. The training includes coding assessments, and a certificate is awarded upon successful completion. The course is ideal for individuals looking to start or strengthen their journey in deep learning with guidance from NVIDIA’s industry-driven content.

This training offers a comprehensive introduction to essential machine learning techniques and tools. Participants will learn how to prepare and analyze data, identify meaningful patterns, and apply feature engineering to enhance model performance.
The program also covers key machine learning methods, including classification, regression, and clustering. Attendees will gain practical experience in selecting models, training them, tuning hyperparameters, and evaluating results using performance metrics such as accuracy, precision, and recall.
The training is designed for individuals with a basic background in Python programming, mathematics, and data structures. It makes use of widely adopted tools and platforms such as Python 3, Anaconda, Jupyter Notebook, and Google Colab. Core libraries include NumPy, Pandas, Matplotlib, Seaborn, and Scikit-learn.

This talk explores diffusion models, a class of generative models that have rapidly advanced the field of AI (Artificial Intelligence) through their ability to synthesize high- quality data, particularly in image and video generation. We will begin by examining the core architectures behind these models, including denoising diffusion probabilistic models (DDPMs) and their variants, highlighting how they leverage iterative noise removal to generate data from pure noise. The session will then survey key applications across domains especially in text-to-image synthesis, demonstrating their transformative potential. Finally, we will address current challenges, including computational cost, sampling speed, and the difficulty of controlling outputs, while discussing ongoing research directions aimed at overcoming these limitations.

Title:Microcontrôleurs et IA distribuée : vers l’autonomie des robots mobiles
L’évolution spectaculaire des microcontrôleurs, alliant une puissance de calcul sans cesse croissante à une réduction drastique des coûts, stimule l’adoption d’architectures distribuées dans les applications embarquées, et tout particulièrement en robotique mobile. En intégrant désormais des périphériques matériels spécialisés (DMA, accélérateurs dédiés, Tmers avancés, bus CAN/CANFD…), ces puces peuvent exécuter localement des tâches critiques sans solliciter le cœur de processeur, renforçant ainsi la réactivité et l’efficacité énergétique du système.
La délégation des fonctions de bas niveau — acquisition de données, pilotage des moteurs, gestion temps réel des communications — à des nœuds spécialisés libère d’importantes ressources CPU. Cellesci peuvent alors être consacrées à des algorithmes d’intelligence artificielle embarquée. L’IA n’est plus un simple atout, mais un besoin stratégique pour doter les robots mobiles d’une véritable autonomie décisionnelle, leur permettant d’analyser leur environnement, de réagir instantanément et de s’adapter à des situations complexes.
Cette présentation dressera un état de l’art des évolutions technologiques des microcontrôleurs, avec un focus particulier sur les architectures ARM, largement adoptées pour le contrôlecommande grâce à leur rendement énergétique, leur écosystème logiciel et leur intégration native des protocoles industriels.
  Pour l’atelier :
Optimisation des ressources dans un réseau de contrôleurs distribués CAN/CANFD Application : commande d’un robot mobile 4 roues motrices.
  Objectif de l’atelier :
- Initiation au réseau et bus de terrain : réseau CAN/CANFD opérationnel
- Initiation pratique à la mise en œuvre d’un bus CANFD
- Pilotage temps réel sur un réseau CAN :
* Envoi et réception de trames de consigne de vitesse
* Synchronisation des commandes entre les nœuds pour assurer une traction coordonnée.
* Lecture des vitesses
- Optimisation CPU et décharge des cœurs de calcul
* Délégation des tâches basniveaux (PWM, mesure de vitesse via encodeur) aux périphériques matériels (DMA, timers).
* Mesure comparative de l’occupation CPU avant/après décharge : réduction d’au moins 40 % du temps processeur consacré aux I/O

Self-Supervised Learning for Speaker recognitionAlthough supervised deep learning has greatly advanced audio speech processing, it relies heavily on annotated data, which limits its scalability and generalisation. Self-supervised learning (SSL) addresses this issue by leveraging unlabelled data and has been extensively studied in the context of computer vision and automatic speech recognition (ASR). However, its application to speaker recognition (SR) is still emerging. This presentation reviews key SSL frameworks from computer vision and their adaptation to SR. It examines existing SSL methods for SR and provides a thorough analysis of their components, hyperparameters, and performance. It also highlights recent developments and current challenges in the field.

Data mining is at the core of the Knowledge Discovery in Databases (KDD) process. It involves multiple challenges such as designing efficient tools for handling large datasets and extracting patterns relevant to user interests. So, the heart of the mining process is the discovery of regularities and interesting phenomena in the data that are both informative and easy to interpret. Pattern mining methods are a central class of techniques in this context, where a pattern is generally understood as a recurring structure within the data. Constraints are commonly used to define the types of patterns to extract, thereby guiding the mining process toward the user’s specific interests. Despite its success, integrating data mining techniques into practical applications remains difficult. This is largely due to the predominance of specialized algorithms over general, reusable frameworks. Constraint Programming (CP) offers a powerful and flexible paradigm for modelling and solving combinatorial problems, including those arising in pattern mining. Since 2008, CP has gained traction in this domain by enabling users to declaratively specify mining tasks. One of its key strengths is that it allows users to define the problem in terms of constraints, while the solver is responsible for efficiently computing the complete set of solutions. This lecture aims to showcase how declarative approaches based on CP can be effectively employed to address complex pattern mining tasks. We will survey recent advances in applying CP to a range of well-known data mining problems, including frequent closed pattern mining, diverse pattern discovery, Pareto-optimal patterns, association rule mining, and more.

Title: Cas applicatifs de l'Intelligence Artificielle dans le cadre des réseaux du transport maritime
Dans cette intervention, nous explorons l'application de l'intelligence artificielle à l'analyse des réseaux de transport maritime, en s'appuyant avant tout sur la donnée maritime massive permise par le développement du système AIS (Automatic Identification System) et son exploitation. Nous abordons les spécificités du réseau maritime, sa structure dynamique, les obstacles qui en affectent l’organisation (naturels, réglementaires, économiques) et les moyens de les modéliser. Côté méthodologique, nous mobilisons à la fois des approches déterministes classiques (basées sur des ontologies ou des règles logiques) et des méthodes statistiques plus récentes d’apprentissage. Ces outils permettent d’identifier les routes maritimes, de prédire les comportements des navires et de quantifier et qualifier les escales portuaires, dans une perspective d’optimisation des flux, de compréhension fine des trajectoires, de détermination de l’intégrité de la donnée et d’amélioration de la gestion des réseaux maritimes.

Les graphes sémantiques sont une méthode de représentation des données qui permettent de visualiser les relations entre les entités. Les modèles de graphes spatio-temporels sont une extension de cette méthode, qui permettent de représenter les relations spatiales et temporelles entre les entités. Cela permet une modélisation plus fine et plus complète des données dans des domaines où la position et le temps sont des facteurs clés.   Plusieurs exemples d'utilisation de modèles de graphes spatio-temporels seront présentés. Un exemple sera dans le domaine médical avec l'IRM fonctionnel, où les graphes spatio-temporels sont utilisés pour représenter les connexions fonctionnelles entre les différentes régions du cerveau au fil du temps. Un autre exemple sera dans le domaine environnemental avec l'occupation des sols, où les graphes spatio-temporels sont utilisés pour représenter les relations spatiales et temporelles entre les différents types d'occupation des sols au fil du temps.

La croissance des capteurs et des flux de données a profondément transformé l’analyse des mobilités. Les travaux présentés donneront l’idée d’une approche hybride pour le traitement combiné de données en temps réel et archivées, appliquée aux trajectoires de navires. L’objectif est de mieux modéliser leur évolution spatio-temporelle, d’identifier des comportements types et d’améliorer la capacité prédictive. Un paradigme d’événements est proposé pour détecter des motifs récurrents, et des expérimentations sur des zones de couverture maritime confirment l’intérêt d’un traitement hybride pour l’analyse de trajectoires.

Will Be Added Soon...

Deep learning (DL) models are being deployed to solve various computer vision and natural language processing tasks at the edge. Integrating NN on edge devices for IoT systems enables more efficient and responsive solutions, ushering in a new age of self-sustaining Edge AI. However, Deploying NN on resource-constrained edge devices presents a myriad of challenges: 
1) The inherent complexity of neural network architectures, which requires significant computational and memory capabilities. 
2) The limited power budget of IoT devices makes the NN inference prone to rapid energy depletion, drastically reducing system utility. 
3) The hurdle of ensuring harmony between NN and HW designs as they evolve at different rates. 

4) The lack of adaptability to the dynamic runtime environment and the intricacies of input data.
Hardware-aware Neural Architecture Search (HW-NAS) has recently gained steam by automating the design of efficient DL models for a variety of various target hardware platforms. 
However, HW-NAS requires excessive computational resources. Thousands of GPU days are required to evaluate and explore an architecture search space. In this talk I will present state-of-the-art approaches for HW-NAS that are based on three components: 
a) Surrogate models to predict quickly architecture accuracy and hardware performances to speed up HW-NAS. The idea is to explore the prospect of Machine Learning for Machine Learning (ML4ML) by introducing techniques to estimate NN performances on edge devices using neural architectural features and ML-based predictors.
b) Efficient multi-objective search algorithm that explores only promising hardware and software regions of the search space, and 
c) New model compression techniques that can be combined with HW-NAS to reduce the processing and memory complexities such as computation reuse and dynamic NAS.

What lies beneath the surface? Why must we deepen our understanding of the deep blue? This talk explores how robotics is transforming our ability to explore, sense, and map the underwater world. From remotely operated robots to autonomous vehicles and their sensors, from image datasets to ground-truth acquisition, discover the technologies and challenges behind creating digital twins of the ocean.

ROS 2 (Robot Operating System 2) is at the core of many modern robotic systems.  This talk offers an overview of what ROS 2 is, why it matters, and how it enables smarter, modular, and scalable robotic architectures. We'll explore its key features, ecosystem, and tools.

Les troubles du sommeil ont un impact majeur sur la santé et la qualité de vie des patients, mais leur diagnostic reste complexe en raison de la diversité des symptômes. Aujourd’hui, les avancées technologiques, combinées à l’analyse des données médicales, ouvrent de nouvelles perspectives pour une meilleure compréhension de ces troubles. En particulier, l’intelligence artificielle explicable (XAI) vise à rendre les décisions des modèles d’IA compréhensibles et interprétables par les utilisateurs. Dans ce talk, nous présenter notre approche qui se base sur le clustering afin de regrouper les patients selon différents profils de troubles du sommeil tout en intégrant une approche explicable. Nous identifions les facteurs clés influençant ces pathologies. Nous discuterons le protocole d’expérimentation sur des données réelles anonymisées qui illustre l’efficacité et la pertinence de notre approche.