Offers “CEA”

days ago CEA

Stage - Moteur physique différentiable et Deep Learning pour la Robotique H/F

  • Stage
  • Palaiseau (Essonne)
  • Design / Civil engineering / Industrial engineering

Job description

Détail de l'offre

Informations générales

Entité de rattachement

Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.

Acteur majeur de la recherche, du développement et de l'innovation, le CEA intervient dans le cadre de ses quatre missions :
. la défense et la sécurité
. l'énergie nucléaire (fission et fusion)
. la recherche technologique pour l'industrie
. la recherche fondamentale (sciences de la matière et sciences de la vie).

Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.

Référence

2020-14527

Description de l'unité

Au coeur du Plateau de Saclay (Île-de-France), l'institut CEA LIST focalise ses recherches sur les systèmes numériques intelligents. Porteurs d'enjeux économiques et sociétaux majeurs, ses programmes de R&D sont centrés sur les systèmes interactifs (intelligence ambiante), les systèmes embarqués (architectures, ingénierie logicielle et systèmes), les capteurs et le traitement du signal (contrôle industriel, santé,sécurité, métrologie).

Au sein du CEA LIST, le Laboratoire de Simulation Interactive (LSI) développe une plateforme de simulation multi-physique interactive mettant en jeu un ou plusieurs utilisateurs en exploitant les technologies de Réalité Virtuelle (RV) et de Réalité Mixte (RM). Cette plateforme, dénommée XDE Physics, permet de simuler la manipulation et les interactions de l'ensemble des systèmes, pièces rigides, articulées ou déformables (câbles) directement sur les maquettes numériques. Elle permet également de valider des scénarios incluant l'opérateur pour étudier l'ergonomie du poste de travail par l'introduction de son avatar dans la simulation dynamique.
Centrées sur les noyaux de simulation interactive, les activités de l'équipe vont jusqu'à la mise au point d'applicatifs, répondant aux contextes d'usage de ses partenaires industriels (manufacturing pour l'automobile et l'aéronautique, énergie, santé).

Description du poste

Domaine

Systèmes d'information

Contrat

Stage

Intitulé de l'offre

Stage - Moteur physique différentiable et Deep Learning pour la Robotique H/F

Sujet de stage

Moteur physique différentiable et Deep Learning pour résoudre des problèmes inverses en Robotique

Durée du contrat (en mois)

6

Description de l'offre

La physique différentiable est une approche puissante et récente qui permet de traiter les problèmes d'apprentissage et de contrôle pour des systèmes complexes. Cette approche se base pour l'instant sur des moteurs physiques qui modélisent les objets et leurs interaction sous forme de particules [1–7] ce qui limite les applications potentielles. En 2020, une nouvelle approche[8] est apparue qui permet de modéliser des objets sous une forme maillée, ce qui ouvre la voie à de nombreuses applications industrielles.

L'objet de ce stage sera de valider la possibilité d'utiliser cette méthode pour traiter des cas de simulations et contrôle de systèmes complexes comme le contrôle d'objets déformables. Le stage s'attachera à reproduire les résultats

de [8] en utilisant la plateforme logicielle XDE du laboratoire. Le stage doit aussi de permettre d'identifier les limites de ce type d'approche en se basant sur des applications industrielles. Pour cela, le stage s'appuiera sur une maquette logicielle du laboratoire, et étudiera des voies d'optimisations pour gérer des systèmes de plus en plus complexes.

[1] Holl, P., Koltun, V., and Thuerey, N. Learning to control PDEs with differentiable physics. In ICLR, 2020.

[2] Hu, Y., Liu, J., Spielberg, A., Tenenbaum, J. B., Freeman, W. T., Wu, J., Rus, D., and Matusik, W. Chain Queen.A real-time differentiable physical simulator for soft robotics. In ICRA, 2019.

[3] Hu, Y., Anderson, L., Li, T., Sun, Q., Carr, N., Ragan-Kelley, J., and Durand, F. DiffTaichi: Differentiable programming for physical simulation. In ICLR, 2020.

[4] Ingraham, J., Riesselman, A., Sander, C., and Marks, D. Learning protein structure with a differentiable simulator.In ICLR, 2019.

[5] Li, Y., Wu, J., Tedrake, R., Tenenbaum, J. B., and Torralba, A. Learning particle dynamics for manipulating rigid bodies, deformable objects, and fluids. In ICLR, 2019a.

[6] Li, Y., Wu, J., Zhu, J.-Y., Tenenbaum, J. B., Torralba, A., and Tedrake, R. Propagation networks for model-based control under partial observation. In ICRA, 2019

[7] Liang, J., Lin, M. C., and Koltun, V. Differentiable cloth simulation for inverse problems. In Neural Information Processing Systems, 2019

[8] Yi-Ling Qiao, Junbang Liang, Vladlen Koltun, Ming C. Lin, Scalable Differentiable Physics for Learning and Control Proceedings of the 37th International Conference on Machine Learning, Vienna, Austria, PMLR 119,2020

Ideal candidate profile

Profil du candidat

En dernière année de diplôme d'Ingénieur ou en Master 2
Vous avez des compétences techniques en Simulation numérique et géométrie 3D.
Vous maitrisez : les langages C++/Cuda/C#, Msvc 2019, Nvidia Optix, Plateforme Unity 3D, Git.