Séminaire DIC-ISC-CRIA - 11 décembre 2025 par Sylvain CALINON

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : l’exposé couvre un large éventail de problématiques de l’apprentissage par démonstration, avec des exemples concrets et des références à des travaux publiés. L’argumentation est solide, s’appuyant sur une expérience de recherche reconnue et sur des résultats expérimentaux. L’orateur justifie ses choix méthodologiques et discute des compromis entre différentes approches. La présentation est structurée et pédagogique, tout en restant technique.

Le titre est générique mais correspond au contenu : un séminaire scientifique sur l'apprentissage par démonstration en robotique.

8/10

Exposé d'un chercheur senior reconnu, présentant des travaux de recherche publiés dans des conférences majeures (RSS, CoRL, IEEE), avec des références explicites. La démarche est rigoureuse et les résultats sont contextualisés.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 02:00Introduction : présentation de l'Idiap et du groupe Robot Learning & Interaction.
• 05:00Vidéos d'exemples de tâches de manipulation : bimanuelle, non-préhensile, dynamique.
• 10:00Définition de l'apprentissage par démonstration et de ses défis : généralisation, adaptation.
• 15:00Comparaison des modalités de démonstration : observation, kinesthésique, téléopération.
• 20:00Notion d'apprentissage frugal et combinaison de stratégies d'apprentissage.
• 30:00Approches exploitant la géométrie : variétés riemanniennes, méthodes tensorielles.
• 40:00Interfaces intuitives et interaction bidirectionnelle pour collecter des démonstrations.
• 50:00Applications industrielles et assistives, exemples concrets.
• 1:00:00Discussion sur les défis théoriques et pratiques, perspectives.

• Configuration Space Distance Fields for Manipulation Planning — Cité comme travail récent sur la planification de manipulation.
• Tensor Train for Global Optimization Problems in Robotics — Cité pour les méthodes tensorielles en optimisation robotique.
• Bayesian Optimization Meets Riemannian Manifolds in Robot Learning — Cité pour l'apprentissage sur variétés riemanniennes.

• Configuration Space Distance Fields for Manipulation Planning — Publication récente de l'auteur, cohérente avec les propos.
• Tensor Train for Global Optimization Problems in Robotics — Travail primé par l'IEEE, soutient les méthodes tensorielles.
• Bayesian Optimization Meets Riemannian Manifolds in Robot Learning — Article de référence sur l'optimisation bayésienne sur variétés.