Planification de tâches sous contraintes

Les systèmes embarqués, en particulier les robots, ont besoin de la capacité de planifier leur prochaines actions leur offrant ainsi l'autonomie. Cependant il devient de obligatoire d'assurer un comportement sûr puisque ces systèmes interagissent de plus en plus avec des humains (par exemple : voiture autonomes, drones de loisirs, cobots manufacturiers etc.).
Afin de pouvoir résoudre ce problème en essors nous voudrions étudier la planification de tâches sous contraintes : choisir la meilleure séquence d'actions en assurant que celle-ci valide et optimise des critères variés tels que la performance et la sûreté mais il pourrait être intéressant de prendre en comte d'autres contraintes. Le but de la thèse se décompose en deux aspects majeures, le premier consiste à modéliser les contraintes s'appliquant au système dans une forme qui soit à la fois compréhensible des experts et qui puisse être exploitée par l'algorithme de planification (par exemple, en utilisant un Operational Design Domain ou un Dynamic Assurance Case pour évaluer la sûreté d'un système). Vraisemblablement cette modélisation se fera au moyen d'ontologies et de graphes de connaissances. Cela afin de bénéficier de leur grande expressivité et de l'outillage associé. Le second aspect de la thèse est l'amélioration de l'algorithme de planification afin qu'il bénéficie des modèles de contraintes, en particulier afin de bénéficier de la quantité d'information stockées dans les modèles. Ces modèles devront avoir une structure générique puisque il faut pouvoir représenter différentes natures de contraintes : sûreté, performance/coût, "confort" social, nombre de ressources contraintes sur le chemin critique, nombre et natures des interactions avec d'autres agents, faisabilité/applicabilité géométrique, (et potentiellement éthique) ...
Ce sujet s'inscrivant dans le contexte des systèmes autonomes et robotiques, une importance est donnée à l'intégration et la démonstration dans des cas réels des résultats.

Apprentissage informé par la physique pour l’imagerie ultrasonore multiélément super-résolue

Cette thèse vise à développer une nouvelle génération de méthodes de focalisation ultrasonore pour l’imagerie par réseaux multiéléments (phased arrays), en combinant apprentissage profond, modélisation physique et transport optimal. Le travail repose sur deux axes complémentaires. Le premier consiste à concevoir une variante repondérée et probabiliste de la Total Focusing Method (TFM), où les poids de focalisation sont appris de manière itérative grâce à un réseau de convolution et normalisés le long des isochrones définis par un champ de temps de vol neuronal. Cette approche permet une focalisation plus adaptative, interprétable et robuste dans des environnements complexes.

Le second axe propose une reformulation complète de la TFM comme un problème de barycentre de Wasserstein, dans lequel chaque image partielle est modélisée comme une distribution empirique sur un espace combinant position spatiale et amplitude ultrasonore. Un coût de transport informé par la géométrie acoustique — construit à partir de distances géodésiques minimisant les variations de temps de vol — permet d’obtenir des barycentres grid-free offrant une localisation des réflecteurs plus précise et physiquement cohérente. L’objectif global est d’ouvrir une nouvelle voie en imagerie ultrasonore, fondée sur l’intégration de la physique, de l’intelligence artificielle et des outils avancés du transport optimal.