Contexte académique L’apprentissage par renforcement profond (Deep Reinforcement Learning, DRL) a réalisé des accomplissements remarquables dans divers domaines tels que les jeux, la robotique, la navigation, la vision par ordinateur et la finance. Cependant, les algorithmes DRL existants souffrent généralement d’un problème d’efficacité d’échantil...

Rapport de recherche sur l’apprentissage par renforcement multi-agent déterministe distribué basé sur le consensus de politique L’apprentissage par renforcement (Reinforcement Learning, RL) a fait des avancées significatives ces dernières années dans divers domaines, notamment la robotique, les réseaux électriques intelligents et la conduite autono...

Intelligence de bord à grande échelle 6G assistée par satellite : Déchargement dynamique des tâches et allocation des ressources pour les services IoT à distance Introduction Avec l’arrivée des réseaux mobiles 6G, l’architecture traditionnelle d’Internet des objets (IoT) évolue progressivement vers un nouveau paradigme d’Internet intelligent des ob...

Étude sur la technologie de mise au point automatique des microscopes à lentilles liquides basée sur l’apprentissage par renforcement profond Contexte académique L’imagerie microscopique joue un rôle crucial dans la recherche scientifique, les études biomédicales et les applications d’ingénierie. Cependant, les microscopes traditionnels et leurs te...

Robot à roues et pattes capable de navigation autonome Introduction Le processus d’urbanisation rapide crée des défis importants pour la logistique de la chaîne d’approvisionnement, en particulier pour la livraison du dernier kilomètre. L’augmentation de la pression de transport et la demande de services de livraison plus rapides, notamment sur des...