Les chirurgies colorectales mini-invasives, ainsi que les interventions réalisées dans des régions anatomiques contraintes, sont limitées par les agrafeuses endoscopiques conventionnelles à mâchoires rigides, dont le positionnement et l’orientation optimaux restent difficiles à atteindre. Cette thèse répond à ce défi clinique en développant une agrafeuse chirurgicale endoscopique flexible, conçue pour s’adapter aux géométries complexes du pelvis tout en assurant une utilisation sûre, précise et ergonomique. Une analyse approfondie des contraintes anatomiques, basée sur des IRM pelviennes pondérées T2 de 77 sujets, a permis de caractériser l’espace de travail opératoire et d’optimiser deux longueurs de travail, 67,10 mm et 55,70 mm, couvrant plus de 95% de la population étudiée. Ces résultats fournissent des références essentielles pour la conception d’outils adaptés aux spécificités morphologiques des patients. Un modèle cinématique du mécanisme flexible de la mâchoire a été élaboré à partir de structures de tenségrité empilées et d’une approximation de courbure constante par morceaux (PCCA), permettant de prédire le comportement d’articulation, la transmission des forces intersegmentaires et les singularités potentielles. Ces prédictions ont guidé l’optimisation de la conception, validée par un prototypage itératif en CAO. Deux générations de prototypes ont démontré une articulation fiable et des performances mécaniques robustes, la seconde intégrant des segments rigides modulaires et une enclume amovible pour une fonctionnalité accrue. Un mécanisme de poignet à charnière flexible a également été conçu pour améliorer la manœuvrabilité, optimisé pour maximiser la flexion tout en minimisant la force d’actionnement. Enfin, un système d’actionnement manuel a été développé pour intégrer le déclenchement, l’articulation de la mâchoire et la flexion du poignet dans une interface intuitive, répondant aux exigences ergonomiques des environnements chirurgicaux contraints. Ce travail établit ainsi un cadre méthodologique complet pour la conception d’agrafeuses chirurgicales flexibles, ouvrant la voie à des dispositifs mini-invasifs de nouvelle génération.

Cette thèse a été réalisée dans le cadre de la Chaire Renault – Centrale Nantes, dédiée à la recherche sur les véhicules électriques (EV). L’intérêt croissant de l’industrie automobile pour les véhicules électriques à pile à combustible (FC-EV), motivé par leur haute densité énergétique et de puissance, soulève un défi majeur en matière de conception de lois de commande, en raison de la lenteur dynamique liée à la fragilité des composants. Le travail propose des stratégies de commande permettant de pallier les limites des systèmes à pile à combustible lorsqu’ils sont couplés à un supercondensateur (SC), afin d’assurer un suivi précis des charges à dynamique rapide. La première partie porte sur le contrôle du flux de puissance, visant à gérer en continu les fortes demandes tout en respectant les contraintes critiques : la dérivée du courant FC et le taux de charge (SoC) du SC. La stabilité globale est assurée malgré le comportement à phase non minimale (NMP) des convertisseurs, grâce à l’approche par perturbations singulières (SP) et au contrôle super-torsion (ST) basé sur les modes glissants d’ordre deux. Pour assouplir les hypothèses de l’approche SP, une séparation des échelles de temps est également mise en oeuvre. La seconde partie introduit une commande hybride à déclenchement d’événements (ET-HC), destinée à maintenir le SoC du SC dans ses bornes de sécurité. Cette approche traite aussi l’atténuation du chattering, la continuité du signal de référence et les contraintes sur la dérivée du courant FC, au moyen d’une commande robuste. Des preuves formelles sont fournies pour les deux stratégies, et la méthodologie est validée par des simulations basées sur le cycle WLTP (Worldwide Harmonised Light Vehicles Test Procedure).

La reconnaissance des expressions mathématiques manuscrites (HMER) vise à traduire les formules écrites à la main en représentations lisibles par machine, reliant ainsi la perception visuelle au raisonnement symbolique. Malgré les progrès de l’apprentissage profond, la HMER reste un défi en raison de l’ambiguïté de l’écriture manuscrite, de la complexité spatiale bidimensionnelle et de la syntaxe mathématique complexe. Cette thèse aborde la HMER sous un angle structurel en modélisant les expressions mathématiques sous forme de graphes et d’arbres en 2D. Nous proposons un réseau d’attention sur graphes pondérés (EGAT) pour la classification conjointe des symboles et des relations, ainsi qu’un décodeur transformeur structuré en arbre (TST) pour la prédiction hiérarchique des structures. Pour l’évaluation, la compétition CROHME 2023 a été organisée avec de nouvelles données manuscrites et synthétiques à grande échelle. Les approches proposées obtiennent des performances compétitives et apportent de nouvelles perspectives et ressources pour une reconnaissance des expressions mathématiques plus structurée et sensible au contexte.

Cette thèse s’intéresse aux modèles d’optimisation pour la conception de réseaux logistiques dans le cadre émergent de l’Internet Physique (PI), avec un accent particulier sur le transport fluvial et multimodal. En s’appuyant sur la théorie de la localisation de hubs et la conception de réseaux, elle étend les formulations classiques afin de mieux refléter les caractéristiques structurelles et opérationnelles des systèmes logistiques réels. La première contribution introduit le Tree-of-Hub Location Problem with Stopovers, qui autorise des arrêts intermédiaires le long des liaisons inter-hubs. Un modèle de programmation linéaire en nombres entiers mixtes, renforcé par des inégalités valides, met en évidence les gains en termes de coûts et de flexibilité apportés par cette extension. La deuxième contribution développe des modèles de localisation de hubs pour des réseaux multimodaux combinant voies fluviales et routes, illustrés à travers une étude de cas sur le fleuve Magdalena en Colombie. La troisième contribution adapte le problème de conception de réseaux maritimes réguliers (liner shipping) au contexte du PI, en y intégrant des contraintes de partitionnement d’itinéraires afin de capter des flux modulaires et interopérables. Pour améliorer la passage à l’échelle, une métaheuristique de type Large Neighborhood Search (LNS) est mise en œuvre, permettant d’obtenir des solutions de haute qualité pour de grandes instances.

La Tomographie par Émission de Positons (TEP) est une modalité d’imagerie fonctionnelle largement utilisée en oncologie, permettant une évaluation quantitative de la distribution de radiopharmaceutiques. La reconstruction des images TEP à partir des données brutes est un problème inverse mal posé, nécessitant une régularisation en raison du niveau de bruit intrinsèquement élevé. Ainsi, la qualité des images dépend fortement de la stratégie de régularisation et du choix des paramètres associés. Les méthodes utilisées actuellement en routine clinique utilise un même réglage pour tous les patients. Dans cette thèse, nous explorons deux approches basées sur l’apprentissage profond afin d’adapter automatiquement la régularisation à chaque patient, dans le but d’obtenir une qualité d’image optimale. La première approche repose sur un réseau neuronal résiduel supervisé, capable de prédire les paramètres optimaux d’une méthode de régularisation utilisée en routine clinique, directement à partir des données brutes. Un environnement de simulation a été développé pour générer efficacement des données TEP réalistes avec leurs paramètres optimaux correspondants, afin de constituer la base d’entraînement. La seconde approche exploite les Représentations Neuronales Implicites (INRs), où l’image est modélisée comme une fonction continue représentée par un réseau basé sur les coordonnées cartésiennes. Ce réseau est optimisé directement à partir des données brutes via une fonction de perte intégrant un modèle de la physique d’acquisition. Cette méthode auto-supervisée introduit la régularisation de manière implicite, sans nécessiter de base d’entraînement.

Ces dernières années, les blockchains sont devenues un sujet majeur de recherche, tant dans le milieu académique qu’industriel, avec l’émergence de nombreuses variantes et applications. Cependant, le concept fondamental de blockchain repose sur la création d’un ordre total entre les opérations d’un système, ce qui engendre d’importants défis en termes de performance et de scalabilité dans des contextes soumis à des fautes et attaques Byzantines. Pour répondre à ces problèmes, le projet ByBloS explore l’utilisation de garanties allégées, que de nombreuses applications basées sur la blockchain peuvent adopter, permettant ainsi des solutions plus efficaces et évolutives. ByBloS se concentre sur trois objectifs principaux : (1) développer des abstractions légères, (2) effectuer la transition des systèmes fermés vers des systèmes ouverts, et (3) garantir la confidentialité dans des systèmes Byzantins. Cette thèse aborde principalement le premier objectif à travers trois contributions : spécifier et comparer la calculabilité de trois abstractions de registres Byzantins, définir une abstraction de diffusion équivalente à un registre Byzantin, et optimiser une abstraction de diffusion pour des instantanés Byzantins. Elle contribue également au troisième objectif en définissant et en implémentant un registre Byzantin qui restreint l’accès aux processus autorisés. Ce travail s’aligne sur les objectifs de By- BloS, en faisant progresser la conception de mécanismes légers et efficaces pour des systèmes tolérants aux fautes Byzantines.

Cette thèse explore l’intégration des drones dans les systèmes de production agiles, en mettant l’accent sur leur rôle comme outils de soutien pour l’intralogistique. Alors que les robots au sol sont largement utilisés comme systèmes flexibles de manutention, leur efficacité reste limitée dans des environnements dynamiques nécessitant des livraisons unitaires. Les drones, initialement conçus pour la surveillance, présentent un potentiel pour assurer le transport rapide d’objets légers et accroître la réactivité dans des contextes de production et d’entreposage hautement personnalisés. Leur adoption implique toutefois de relever plusieurs défis d’ordre opérationnel, organisationnel, économique et législatif. Pour accompagner la prise de décision, ce travail propose un cadre d’adoption des Technologies Avancées de Production permettant aux responsables d’évaluer faisabilité et rentabilité selon trois axes : économique, organisationnel et opérationnel. À travers des outils de simulation, l’étude évalue la performance des drones dans des conditions réalistes et développe une architecture système intégrant communication, planification, routage et gestion des conflits. Ainsi, cette recherche positionne les drones comme compléments intralogistiques capables de renforcer agilité, efficacité et compétitivité dans les environnements de l’Industrie 4.0.

Cette thèse vise à intégrer des aspects éthiques centrés sur l’humain appliqué à la planification des horaires infirmiers. Nous argumentons que les approches classiques de recherche opérationnelle utilisées pour ce problème, qui figent les objectifs et contraintes dans un modèle mathématique, ne reflètent pas la rationalité procédurale des décideurs humains et soulèvent des enjeux éthiques d’autonomie et de responsabilité. Nous proposons une démarche contextualisée intégrant des apports de la santé au travail et de la justice organisationnelle. Ces éléments permettent d’identifier des aspects essentiels liés au bien-être et à l’équité. Nous concevons ensuite un outil interactif permettant aux décideurs de modifier itérativement contraintes et objectifs, afin d’explorer différents compromis et de renforcer leur autonomie. L’implémentation, fondée sur un modèle de programmation linéaire en nombres entiers, intègre un catalogue de contraintes additionnelles et fournit des recommandations issues de la littérature. Une expérimentation avec des participants montre un apprentissage progressif, une amélioration de l’efficacité et un sentiment d’autonomie préservé. Cette recherche souligne ainsi l’importance de concevoir des outils interactifs et multidisciplinaires pour favoriser des décisions responsables et mieux alignées sur les besoins organisationnels.

Rédiger un article scientifique est une tâche difficile car il s’agit d’un genre littéraire avec ses propres conventions, ainsi de bonnes compétences d’écriture sont essentielles afin de transmettre les résultats de ses recherches. Au sein du processus d’écriture, la révision est une étape essentielle garantissant la clarté, la cohérence et le respect des normes académiques. Cette thèse s’intéresse à la révision de textes scientifiques en mettant l’accent sur le développement de ressources et de stratégies d’évaluation pour l’aide à l’écriture automatique. Nos contributions principales sont les suivantes : Afin d’étayer la recherche empirique, nous présentons CASIMIR, un grand jeu de données regroupant des révisions d’articles scientifiques, alignés au niveau des phrases et enrichis d’opérations d’édition et d’intentions de révision inférées. Conscients des limites du travail au niveau de la phrase, nous proposons une définition de la tâche au niveau du paragraphe, soutenue par ParaRev, un jeu de données de paragraphes scientifiques révisés annotés avec des instructions de révision détaillées. Nos expériences révèlent que ces instructions adaptées au contexte permettent d’améliorer les révisions automatiques. Enfin, nous abordons les limites des mesures d’évaluation actuelles basées sur la similarité qui ne reflètent pas correctement la qualité des révisions de textes scientifiques. Nous explorons d’autres approches, notamment des mesures sans référence et l’évaluation LLM-as-a-judge, et constatons qu’une stratégie combinant des mesures basées sur les LLM et d’autres spécifiques à la tâche permet de saisir de manière plus fiable la qualité des révisions.

Cette thèse porte sur la navigation conjointe d’un système multi-robots hétérogène aérien / terrestre. L’objectif est d’assurer une localisation précise d’un robot cible, en exploitant des mesures de distances inter-robots pour reconstruire sa position. Cette thèse s’intéresse au placement optimal des robots collaboratifs autour du robot à localiser en présence de bruit de mesures avec écart-types hétérogènes. Une analyse de robustesse locale est ensuite menée sur ces formations optimales afin d’évaluer leur sensibilité en présence d’erreurs de positionnement des robots collaboratifs. Elle nous permet d’énoncer les conditions nécessaires et suffisantes sur les formations optimales afin de maximiser leur robustesse face aux erreurs de positionnement des robots collaboratifs. Un scénario expérimental est mis en œuvre et confirme l’intérêt des formations robustes en présence d’incertitudes de positionnement. De plus, les résultats expérimentaux mettent en évidence l’importance d’une bonne estimation de l’écart-type des bruits des capteurs UWB pour améliorer la reconstruction de la position du robot cible. Enfin, une architecture de contrôle de formation basée sur un contrôle prédictif non-linéaire est formulée et mise en œuvre expérimentalement. La fonction de coût intègre les conditions nécessaires et suffisantes d’optimalité afin de maximiser la précision de localisation tout en garantissant l’évitement des obstacles et le suivi du robot cible.

Cette thèse traite de la coordination de manipulateurs multi-robots évoluant dans un espace de travail partagé en robotique collaborative. L’objectif est de concevoir et d’évaluer des méthodes de coordination de mouvements garantissant efficacité et sécurité. Le cas d’étude porte sur des tâches de type pick-and-place, représentatives des scénarios d’automatisation industrielle. Nous proposons un cadre hybride combinant allocation de tâches, planification cinématique distribuée et coordination centralisée des trajectoires. Les contributions principales sont : (i) un modèle d’allocation et de coordination formulé en MILP, (ii) une heuristique detect and pause pour la résolution locale de conflits, et (iii) un dispositif expérimental associant simulation et validation sur plateforme réelle. Les résultats numériques montrent une amélioration du makespan global et une réduction des risques de conflits et de blocages. Les expérimentations confirment la faisabilité et la robustesse de l’approche, ouvrant des perspectives vers des environnements non structurés.

Cette thèse fait progresser les Jumeaux Numériques des Réseaux (JNR) pour les réseaux mobiles de nouvelle génération en montrant que la modélisation explicite de l’infrastructure sous forme de graphes permet une intelligence plus adaptative, économe en données et évolutive que les approches conventionnelles. Les systèmes 5G/6G modernes sont hétérogènes, dynamiques et fortement contraints par des topologies évolutives couvrant les domaines edge, transport et cloud. Les chaînes classiques de prédiction et d’optimisation se dégradent face aux changements structurels, à la rareté des données ou à l’entrelacement des décisions de conception. Nous développons deux cadres graphiques complémentaires couvrant les deux piliers d’un JNR : la prévision (modélisation prédictive) et l’action guidée (optimisation des ressources). Le premier fournit une prédiction de trafic cellulaire inductive qui généralise à de nouveaux sites, atténue la pénurie de données et transfère des connaissances entre environnements sans ré-entraînement exhaustif. Le second propose une allocation de ressources consciente de la topologie qui traite conjointement les choix architecturaux et de placement sous contraintes opérationnelles, améliorant la qualité des solutions et passage à l’échelle. Ensemble, ils illustrent un principe unificateur : intégrer la structure relationnelle topologique au cœur de l’apprentissage et de la décision produit des systèmes robustes face à l’évolution du réseau, réduit les coûts d’adaptation et aligne mieux les résultats sur les besoins réels de déploiement. Le travail positionne les méthodes orientées graphe comme paradigme fondamental de la gestion autonome future des réseaux.

Cette thèse présente des méthodes de modélisation et de commande visant à améliorer la précision des Robots Parallèles à Câbles (RPC). Les RPC sont une classe de robots parallèles où les liaisons rigides sont remplacées par des câbles, permettant d’opérer sur de vastes espaces de travail et de manipuler des charges lourdes. Cependant, les modèles conventionnels de RPC présentent des limitations en terme de précision en raison d’hypothèses simplificatrices, telles que la considération des câbles comme étant sans masse, droits ou inélastiques. Si ces hypothèses sont valables sous certaines conditions, elles perdent leur sens lorsque l’espace de travail devient suffisamment grand. Cela nécessite donc de développer des modèles plus précis. Cette thèse présente deux modèles de RPC prenant en compte la masse et l’élasticité des câbles, basés sur la méthode des éléments finis et sur l’approche des modes supposés. Ces modèles sont validés expérimentalement et comparés en simulation avec des méthodes existantes. Le modèle basé sur les modes supposés est ensuite intégré à un schéma de commande prédictive quasi-linéaire. Des résultats de simulation montrent les gains de performance et de précision comparés à des approches existantes de la littérature, démontrant ainsi l’intérêt de la commande proposée.

Comparé à un robot seul, une flotte de robots aériens coordonnés peuvent apporter des gains en vitesse, flexibilité et robustesse lors de missions complexes. Mais son déploiement présente encore des défis centraux, parmi lesquels la communication, essentielle pour une bonne collaboration entre les drones. Les techniques de réseaux ad-hoc et de contrôle distribué semblent adaptées pour ces systèmes multi-drones — couramment appelés Flying Ad-hoc Networks (FANETs) — car elles passent à l’échelle, sont adaptables à de nombreuses situations et présentent une certaine tolérance aux dysfonctionnements. Malgré d’importants efforts de recherche dans ce domaine, les interactions entre qualité de communication et contrôle d’une flotte de drones sont encore peu comprises. Dans cette thèse, nous étudions cette influence mutuelle entre les systèmes de communication et les algorithmes de contrôle multi-robot, avec le but final d’améliorer la coordination des flottes de drones. Nos travaux portent en majeure partie sur le flocking, une stratégie de contrôle distribuée aux nombreux avantages, comme l’évitement de collisions ou le maintien de connectivité, et parfaitement adaptée aux micro-drones et au Wi-Fi, qui sont les deux technologies au cœur de cette thèse. Dans un premier temps, nous présentons DANCERS, un co-simulateur robotique et réseau spécialement conçu pour l’étude des systèmes multi-robot. DANCERS est une plateforme de simulation flexible permettant d’interconnecter n’importe quel simulateur de robotique avec n’importe quel simulateur de réseau. Grâce à cet outil et à des expériences en milieu réel, nous démontrons comment des contraintes de communication peuvent impacter la qualité de contrôle d’un robot aérien. D’abord, nous étudions l’effet d’un réseau congestionné sur le contrôle à distance d’un drone, puis nous transposons ces résultats vers un système multi-robot plus complexe, le flocking, pour analyser sa résilience face à des conditions de communication imparfaites. Enfin, tirant parti de la mobilité des drones au lieu de la considérer comme une contrainte, nous proposons un nouvel algorithme de déploiement automatique de relais radio aériens. Dans cette nouvelle approche, un essaim de drones forme automatiquement un réseau extensible, reconfigurable et robuste, qui permet de maintenir des liens de communication en temps réel avec plusieurs zones éloignées et difficiles à atteindre, permettant des applications comme la recherche et sauvetage ou la surveillance simultanée de plusieurs cibles. Cet algorithme est évalué en simulation avec le co-simulateur DANCERS.

La connectivité fonctionnelle, estimée à partir de l’électroencéphalographie (EEG), constitue un outil privilégié pour analyser les interactions neuronales grâce à sa haute résolution temporelle et à son caractère non invasif. La modélisation de ces signaux par des graphes est apparue récemment comme une approche prometteuse, mais la plupart des travaux existants négligent encore l’intégration explicite de la configuration spatiale des électrodes. Cette thèse vise à développer des représentations basées sur les graphes pour la classification de la connectivité fonctionnelle à partir de signaux EEG. L’originalité des approches proposées réside dans l’intégration conjointe de la disposition spatiale des électrodes, et des motifs de connectivité. Ces méthodes sont appliquées dans le cadre de classification de la charge mentale et de l’imagerie motrice dans des interfaces cerveau ordinateur (ICO). Plus précisément, nous proposons (i) une représentation sous forme d’images de la connectivité fonctionnelle, intégrant à la fois la position, le degré et la connectivité des électrodes, permettant une classification par réseaux convolutifs (CNN) ; (ii) une représentation vectorielle fondée sur des forces d’attraction et de répulsion entre électrodes, utilisée avec des classifieurs classiques tels que les machines à vecteurs de support (SVM) ; et (iii) l’exploration de différentes approches de graphes traités par réseaux de neurones sur graphes (GNN), combinant informations spatiales et diverses mesures de distance, afin d’identifier la représentation la plus adaptée pour ce type de modèles.

La connectivité fonctionnelle, estimée à partir de l’électroencéphalographie (EEG), constitue un outil privilégié pour analyser les interactions neuronales grâce à sa haute résolution temporelle et à son caractère non invasif. La modélisation de ces signaux par des graphes est apparue récemment comme une approche prometteuse, mais la plupart des travaux existants négligent encore l’intégration explicite de la configuration spatiale des électrodes. Cette thèse vise à développer des représentations basées sur les graphes pour la classification de la connectivité fonctionnelle à partir de signaux EEG. L’originalité des approches proposées réside dans l’intégration conjointe de la disposition spatiale des électrodes, et des motifs de connectivité. Ces méthodes sont appliquées dans le cadre de classification de la charge mentale et de l’imagerie motrice dans des interfaces cerveau ordinateur (ICO). Plus précisément, nous proposons (i) une représentation sous forme d’images de la connectivité fonctionnelle, intégrant à la fois la position, le degré et la connectivité des électrodes, permettant une classification par réseaux convolutifs (CNN); (ii) une représentation vectorielle fondée sur des forces d’attraction et de répulsion entre électrodes, utilisée avec des classifieurs classiques tels que les machines à vecteurs de support (SVM); et (iii) l’exploration de différentes approches de graphes traités par réseaux de neurones sur graphes (GNN), combinant informations spatiales et diverses mesures de distance, afin d’identifier la représentation la plus adaptée pour ce type de modèles.

Les paysages sonores urbains jouent un rôle essentiel dans la qualité de vie en ville. Si le bruit peut avoir des effets néfastes sur la santé, des environnements sonores sains peuvent au contraire favoriser le bien-être, encourager les interactions sociales et contribuer positivement à l’expérience urbaine. Les réseaux de capteurs acoustiques, capables de collecter des données à grande échelle et sur le long terme, offrent de nouvelles opportunités pour analyser et représenter les environnements sonores urbains. Plusieurs réseaux ont déjà été déployés avec succès dans le cadre de projets de recherche, tels que SONYC aux États-Unis, Stadtlärm en Allemagne, ou encore CENSE à Lorient en France. Toutefois, traiter les données issues de ces réseaux demeure un défi. Ce document présente trois contributions visant à relever ce défi : (1) l’évaluation automatique de la présence de sources sonores à partir d’enregistrements spectraux compacts collectés par ces réseaux, (2) le développement d’un outil de visualisation interactive pour analyser des données acoustiques multisources à des fins de planification urbaine, et (3) la génération automatique de résumés audio courts à partir d’enregistrements environnementaux de longue durée. Les approches proposées combinent apprentissage automatique, acoustique environnementale et techniques de visualisation de données, avec pour objectif de permettre l’exploration des données audio environnementales tout en respectant les contraintes de compacité des données et de respect de la vie privée.

Les paysages sonores urbains jouent un rôle essentiel dans la qualité de vie en ville. Si le bruit peut avoir des effets néfastes sur la santé, des environnements sonores sains peuvent au contraire favoriser le bien-être, encourager les interactions sociales et contribuer positivement à l’expérience urbaine. Les réseaux de capteurs acoustiques, capables de collecter des données à grande échelle et sur le long terme, offrent de nouvelles opportunités pour analyser et représenter les environnements sonores urbains. Plusieurs réseaux ont déjà été déployés avec succès dans le cadre de projets de recherche, tels que SONYC aux États-Unis, Stadtlärm en Allemagne, ou encore CENSE à Lorient en France. Toutefois, traiter les données issues de ces réseaux demeure un défi. Ce document présente trois contributions visant à relever ce défi : (1) l’évaluation automatique de la présence de sources sonores à partir d’enregistrements spectraux compacts collectés par ces réseaux, (2) le développement d’un outil de visualisation interactive pour analyser des données acoustiques multi-sources à des fins de planification urbaine, et (3) la génération automatique de résumés audio courts à partir d’enregistrements environnementaux de longue durée. Les approches proposées combinent apprentissage automatique, acoustique environnementale et techniques de visualisation de données, avec pour objectif de permettre l’exploration des données audio environnementales tout en respectant les contraintes de compacité des données et de respect de la vie privée.

Dans cette thèse, nous explorons des modèles et méthodes de Recherche Opérationnelle pour résoudre un problème intégré de planification et de routage de soignants à domicile. Nous considérons plusieurs contraintes spécifiques : le caractère multi-période, la continuité des soins, le respect des contraintes légales et l’incertitude liée à la disponibilité des soignants. Une revue de la littérature permet d’identifier certains angles morts, en particulier concernant les sources d’incertitude prises en compte et les méthodes de résolution, rarement exactes. Nous développons ensuite un premier modèle déterministe, qui met en évidence les avantages d’une intégration des décisions par rapport à une approche séquentielle, ainsi que l’impact des contraintes de continuité des soins.Un modèle stochastique en deux étapes est ensuite introduit, intégrant deux sources d’incertitude : les durées de service et la disponibilité des soignants. Ce modèle est résolu à l’aide de l’algorithme L-shaped. Nous évaluons l’impact des incertitudes considérées ainsi que celui de deux mécanismes de recours : le retard et les heures supplémentaires. Enfin, le dernier chapitre, à visée plus prospective, décrit l’utilisation de la méta-heuristique Large Neighborhood Search (LNS) pour résoudre le problème plus rapidement. Nous proposons également des pistes d’intégration de cette heuristique dans la méthode de résolution actuelle. La thèse se conclut par la présentation de plusieurs axes de recherche futurs.

Cette thèse s’inscrit dans le champ de la recherche opérationnelle appliquée aux problèmes de planification du personnel (PSP). Elle propose un formalisme fondé sur les langages réguliers, et plus particulièrement sur les automates finis déterministes (DFA) pour représenter de manière générique et flexible un large éventail de règles de travail contractuelles ou opérationnelles. Cette modélisation permet d’obtenir des programmes linéaires mixtes (MIP) dont le nombre de variables est directement lié au nombre de transisitons dans les automates. Pour rendre ces formulations plus faciles à résoudre, cette thèse explore l’usage d’automates non-ambigus (UFA) pour réduire le nombre de variables dans les MIP tout en se préservant de problèmes de symétrie. La minimisation du nombre de transitions dans ces UFA étant NP-difficile, on propose une heuristique de réduction polynomiale et on démontre l’efficacité pratique de cette procédure sur des PSP de la littérature. Enfin, cette thèse étend ce cadre à des problèmes intégrés combinant PSP et problèmes de tournées de véhicules (VRP) grâce à une méthode de type branch and-price qui tire parti de la structure des automates pour résoudre efficacement des problèmes génériques intégrant PSP et VRP.

La réponse aux requêtes sur des graphes de connaissances RDF retourne souvent peu ou pas de résultats. Le relâchement de requête permet d’atténuer les contraintes pour obtenir des résultats similaires. Deux méthodes principales existent : utiliser la hiérarchie des classes et propriétés, ou les similarités entre entités et littéraux calculées via des fonctions de mappage. Ces approches ciblent respectivement des requêtes spécifiques au domaine et centrées sur les entités, mais les requêtes réelles combinent souvent ces éléments. De plus, les ensembles de données RDF peuvent contenir des métadonnées représentées à l’aide de la réification, ce qui complexifie davantage la relaxation de requêtes. Cela motive le besoin d’un modèle hybride intégrant les deux approches de relaxation tout en prenant en compte les métadonnées. Les contributions de cette thèse sont les suivantes : (1) une analyse de l’état de l’art sous l’angle de la réification RDF; (2) un modèle hybride combinant les relaxations basées sur l’ontologie et sur les entités à travers une mesure de similarité unifiée permettant un classement équitable des résultats issus de relaxations hétérogènes ; et (3) un benchmark d’évaluation prolongeant LUBM4OBDA en introduisant sept nouvelles requêtes, accompagnées de leurs versions relâchées, classées selon des jugements humains pour une évaluation équitable.

Le lymphome B diffus à grandes cellules (DLBCL) est un cancer lymphatique en croissance constante. Son diagnostic et suivi reposent sur l’analyse de biomarqueurs cliniques et d’images 18F-FDG TEP/TDM. Cette thèse vise à identifier précocement les patients atteints de DLBCL à haut risque en utilisant ces images et données cliniques tabulaires. Trois contributions sont apportées : premièrement, l’étude des meilleures caractéristiques des images pour prédire la survie sans progression à deux ans, montrant la pertinence d’une représentation par graphe des lésions pour modéliser l’information contenue dans les multiples lésions de l’image, qui sont distribuées et de nombre variable chez chaque patient. Deuxièmement, le développement d’un modèle multimodal utilisant un mécanisme d’attention croisée pour fusionner efficacement des données multimodales très hétérogènes, avec une étude poussée du module d’attention croisée et de la structure du modèle pour assurer son interprétabilité. Enfin, une approche de graphe de population est proposée pour propager l’erreur de prédiction d’un modèle de base et améliorer la qualité de ses prédictions de façon post-hoc, approche adaptée pour l’analyse de survie afin de gérer la censure et la correction de courbes complètes, et appliquée à l’identification de patients à haut risque.

Au sein des entreprises industrielles, l’ordonnancement de la production est d’une importance capitale. Organiser finement dans le temps les étapes de fabrication nécessaires à la réalisation des commandes tout en s’assurant de la disponibilité des ressources nécessaires à la réalisation de chacune d’entre elles est un procédé complexe. L’utilisation d’outils mathématiques au sein de logiciels à destination des industriels peut donc être d’une aide précieuse. Dans cette thèse, nous nous intéressons à un problème d’ordonnancement de la production rencontré par les clients de l’entreprise VIF, spécialisée dans les logiciels destinés aux industriels de l’agroalimentaire. Nous étudions la modélisation et la résolution de ce problème sous la forme d’un RCPSP multimode intégrant des temps de changement dépendant de la machine et de la séquence, des précédences généralisées ainsi que l’utilisation de ressources non renouvelables périssables. Pour résoudre ce problème, nous proposons plusieurs modélisations mathématiques ainsi qu’une méthode métaheuristique. La méthode métaheuristique s’appuie sur une multitude de règles de priorité pour initialiser la solution puis, une recherche tabou pour l’améliorer. Nous proposons enfin un algorithme de résolution par décomposition en sous-problèmes dans lequel nous tentons de tirer parti des performances de la programmation par contrainte.

Les méthodes récentes de prédiction de mots-clés peuvent générer des mots-clés qui n’apparaissent pas dans le texte du document. Ces mots-clés « absents » apportent de nouvelles informations sur les documents et améliorent ainsi l’indexation. Néanmoins, les performances des modèles sur la génération de mots-clés absents sont faibles. Dans cette thèse, nous nous intéressons à l’amélioration de ces performances. Dans un premier temps, nous introduisons KPbiomed, un grand jeu de données dans le domaine biomédical. Il nous permet d’étudier l’influence de la quantité de données d’entraînement sur les performances. Nos résultats montrent qu’utiliser plus de données d’entraînement améliore les performances. L’obtention d’une telle quantité de données peut être difficile. Nous présentons dans un second temps une méthode d’augmentation de données basée sur la recombinaison de documents partageant des mots-clés. Nos résultats illustrent l’amélioration des performances de génération grâce à nos exemples synthétiques. Augmenter les performances sur les mots-clés absents suggère une meilleure capacité à relier un document à un concept abstrait. Nous présentons dans un troisième temps une méthode d’évaluation de l’homogénéité de l’indexation i.e. la faculté de prédire le même mot-clé pour différents documents traitant d’un même concept. Nos évaluations soulignent l’impact négatif des performances génératives sur l’homogénéité des modèles.

Cette thèse explore le contrôle robuste des systèmes non linéaires perturbés en introduisant de nouvelles stratégies adaptatives supertwisting (ASTW) qui ajustent dynamiquement des paramètres clés. Deux approches sont développées : des contrôleurs ASTW auto-ajustables et à auto-réglage, intégrant des dynamiques d’adaptation et des précisions ciblées variables dans le temps. Un algorithme ASTW amélioré et simplifié est également proposé pour une large classe de systèmes non linéaires en assouplissant certaines hypothèses conventionnelles. De plus, un estimateur adaptatif basé sur un réseau de neurones est couplé à l’algorithme ASTW amélioré afin d’estimer et de compenser les perturbations, réduisant ainsi le gain adaptatif requis et atténuant le phénomène de chattering. Une nouvelle fonction de Lyapunov en garantit la convergence en temps fini. Des validations expérimentales, incluant des applications aux éoliennes flottantes, démontrent les améliorations obtenues par les stratégies proposées. Étant donnée l’importance des éoliennes flottantes dans le développement des énergies renouvelables, les approches ASTW proposées gèrent efficacement les dynamiques non linéaires et incertaines de ces systèmes avec un nombre réduit de paramètres de réglage par rapport aux strategics de contrôle de référence.

Cette thèse explore le contrôle robuste des systèmes non linéaires perturbés en introduisant de nouvelles stratégies adaptatives supertwisting (ASTW) qui ajustent dynamiquement des paramètres clés. Deux approches sont développées : des contrôleurs ASTW auto-ajustables et à auto-réglage, tégrant des dynamiques d’adaptation et des précisions ciblées variables dans le temps. Un algorithme ASTW amélioré et simplifié est également proposé pour une large classe de systèmes non linéaires en assouplissant certaines hypothèses conventionnelles. De plus, un estimateur adaptatif basé sur un réseau de neurones est couplé à l’algorithme ASTW amélioré afin d’estimer et de compenser les perturbations, réduisant ainsi le gain adaptatif requis et atténuant le phénomène de chattering. Une nouvelle fonction de Lyapunov en garantit la convergence en temps fini. Des validations expérimentales, incluant des applications aux éoliennes flottantes, démontrent les améliorations obtenues par les stratégies proposées. Étant donnée l’importance des éoliennes flottantes dans le développement des énergies renouvelables, les approches ASTW proposées gèrent efficacement les dynamiques non linéaires et incertaines de ces systèmes avec un nombre réduit de paramètres de réglage par rapport aux strategics de contrôle de référence.

Les Systèmes Coopératifs Autonomes, tels que les véhicules intelligents, sont de plus en plus utilisés dans l’Internet Industriel des Objets (IIoT) pour partager des tâches et des informations. Leur complexité et leur nature distribuée nécessitent un déploiement sur une grande diversité d’environnements à travers le continuum IoT-Cloud. Ces systèmes traitent des données sensibles, ce qui rendent la sécurité et la confidentialité essentielles. Bien que diverses contre-mesures existent, leur combinaison doit être soigneusement pensée, car elles peuvent affecter les performances et être incompatible. Cette thèse passe en revue la littérature dans les domaines de l’intelligence artificielle, des systèmes distribués, de la sécurité ainsi que de la combinaison de ceux-ci. Elle propose une architecture de référence (RACAS) pour classifier les méthodes de coopération des systèmes autonomes et explore l’IA distribuée, notamment l’IA désagrégée. Nous évaluons la performance et la sécurité des fonctions de coopération clés : apprentissage collaboratif décentralisé (FDFL) et avec sécurité à la demande (Ti-skol), délégation de tâches (D-Lambda) et communication d’état (ReDOSN). Un cadre de simulation sécurisé et décentralisé pour des environnements de systèmes autonomes est également proposé (D-ECS). Nous montrons que la distribution et la décentralisation sur le continuum Cloud-IoT améliore les performances et la résilience. La thèse identifie les besoins en sécurité pour chaque fonction et propose la composition des contre-mesures de sécurité.

La collaboration homme-robot (HRC) est devenue une stratégie transformatrice dans la fabrication moderne, promettant d’améliorer l’efficacité, la flexibilité et la productivité globale des opérations en chaîne de montage. Cette étude explore le développement et l’application de modèles mathématiques innovants conçus pour optimiser la planification des tâches et l’allocation des ressources dans les systèmes d’assemblage intégrant des opérateurs humains et des robots collaboratifs (cobots). La recherche relève les défis de l’équilibrage des chaînes de montage en tenant compte des temps de réglage, des potentielles indisponibilités des cobots et des contraintes budgétaires, dans le but ultime d’améliorer l’efficacité opérationnelle et la qualité des produits. Cette thèse apporte plusieurs contributions novatrices en matière d’équilibrage des chaînes de montage et de collaboration homme-robot. Premièrement, une nouvelle formulation mathématique est développée pour intégrer les contraintes budgétaires dans l’équilibrage des chaînes de montage en HRC. Cette formulation garantit que l’allocation des tâches entre humains et robots est optimisée dans le cadre de limitations financières, renforçant ainsi l’applicabilité pratique du modèle dans des scénarios réels. Deuxièmement, la thèse étend un modèle mathématique novateur pour faire face à l’équilibrage des chaînes de montage en y intégrant, pour la première fois, les temps de réglage. Cette extension permet une représentation plus réaliste des opérations d’assemblage, où les temps de réglage jouent un rôle crucial dans la détermination de l’efficacité globale. Une des contribution majeure est un d’algorithmes basés sur l’apprentissage automatique pour prédire la défaillance des cobots,dans un modèle d’équilibrage adaptatif des chaînes de montage incluant les temps de réglage. En utilisant des algorithmes d’apprentissage supervisé, en particulier le XGB Classifier avec une précision de 0,9312, un rappel de 0,9240 et un score F1 de 0,9274, le modèle parvient à réduire efficacement le temps de cycle et à éliminer les goulets d’étranglement liés aux potentielles indisponibilités des cobots. Cette capacité prédictive est essentielle pour maintenir des niveaux élevés d’efficacité opérationnelle et de fiabilité. Une autre contribution est l’intégration, pour la première fois, des ressources humaines avec des compétences multiples dans l’équilibrage des chaînes de montage et la collaboration homme-robot. Ceci prend en compte la diversité des compétences des opérateurs humains et exploite leur plein potentiel en collaboration avec des cobots, conduisant ainsi à des opérations d’assemblage plus efficaces et flexibles. L’étude met également en oeuvre des algorithmes tels que le Deep Q-Network (DQN) et des algorithmes d’évaluation de l’incertitude profonde afin de résoudre des problématiques dynamiques de collaboration homme-robot multi-compétentes en conditions d’incertitude. Ces algorithmes avancés offrent des solutions robustes dans des environnements dynamiques où les durées des tâches et la disponibilité des ressources sont incertaines. Afin d’améliorer la fiabilité des solutions, la thèse utilise des métaheuristiques hybrides combinées à des algorithmes d’apprentissage automatique. Cette combinaison permet d’obtenir des solutions plus précises et efficaces aux problèmes complexes d’équilibrage des chaînes de montage. La qualité de diverses métaheuristiques est évaluée par la validation de leurs performances sur un jeu de données de référence largement reconnu dans le domaine de l’équilibrage des chaînes demontage. Cette analyse comparative exhaustive favorise une compréhension approfondie des forces et des faiblesses de différents algorithmes,orientant ainsi les recherches futures et leurs applications pratiques. (lire la fin du résumé sur le PDF)

Cette thèse vise à améliorer la résolution problèmes de transport en intégrant des contraintes liées aux infrastructures urbaines dans des algorithmes basés sur les données. Nous nous concentrons sur deux défis contemporains : la livraison du dernier kilomètre et la planification d’un système de transport à la demande. Pour le premier défi, nous nous intéressons à l’apprentissage de fenêtres de temps multiples. Pour ce faire, nous utilisons des algorithmes de type multiarmed bandit. Les résultats montrent que l’apprentissage permet d’obtenir des itinéraires plus réalistes et plus efficaces. Concernant le second défi, nous abordons d’abord le problème statique de tournées de transport à la demande. Pour le résoudre, nous développons une méthode de type small and large neighborhood search, combinée à la résolution d’un problème de couverture d’ensemble. L’algorithme proposé surpasse les méthodes existantes sur les instances basées sur des données de la ville de New York. Nous nous intéressons ensuite à la version dynamique du problème. Nous la résolvons en utilisant des algorithmes lookahead, qui anticipent les potentiels événements futurs pour les décision de routage. Les politiques proposées sont évaluées sur des instances de New York, démontrant que les stratégies anticipatives améliorent significativement la prise de décision.

Les systèmes cyber-physiques (CPS) déployés dans des environnements comme la toundra Arctique pour effectuer des observations de longues durées sur le terrain sont soumis à des conditions extrêmes. Les nœuds déployés sur le terrain ont un budget énergétique limité. Afin d’économiser leurs budgets énergétiques et augmenter leurs durées de vie, les nœuds sont forcés d’alterner entre de courtes périodes de fonctionnement et de longues périodes de sommeil. Les périodes de fonctionnement sont programmées selon les tâches d’observation des nœuds et ne sont pas synchronisées. Les nœuds du CPS peuvent collaborer pour fournir des services comme de l’agrégation de données, de l’analyse de données, etc. Dû au manque d’infrastructure réseau, les nœuds doivent communiquer en utilisant des connexions pair-à-pair. Les nœuds sont capables de communiquer durant leurs périodes de fonctionnement, lorsque ces périodes se chevauchent. Du fait que les nœuds se réveillent pendant de courtes périodes non synchronisées, les opportunités pour communiquer peuvent être très faibles. À cause des conditions de la toundra Arctique, les nœuds du CPS sont forcés d’être autonomes durant de longues périodes (de six mois à un an). Durant ces périodes, les nœuds du CPS doivent s’adapter aux évènements extérieurs de manière autonome en reconfigurant leurs systèmes. Du fait que les nœuds collaborent, cette reconfiguration doit être coordonnée. À cause du manque de connectivité au sein du CPS et de son isolation avec les systèmes extérieurs, une autorité centrale est la plupart du temps inaccessible. Les nœuds doivent être capables de coordonner leurs reconfigurations avec d’autres nœuds d’une manière décentralisée. À cause du manque de connectivité, coordonner une reconfiguration entre les nœuds pourrait imposer un coût supplémentaire significatif sur les nœuds et mettre beaucoup de temps à converger. Ce manuscrit propose d’étudier la reconfiguration décentralisée d’un CPS composé de nœuds dormants. Il fournit une solution pour définir et coordonner l’exécution décentralisée de programmes de reconfiguration entre noeuds dormants. En se basant sur cette solution, ce manuscrit a également pour objectif d’étudier de manière étendue les performances en termes de consommation énergétique et durée de la reconfiguration selon les caractéristiques de la toundra Arctique.

Cette thèse présente des travaux relatifs à l’amélioration de la précision des Robots Parallèles à Câbles (RPC) par deux approches se basant sur l’utilisation de capteurs extéroceptifs. Les RPC sont une classe de robots parallèles utilisant des câbles flexibles à la place de liens rigides. Leurs caractéristiques leur permettent de déplacer de lourdes charges dans de grands espaces de travail, mais l’utilisation de liens flexibles implique aussi une perte en précision que ces travaux cherchent à améliorer. La première méthode présentée dans cette thèse consiste en une commande référencée capteurs combinant à la fois des mesures de distances entre la plateforme mobile du robot et la surface se trouvant en-dessous ainsi que des images du robot dans son environnement permettant de le déplacer par asservissement visuel. Le premier contrôleur proposé permet donc de combiner les deux types de capteurs et d’en résoudre les redondances. Cela permet alors de pouvoir suivre une surface de forme et de position inconnue à distance et orientation constante entre plusieurs points repérés par des marqueurs visuels. La stabilité de cette commande a ensuite été évaluée par la méthode de Lyapunov. La seconde contribution principale de cette thèse est la réduction de vibrations à l’aide d’une commande prédictive. Le modèle dynamique du robot est d’abord établi, puis ajusté par des mesures du comportement oscillatoire du robot. Il est ensuite inséré dans une loi de commande qui résout à chaque pas de temps un problème d’optimisation à partir de l’état courant du robot, mesuré par des capteurs extéroceptifs là aussi, afin de minimiser les oscillations du robot. Des essais en situation de de suivi de trajectoire et d’arrêt brusque démontrent l’intérêt de cette méthode pour l’atténuation des vibrations.

Cette thèse présente des travaux relatifs à l’amélioration de la précision des Robots Parallèles à Câbles (RPC) par deux approches se basant sur l’utilisation de capteurs extéroceptifs. Les RPC sont une classe de robots parallèles utilisant des câbles flexibles à la place de liens rigides. Leurs caractéristiques leur permettent de déplacer de lourdes charges dans de grands espaces de travail, mais l’utilisation de liens flexibles implique aussi une perte en précision que ces travaux cherchent à améliorer. La première méthode présentée dans cette thèse consiste en une commande référencée capteurs combinant à la fois des mesures de distances entre la plateforme mobile du robot et la surface se trouvant en-dessous ainsi que des images du robot dans son environnement permettant de le déplacer par asservissement visuel. Le premier contrôleur proposé permet donc de combiner les deux types de capteurs et d’en résoudre les redondances. Cela permet alors de pouvoir suivre une surface de forme et de position inconnue à distance et orientation constante entre plusieurs points repérés par des marqueurs visuels. La stabilité de cette commande a ensuite été évaluée par la méthode de Lyapunov. La seconde contribution principale de cette thèse est la réduction de vibrations à l’aide d’une commande prédictive. Le modèle dynamique du robot est d’abord établi, puis ajusté par des mesures du comportement oscillatoire du robot. Il est ensuite inséré dans une loi de commande qui résout à chaque pas de temps un problème d’optimisation à partir de l’état courant du robot, mesuré par des capteurs extéroceptifs là aussi, afin de minimiser les oscillations du robot. Des essais en situation de de suivi de trajectoire et d’arrêt brusque démontrent l’intérêt de cette méthode pour l’atténuation des vibrations.

L’imagerie par ultrasons est largement utilisée en raison de sa nature en temps réel, économique, portable et non ionisante. Cependant, les méthodes traditionnelles de reconstruction, telles que le retard et la somme (Delay-and-Sum), sont souvent limitées par un faible contraste, une basse résolution spatiale et une sensibilité au bruit et aux artefacts. La plupart des approches traitant ces défis se concentrent soit sur des techniques basées sur des modèles, soit sur des approches basées sur l’apprentissage. Cette thèse contribue à la conception d’algorithmes hybrides, combinant des méthodes basées sur des modèles et sur l’apprentissage. La partie centrale de la thèse exploite les modèles de diffusion générative comme connaissances préalables pour résoudre le problème d’inversion de reconstruction d’images par ultrasons. En particulier, nous proposons plusieurs adaptations du Denoising Diffusion Restoration Model (DDRM) pour prendre en compte les données brutes formées en faisceaux, le bruit coloré et leur combinaison avec des méthodes traditionnelles de réduction du speckle. Plus important encore, nous examinons l’impact de la stochasticité des prédictions de diffusion et montrons que la variance des prédictions générées par diffusion fournit une solution intéressante au problème de reconstruction d’images sous bruit multiplicatif. La méthode est également validée sur des données d’imagerie radar à synthèse d’ouverture (SAR),démontrant sa polyvalence. Une contribution annexe de cette thèse est la proposition d’une représentation neuronale implicite permettant de représenter de manière compacte plusieurs acquisitions d’ultrasons en ondes planes, réalisant ainsi une compression substantielle des données sans compromettre l’efficacité.

Le dérèglement climatique et la transition énergétique exigent une meilleure efficience et flexibilité dans les solutions de gestion énergétique destinées à l’industrie et aux services publics. Cependant, les installations concernées ne disposent pas toujours des ressources financières nécessaires pour mettre en œuvre les régulations avancées requises. Cette situation encourage le développement de méthodes de régulation accessibles, capables d’être déployées à moindre coût sur une large gamme de systèmes. Cette thèse s’intéresse aux installations capitalisant les données représentatives de leur comportement en conditions opérationnelles (données échantillonnées directement prélevées sur le système en exploitation). Elle emprunte aux méthodes d’identification, qui ont le potentiel de déduire, partir des seules données expérimentales d’un processus physique, des modèles dynamiques représentatifs ; sans recours à des modélisations physiques coûteuses donc. Elle questionne les modèles (traditionnels ou neuronaux) et les méthodes d’apprentissage adaptés au contexte. Elle approfondit la problématique de l’apprentissage de modèles ad hoc pour la commande prédictive. Elle a établi deux bancs d’essais adaptés au contexte industriel cible. Elle propose, in fine, une nouvelle brique méthodologique visant une réduction du coût énergétique d’exploitation : il s’agit d’une nouvelle modélisation de type boîte noire, capable de représenter un comportement non-linéaire, tout en bénéficiant, pour la classe d’application visée, des capacités d’extrapolation des modèles linéaires. Ce modèle est directement utilisable pour la commande prédictive, sans nécessiter un processus complexe d’estimation d’état.

Le Fog Computing décentralise le Cloud en rapprochant les services de calcul, de stockage et de réseau de la périphérie du réseau. Cette approche réduit la latence, l’utilisation de la bande passante et améliore le traitement en temps réel. Cependant, la complexité et l’hétérogénéité des systèmes Fog rendent leur gestion difficile et coûteuse. Identifier les erreurs en phase d’exécution nécessite souvent de revenir aux étapes de conception, ce qui entraîne des coûts élevés en temps et en ressources. La vérification pré-déploiement est donc essentielle pour garantir fiabilité et efficacité. Les systèmes Fog, utilisés dans des domaines variés (santé, automobile, villes intelligentes), ajoutent de la complexité aux processus de vérification et de déploiement. Pour y répondre, nous proposons une approche générique et personnalisable basée sur un processus de vérification en deux étapes, combinant les phases de conception et de pré-déploiement, tout en automatisant les activités de vérification et de déploiement. Notre solution repose sur un langage de modélisation Fog adaptable, la vérification des propriétés non fonctionnelles à la conception (sécurité, énergie), et la génération de configurations de déploiement indépendantes des outils. La vérification pré-déploiement associe outils de déploiement et solutions QoS pour garantir la conformité aux critères définis avant le déploiement final. Validée par trois cas d’usage (campus intelligent, parking intelligent, hôpital intelligent), cette approche réduit les coûts, simplifie la gestion des systèmes Fog et garantit leur QoS. En intégrant des pratiques DevOps, elle répond aux exigences des environnements industriels et académiques modernes.

La production sonore dans le monde physique implique un résonateur et un excitateur, tels que le corps d’un instrument et un musicien. Décoder et démêler les effets de ces éléments permet une analyse plus précise des performances musicales expressives et ouvre la voie à la conception d’instruments de musique numériques plus ergonomiques. En général, le décodage du timbre en informations physiquesnécessite soit la présence d’un modèle physique, soit des preuves d’interaction entre le musicien et l’instrument acquises dans le monde réel. Le premier, un modèle idéal, ne tient pas compte des écarts par rapport à la réalité, tandis que le second exige un effort considérable pour l’acquisition et l’annotation des données. Cette thèse combine ces deux approches et examine dans quelle mesure la « physicalité » est implicite dans un son instrumental. Trois contributions sont présentées, chacune utilisant des données à différents niveaux de réalisme : des simulations basées sur un modèle physique, des performances artificielles enregistrées dans des environnements contrôlés, et des performances humaines. La première contribution vise à estimer les paramètres physiques liés à la fabrication d’instruments à partir de sons synthétiques de percussions. Elle propose une méthode innovante pour accélérer une fonction de perte perceptuellement pertinente dans l’entraînement de réseaux neuronaux. La deuxième contribution se concentre sur l’extraction des paramètres physiques de sons de cordes pincées enregistrés par un joueur artificiel en laboratoire. Elle aborde le problème dutransfert de connaissances obtenues par simulation vers le monde réel dans un contexte de données limitées. La troisième et dernière contribution commence par l’enregistrement d’un ensemble de données audiovisuelles de techniques isolées de jeu du guqin. Elle présente ensuite une étude de cas visant à identifier computationnellement les corrélations entre les gestes et les sons. Ensemble,ces trois travaux mettent en évidence les défis distincts rencontrés et les approches sur mesure développées pour aborder le problème de l’extraction de la physicalité des sons.

Cette thèse propose un modèle de calibration pour les Robots Parallèles à Câbles (RPC) afin de prédire la précision deleur calibration, ainsi que la caractérisation du fluage des câbles en polymère. Le modèle de calibration proposé a étéétudié à travers trois études de cas différentes. La principale méthode de calibration associe un capteur de déplacement laser, un inclinomètre et des encodeurs de câble installés sur la plateforme mobile (PM). L’algorithme des moindres carrés non linéaires (MCNL), couramment utilisé, est employé pour résoudre le problème d’optimisation associé. Des simulations sont effectuées. Des expériences sont réalisées pour un RPC plan à deux câbles. Plusieurs procédures sont suivies pour traiter les incertitudes de l’expérience qui affectent la précision de la calibration. Les résultats expérimentaux obtenussont conformes à ceux des simulations. Un moyen rentable d’effectuer des essais de charge statique et de mesurer le fluagedu câble est proposé, et une série de câbles en polymère est testée. Les données relatives à l’allongement du câble sont échantillonnées pour s’adapter au modèle viscoélastique standard de Burgers. Des pourcentages d’erreurs relativement faibles sont constatés entre le modèle de câble optimisé et le modèle de câble standard.

Cette thèse s’inscrit au croisement entre les théories de l’apprentissage et de la commande, proposant une méthodologie basée données, pour la modélisation et le contrôle des systèmes dynamiques nonlinéaires. En s’appuyant sur la théorie de la stabilité absolue et sur une représentation générale des modèles d’état neuronaux, plusieurs théorèmes de stabilité pour les réseaux de neurones sont présentés. Face aux limitations des approches traditionnelles d’optimisation sous contraintes LMI, nous développons un cadre théorique complet pour la paramétrisation des réseaux de neurones, compatible avec les algorithmes de gradient et les outils de différentiation automatique classiques. A l’aide de la théorie sur la linéarisation par bouclage, l’apprentissage en une seule étape d’un contrôleur approximativement linéarisant et d’un modèle de référence aux propriétés de stabilité garanties est présentée. Les résultats théoriques sont validés sur des exemples académiques d’atténuation de perturbations, ouvrant la voie à une utilisation plus systématique des réseaux de neurones dans la conception de lois de commande.

La réalité virtuelle se présente comme un outil prometteur pour le traitement de l’anxiété sociale notamment à travers des thérapies d’exposition en réalité virtuelle. Dans ces thérapies, les utilisateurs sont confrontés à des situations stressantes et apprennent progressivement à ajuster leurs réactions affectives. Cela nécessite un certain niveau de stress essentiel à la réussite de l’entraînement. La littérature montre que les applications de réalité virtuelle sont capables de provoquer du stress ; toutefois, la manière dont les concepteurs peuvent contrôler avec précision ce niveau de stress reste floue. Pour répondre à ce problème, nous proposons un modèle décrivant un mécanisme permettant de contrôler le stress durant une évaluation sociale en réalité virtuelle. Ce modèle suggère que le stress est influencé par l’amicalité et la dominance des agents virtuels, et que la présence sociale joue un rôle médiateur dans leur impact sur le stress. Afin de tester ce modèle, nous avons mené trois études expérimentales impliquant 141 participants dans des tâches sociales telles que la prise de parole en public et les entretiens d’embauche. Les résultats montrent que le niveau de stress est impacté par le niveau d’amicalité et de dominance des agents virtuels, toutefois, des analyses supplémentaires sont nécessaires afin remédier aux limitations rencontrées et valider le modèle.

L’Ingénierie Dirigée par les Modèles (IDM) promeut les modèles comme un élément clé pour répondre à la complexité croissante du cycle de vie des systèmes logiciel. L’ingénierie de systèmes avec l’IDM implique divers modèles représentant différentes aspects du système. Cette hétérogénéité nécessite des capacités de fédération de modèles pour intégrer des points de vue spécifiques à de multiples domaines. Les solutions de Vues sur les Modèles (Model Views) répondent à ce défi mais manquent encore de support à l’automatisation. Cette thèse explore l’intégration de l’Apprentissage Automatique (AA), notamment les Réseaux de Neurones en Graphes (GNN) et Grands Modèles de Langage (LLM), pour améliorer la définition et construction de telles vues. La solution proposée introduit une approche en deux volets dans la solution technique EMF Views. Cela a permis d’automatiser partiellement la définition des vues sur modèles à la conception, et de calculer dynamiquement les liens inter-modèles à l’exécution. Nos résultats indiquent que l’application de techniques d’apprentissage profond (DL), dans ce contexte spécifique de l’IDM, permet déjà d’atteindre un premier niveau d’automatisation intéressant. Plus globalement, cet effort de recherche contribue au développement actuel de solutions plus intelligentes pour l’IDM.

L’apprentissage automatique, notamment l’apprentissage par imitation (IL), permet aux robots de gérer des tâches complexes dans des environnements non structurés. De plus, l’IL permet aux robots d’apprendre de nouvelles tâches à partir de démonstrations humaines sans programmation manuelle, mais les méthodes actuelles nécessitent de nombreuses démonstrations téléopérées, ce qui est intrusif, chronophage et limitant pour l’expert qui réalise la démonstration. De plus, les politiques de contrôle robotique apprises à partir de ces données sont généralement spécifiques au robot et à l’environnement illustrés dans les démonstrations. Cette thèse propose d’entraîner des politiques de contrôle directement à partir de vidéos d’humains exécutant des tâches, en se concentrant sur trois axes principaux : (1) utiliser des modèles de langage et de vision pour identifier les objets d’intérêt dans la scène et créer une représentation 3D indépendante de l’environnement de fond et de l’agent exécutant la tâche (humain/ robot), (2) appliquer l’estimation de la pose humaine 3D pour extraire les actions humaines des démonstrations vidéo, et (3) entraîner une politique en IL pour prédire ces actions à partir de la représentation 3D proposée, et valider ses capacités de généralisation à de nouveaux agents et environnements en la déployant sur un robot simulé.

Le taux d’erreur mot reste la métrique principale pour évaluer les systèmes de reconnaissance automatique de la parole (RAP), mais il ne reflète pas toujours la perception humaine. Cette thèse propose des métriques alternatives pour évaluer non seulement l’orthographe, mais aussi la grammaire, la sémantique et la phonétique. À travers le corpus HATS, annoté par 143 francophones, nous avons mesuré la corrélation entre ces métriques et les choix humains. Les résultats montrent que SemDist, basée sur les représentations sémantiques de BERT, est la plus pertinente, tandis que le taux d’erreur mot se révèle peu performant. Une analyse des hyperparamètres des systèmes de RAP révèle que chaque métrique évalue des aspects distincts, soulignant l’importance d’une évaluation multi-métrique. Enfin, pour rendre les métriques sémantiques plus compréhensibles, nous avons développé la méthode minED, qui identifie la gravité des erreurs et améliore l’interprétation des scores, offrant des outils précieux pour évaluer et perfectionner les systèmes RAP.

Cette thèse traite de l’optimisation des processus de découpe dans l’industrie manufacturière, en particulier la menuiserie industrielle. Elle vise à réduire les pertes de matière par le réemploi, principe de base de l’économie circulaire, répondant ainsi aux enjeux environnementaux, économiques et législatifs contemporains. Cette thèse s’appuie sur un état de l’art approfondi du Cutting Stock Problem with Usable Leftovers (CSPUL), un problème centré sur la réutilisation des chutes. La méthode employée combine la génération de colonnes avec des heuristiques de type diving pour affiner les solutions et garantir leur faisabilité dans des contextes industriels. Les modèles développés démontrent qu’une réutilisation même limitée des chutes peut générer des gains significatifs. Ces approches ont été intégrées au logiciel REEVERSE, qui fournit aux industriels des outils pour diagnostiquer les pertes, optimiser la production, et valoriser les matières de seconde vie. Les résultats expérimentaux valident ces solutions, montrant qu’elles permettent d’améliorer substantiellement le rendement matière tout en répondant aux attentes croissantes en matière de durabilité et de compétitivité. Cette contribution représente une avancée majeure dans l’optimisation durable des ressources industrielles.

Cette thèse s’inscrit dans le domaine des réseaux bayésiens quantiques, une approche novatrice qui fusionne les principes de l’informatique quantique avec ceux des modèles probabilistes. Les réseaux bayésiens, largement utilisés pour modéliser l’incertitude dans des domaines complexes, souffrent de limitations computationnelles lorsque les données deviennent de grande dimension. En exploitant les propriétés uniques de la mécanique quantique, comme la superposition et l’intrication, les réseaux bayésiens quantiques ouvrent la voie à des inférences probabilistes plus rapides et plus efficaces. Le travail de cette thèse se concentre sur deux axes principaux : l’optimisation des circuits quantiques pour les réseaux bayésiens et le développement d’algorithmes hybrides d’inférence adaptés aux dispositifs quantiques actuels, appelés NISQ (Noisy Intermediate- Scale Quantum). Dans ce contexte, des circuits quantiques optimisés ont été conçus pour réduire le nombre de qubits requis et minimiser les taux d’erreur, tout en permettant leur exécution sur les technologies quantiques disponibles. Par ailleurs, plusieurs algorithmes hybrides ont été développés, notamment l’échantillonnage par rejet quantique, le pondération par vraisemblance hybride et l’échantillonnage de Gibbs hybride, intégrant l’amplification d’amplitude de Grover pour accélérer les calculs. Les résultats expérimentaux démontrent les avantages des circuits optimisés par rapport aux circuits classiques et composables en termes de largeur et robustesse des circuits. Les algorithmes hybrides proposés montrent également des performances prometteuses pour des inférences probabilistes sur des dispositifs quantiques actuels. Ces contributions illustrent le potentiel des réseaux bayésiens quantiques, offrant des perspectives intéressantes dans des domaines où les modèles probabilistes jouent un rôle clé. Cette recherche pose ainsi les bases pour une adoption plus large des technologies quantiques dans le traitement probabiliste.

L’apprentissage fédéré permet d’entraîner des modèles d’apprentissage automatique sur plusieurs ensembles de données décentralisés sans partager les données brutes, répondant ainsi aux préoccupations critiques en matière de confidentialité dans le domaine de la santé. Les réseaux bayésiens (RB) sont des modèles probabilistes qui ont prouvé leur valeur dans la modélisation de dépendances complexes. Ils ont la particularité d’être grandement interprétables, ce qui est crucial lors du traitement de données médicales, car cela permet aux experts médicaux de comprendre facilement les modèles construits. Cette thèse étudie l’intégration des réseaux bayésiens dans un cadre d’apprentissage fédéré, en mettant l’accent sur la préservation de la confidentialité. Une première proposition combine les réseaux bayésiens avec des préoccupations statistiques en apprentissage fédéré telles que l’apprentissage multitâches et l’apprentissage par transfert. Elle consiste en une extension d’un algorithme efficace de découverte de structure RB, MMHC, à un contexte multi-tâches (MT). Pour évaluer cette approche, nous proposons une procédure pour générer des benchmarks MT à partir de n’importe quel modèle de référence. Enfin, nous considérons les contraintes de confidentialité différentielle pour rendre l’algorithme d’apprentissage des RBs respectueux de la vie privée.