Pour son troisième appel, sept projets inter-laboratoires ont été financés :

• STROML — STabilité et RObustesse du Machine Learning (LIRIS, CITI, LabHC, LAGEP) : Les dernières années ont été marquées par l’essor du Machine Learning (ML), qui a permis des gains en performances significatifs dans plusieurs domaines d’application. Outre les progrès méthodologiques indéniables, ces gains sont souvent attribués à des grandes quantités de données d’entraînement et à la puissance de calcul, qui ont conduit à des avancées dans la reconnaissance de la parole, la vision par ordinateur et le traitement automatique de la langue. Dans ce projet, nous proposons d’étendre ces avancées à la prise de décision séquentielle d’agents dans un contexte de planification et de contrôle. Nous proposons d’intégrer des contraintes de stabilité dans les algorithmes et modèles de Deep-RL (apprentissage par renforcement profond). La motivation de notre approche réside dans le fait que certaines propriétés du système peuvent être modélisées avec précision, bien que le problème général de la navigation dans une scène complexe soit difficile à décrire en termes physiques précis. Ce projet réunit des chercheurs des laboratoires LIRIS, CITI, LHC et LAGEP.
• ALIENOR — ArtificiaL IntElligence-assisted NetwORks (LIP, CITI) : WLANs (Wireless Local Area Networks) are typically based on IEEE 802.11 (known as WiFi). However, WLANs are prone to performance issues such as unfairness and inefficiencies. 802.11 includes a Rate Adaptation (RA) mechanism that allows user devices to change their transmission rate with regard to the current quality of the radio channel. The RA mechanism is based on preset values that may lead to suboptimal WLAN performance. Our goal is to address this issue by making fine adjustments to the parameters related to the RA mechanism. The search for an adequate setting is made complex due to the vast number of parameters to be considered that precludes the finding of general closed-form expressions. We propose to explore a data-driven approach based on techniques from Machine Learning to design an adaptive and distributed solution.
• Optimisation de la migration d’un ensemble de machines virtuelles dans un datacentre à l’aide d’un graphe d’états (LIP, LIRIS) : L’optimisation de la gestion des ressources dans un datacentre est cruciale pour des raisons économiques et écologiques. L’un des points clés consiste à répartir au mieux l’ensemble des machines virtuelles en cours d’exécution sur un minimum de serveurs physiques. Dans cette optique, nous proposons l’étude d’un problème d’optimisation de la migration d’un ensemble de machines virtuelles sous différentes contraintes dans un datacentre. Il s’agit de déterminer la meilleure séquence de migration d’un ensemble de machines virtuelles depuis un état initial vers un état final, qui minimise le temps de migration total, avec ou sans migration intermédiaire. Le problème peut être modélisé par un graphe à états.
• Performances des communications Wi-Fi dans les réseaux de drones : une approche expérimentale (CITI, LIP) : Le but de ce projet est d’évaluer expérimentalement les performances des communications Wi-Fi dans des scénarios de flottes de drones. Les versions récentes du Wi-Fi basées sur les modes 802.11n et 802.11 ac seront considérées. Les données obtenues lors de ces expérimentations seront aussi utilisées pour construire des modèles de propagation et de 802.11 plus réalistes et à intégrer dans les simulateurs pertinents pour les flottes de drones (en particulier les simulateurs Gazebo et NS3).
• Communication NOn-VERBale par micro-Expression / NO-VERBE (LIRIS, LabHC) : La communication entre deux personnes implique des signaux verbaux (un message véhiculé dans la langue parlée) et des signaux non verbaux (langage corporel, tonus, expressions du visage) pour parvenir à un point de compréhension. Certaines maladies neurologiques, comme le « locked-in » syndrome, la maladie de Charcot (SLA), ou la maladie de Parkinson engendrent un déficit de la communication non verbale par une paralysie presque complète du visage. Cette paralysie engendre donc une restriction de participation sociale (handicap), avec un phénomène de repli sur soi, d’isolement pour les personnes concernées. Nous partons du postulat qu’avant une paralysie « totale » des mouvements, des micro-expressions peuvent néanmoins subsister. Les microexpressions du visage sont des expressions du visage partiellement exprimées, et donc de faibles amplitudes et de courtes durées, qui peuvent parfois être très difficiles à percevoir. L’objectif du projet est de permettre une avancée dans la mise au point d’un système réalisant une aide à la communication non verbale pour ces personnes. A l’aide d’une caméra, les microexpressions peuvent être détectées et, à partir de ces « prémices » d’expressions, une synthèse d’expressions plus complètes apparaîtrait alors sur un écran à proximité du visage, dans un premier temps à partir d’un avatar, puis sur le visage de la personne. Ce système pourrait bien entendu être exploité dans un contexte de rééducation : la personne pourrait réaliser des exercices du visage ayant pour objectif d’exprimer des expressions, observer cequ’elle obtient (principe du neurofeedback) et, de ce fait, essayer de les améliorer et constater les éventuelsprogrès.
• Sy-Fa-La : Synthétiseurs Faible Latence sur FPGA (CITI, GRAME) : L’objectif de ce projet est de montrer que grâce à l’association des outils Faust (outil développé à GRAME, https://faust.grame.fr/) et Flopoco (outil développé au Citi, http://flopoco.gforge.inria.fr/), il est possible de produire rapidement des systèmes pour le traitement numérique du signal en temps réel basse latence (quelques échantillons, moins de 50 microsecondes) en utilisant des cartes FPGA ayant une sortie audio. Un outil correctement assemblé pourrait ouvrir de nombreuses voies pour des effets programmables ou même pour une nouvelle manière de concevoir des synthétiseurs audio-numériques. Le projet se fera en collaboration entre Grame et le Citi, avec un contact régulier chez Xilinx.
• Repid : un Raisonneur Efficace, Portable, Incrémental et Distribué
  (LIRIS, LabHC) : L’objectif de ce projet est de mettre en commun et capitaliser l’expertise des deux laboratoires, et plus précisément des équipes TWEAK (LIRIS) et KRR (Laboratoire Hubert Curien), dans le domaine des moteurs d’inférences pour le Web Sémantique. Plus précisément, cette expertise s’appuie sur les projets Inferray (Subercaze et al. 2016), Hylar (Terdjimi et al. 2016) et Sophia (https://github.com/pchampin/sophia_rs). En faisant converger ces trois projets, notre ambition est de produire un moteur d’inférence combinant leurs bonnes propriétés :
  • efficacité, en combinant les optimisations innovantes d’Inferray avec les capacités d’optimisation du compilateur Rust utilisé par Sophia ;
  • portabilité, en ciblant notamment le standard émergeant Web Assembly comme plateforme d’exécution ;
  • incrémental et distribué : les stratégies mises en œuvre par Hylar permettent au moteur d’inférence de réviser incrémentalement ses déductions lorsque ses connaissances évoluent, et de répartir la charge de travail entre client et serveur.