Opportunités

Thesis topic: Learning Generative World Models of Physical Dynamics

Context:

AI4Science is an emerging research field that investigates the potential of AI methods to advance scientific discovery, particularly through the modeling of complex natural phenomena. This fast- growing area holds the promise of transforming how research is conducted across a broad range of scientific domains. One especially promising application is in modeling complex dynamical systems that arise in fields such as climate science, earth science, biology, and fluid dynamics. A diversity of approaches is currently being developed, but this remains an emerging field with numerous open research challenges in both machine learning and domain-specific modeling.

This PhD project aims to investigate the next generation of AI models for physical dynamics. The objective is to develop generative world models that learn structured representations of physical systems and can efficiently model, predict, and reason about their evolution. The research will focus on applications such as fluid mechanics and climate science while addressing fundamental questions at the intersection of machine learning and scientific computing.

Research Directions:

The main objective of this PhD is to develop generative world models for physical dynamics that combine scalability, uncertainty modeling, and scientific consistency.

The research will explore several complementary directions:

– Learning transferable representations of physical dynamics, by developing latent representations that capture the underlying structure of physical systems and can generalize across multiple physical regimes and downstream tasks.

– Generative modeling of physical trajectories, using recent approaches such as diffusion models, flow matching, and stochastic interpolants to represent uncertainty, multimodality, and long- term evolution of complex dynamical systems.

– Physically consistent generative models, by integrating physical constraints and scientific priors into generative learning in order to produce solutions that remain both accurate and scientifically valid.

The exact research direction will be adapted to the candidate’s interests and background and may emphasize either methodological developments or applications to scientific domains such as fluid dynamics and climate modeling.

Position and Working Environment

The PhD studentship is a three years position starting in October/ November 2026. It does not include teaching obligation, but it is possible to engage if desired. The PhD candidate will work at Sorbonne Université (S.U.), in the center of Paris. He/She will integrate the MLIA team (Machine Learning and Deep Learning for Information Access) at ISIR (Institut des Systèmes Intelligents et de Robotique).

Required Profile:

Master degree in computer science or applied mathematics, Engineering school. Background and experience in machine learning. Good technical skills in programming.

General information:
– Supervisor: Patrick Gallinari
– Collaboration as part of the PhD thesis: INRIA Paris, Institut d’Alembert Sorbonne Université
– Start date: November/ December 2026
– Note: The research topic is open and depending on the candidate profile could be oriented more on the theory or on the application side
– Host laboratory: ISIR (Institute of Intelligent Systems and Robotics), Pierre and Marie Curie Campus, 4 Place Jussieu, 75005 Paris.
– Keywords: AI4Science, deep learning, physics-aware deep learning, world models, generative models, foundation models

Application:
– Contact person: Patrick Gallinari
– Email: patrick.gallinari@sorbonne-universite.fr
– Please send a cv, motivation letter, grades obtained in master, recommendation letters when possible to patrick.gallinari@sorbonne-universite.fr
– Application deadline: 20/12/2026

Download this thesis offer

Thesis topic: Efficient Interaction through Information Maximization

Context:

Designing user interfaces is an iterative process. A designer creates an initial version based on their intuition and experience, then tests it with users and refines it based on feedback. This cycle is repeated until the interface is considered satisfactory. While effective, this approach is often slow and resource-intensive, as it requires many rounds of trial and error between designers and users.

To address this, researchers have proposed computational methods that automatically generate or optimize interface designs [2]. These methods rely on defining an objective (or “cost function”) that captures what makes a good interface, and then optimizing the design accordingly. However, a major limitation is that such objectives must be carefully crafted for each specific problem, which can be difficult.

This thesis explores a different approach: instead of designing task-specific objectives, it investigates whether general principles from information theory, specifically measures of how much information is exchanged between user and system, can be used to guide interface design in a more universal way.

Goal of the thesis: 

One promising idea in this direction is Bayesian Information Gain (BIG), introduced by Liu et al [1]. BIG is an interaction technique in which the system actively guides the user toward actions that are most informative (ie., actions that help the system quickly understand the user’s goal). Intuitively, the system tries to “ask the best possible question” at each step through its interface, so that the user’s response reveals as much useful information as possible. Although promising, BIG has several limitations. It is computationally expensive, has mainly been tested in small and discrete settings, and requires a calibration phase before use, which limits its practicality and adaptability. It also does not account for important usability aspects, such as proximality (the interface should not change too abruptly between steps, to avoid disorienting users) and intrinsic state value (some interface states may be inherently preferable, regardless of how informative they are). More broadly, BIG is only one of several recent approaches that use information-theoretic measures to design interactions (see positioning section). The first goal of this thesis is therefore to review and compare these different information-based approaches. This includes analyzing their theoretical properties, but also their practical characteristics, such as computational cost, ability to handle continuous or real-time interaction, and suitability for different application contexts.

The second goal is to address the limitations of BIG. Since many of these approaches rely on similar mathematical concepts (notably mutual information), improvements developed for BIG are likely to extend to other methods as well. Key challenges include estimating information efficiently from limited user data, and incorporating usability constraints such as smooth transitions and meaningful interface states. As part of this work, the candidate will develop a software library implementing both existing and newly proposed methods. The third goal is to evaluate these approaches in realistic applications (map navigation, text entry etc.)

Required Profile:

The candidate will have an interest and demonstrated expertise in computational modeling or machine learning. Interest and experience in experimental research and software programming, as well as knowledge of basic information theoretic notions will be appreciated but are not required.

General information:
– Supervisor: Julien Gori (CNRS)
– Possible co-supervisor: Olivier Rioul (Télécom Paris, Institut Polytechnique de Paris)
– Host laboratory: ISIR (Institute of Intelligent Systems and Robotics), Pierre and Marie Curie Campus, 4 Place Jussieu, 75005 Paris.

Application:
– Contact person: Julien Gori
– Email: gori@isir.upmc.fr
– Please send a CV, M1/M2 transcripts, and a copy of your master’s thesis (if available) when applying.
– Application deadline: rolling basis.

Download this thesis offer

Sujet de thèse : Estimation d’état et commande de robots continus à plusieurs sections

Résumé et contexte :

La dernière décennie a vu émerger un nouveau type de robot : les robots continus. Leurs avantages par rapport aux robots rigides traditionnels sont multiples : un espace de travail plus large, une dextérité accrue, une compliance accrue, la capacité de naviguer dans des environnements encombrés ou tortueux, un fort potentiel de miniaturisation, la possibilité de concevoir de nouvelles architectures cinématiques, ainsi qu’une diversification des applications, notamment en chirurgie mini-invasive ou pour la manipulation d’objets fragiles. Le concept de robot continu a ainsi permis l’émergence d’un nouveau paradigme dans le domaine de la robotique de dextérité.

Cependant, ces innovations technologiques majeures posent encore de nombreux défis en matière d’intégration, de perception, de modélisation et de commande de ces mécanismes. Par conséquent, de nombreuses problématiques scientifiques, souvent fondamentales, restent ouvertes avant de parvenir à une intégration effective des robots continus dans des applications industrielles et médicales.

Les avancées récentes en commande des robots continus ont permis la mise en œuvre de stratégies de commande de l’extrémité en boucle fermée, ce qui a conduit à atteindre une précision submillimétrique. Toutefois, la mise en œuvre de ce type de commande, en particulier dans des applications de chirurgie mini- invasive, nécessite une estimation robuste et fiable de l’état du robot.

L’estimation précise de l’état des robots continus constitue un problème complexe et l’une des briques manquantes pour la démocratisation de ces robots. Parmi les différentes modalités de perception en robotique, la vision est de loin la plus couramment utilisée. Toutefois, en robotique continue, les caméras sont peu fiables, que ce soit en raison de l’application, qui ne permet pas un contact visuel fiable avec le robot (navigation sur un terrain contraint, chirurgie mini-invasive), ou bien en raison des occultations du robot liées à ses propres déformations.

Cela impose d’explorer des stratégies de perception alternatives. Celles-ci reposent généralement sur l’intégration de capteurs supplémentaires au sein d’une architecture robotique déjà fortement contrainte en termes de compacité. Le problème qui en résulte se décline alors en deux défis majeurs :

– Maximiser la quantité d’information fournie par des capteurs de petite taille sur l’état du robot, sans en altérer les propriétés intrinsèques ni compromettre sa capacité à réaliser les tâches prévues.

– Estimer avec précision l’état du robot à partir de mesures partielles ou indirectes. Cela inclut, par exemple, la reconstruction de l’état complet du robot à partir des positions mesurées à un nombre limité de points le long de sa structure, ou encore à partir de mesures d’efforts et de couples à sa base. En raison de la complexité des déformations auxquelles ces robots sont soumis, ces problèmes peuvent être mal posés et admettre plusieurs solutions, notamment pour l’estimation des charges externes.

Objectifs scientifiques :

Une grande majorité des approches d’estimation de l’état de robots continus proposées dans la littérature actuelle se base sur deux hypothèses simplificatrices : l’évolution du robot dans le temps est quasi-statique, et les bruits d’évolution et de mesure sont négligeables. De plus, la majorité des approches proposées sont formulées sous la forme d’une estimation du maximum de vraisemblance. Autrement dit, la solution est l’état le plus vraisemblable, fondé uniquement sur les données des capteurs. Les connaissances a priori du comportement du robot ne sont jamais prises en compte.

Bien que ces approches fonctionnent généralement bien dans des conditions optimales de laboratoire, elles sont difficiles à mettre en œuvre dans des applications réelles. Puisque les données des capteurs ne sont pas contrebalancées par les connaissances a priori, l’estimation est peu précise, voire instable, lorsque les mesures sont bruitées, partielles ou aberrantes. De plus, lorsque le problème est mal posé, ce qui est souvent le cas pour l’estimation d’états de robots continus et d’autant plus en présence de bruit, plusieurs états peuvent expliquer les mêmes observations. Sans connaissance a priori, il est alors impossible de différencier les états possibles, des plus probables aux plus improbables.

L’objectif de ce projet de thèse est de développer une méthode robuste d’estimation de l’état, basée sur un modèle, de la forme et de la vitesse de robots continus, qui puisse être déployée dans des conditions sous-optimales, en présence de bruit, d’instabilités du système et de données de capteurs incomplètes. Pour cela, il est nécessaire de formuler le problème en termes d’estimation du maximum a posteriori. À chaque instant, les mesures sont ainsi contrebalancées par notre connaissance a priori du comportement du robot, issue de notre modèle. Cela permet, d’une part, de réduire la sensibilité au bruit et aux mesures aberrantes en contraignant la solution vers des valeurs plus plausibles, et, d’autre part, de régulariser les problèmes mal posés en favorisant les solutions les plus probables.

Dans cette optique, nous adapterons une méthode classique d’estimation d’état issue de la robotique rigide à nos prototypes de robots continus : l’estimation à horizon glissant (Moving Horizon Estimation : MHE). Contrairement aux approches récursives classiques (filtres de Kalman, particulaires) qui ne conservent que l’état précédent, cette méthode optimise l’estimation en s’appuyant sur un historique de mesures récemment acquises. Elle permet ainsi de mieux prendre en compte les non-linéarités du modèle et de respecter les contraintes physiques intrinsèques aux robots continus.

En raison de la complexité des modèles de déformation utilisés pour représenter les robots continus, les méthodes d’estimation issues de la robotique rigide ont jusqu’à présent été peu exploitées dans le domaine de la robotique déformable. La majorité des travaux proposés dans la littérature repose sur des hypothèses simplificatrices, telles que la courbure constante ou l’approximation quasi-statique, ou bien sur des systèmes eux-mêmes simplifiés, comme les robots à une seule section. Dans ces conditions, l’application directe de ces méthodes à nos systèmes peut entraîner des erreurs d’estimation significatives.

En effet, ces derniers sont actionnés par des tendons et se distinguent par leur grande taille ainsi que par le nombre de leurs sections, respectivement 1, 2 et 3, ce qui leur permet d’atteindre de nombreuses formes complexes. De plus, leur taille permet d’abriter plus facilement un grand nombre de capteurs. Spécifiquement, nous utiliserons les données provenant de centrales inertielles positionnées à la base de chaque section. En contrepartie de ces avantages, ces robots sont généralement plus difficiles à modéliser, car des hypothèses valides pour des robots de petite taille, destinés à la chirurgie mini- invasive (mouvements quasi-statiques, courbures constantes, frottements négligeables, etc.), ne s’appliquent plus à ces robots.

Afin de pallier ces limites, nous proposons d’adopter un modèle dynamique de type Cosserat, issu du domaine de la mécanique, reconnu comme l’un des modèles les plus précis pour les robots continus. Celui-ci permet de représenter de manière adéquate les déformations dynamiques de robots continus de grande taille, à condition d’assumer un coût de calcul élevé.

Une fois l’estimateur d’état développé, il a pour vocation d’être intégré à une stratégie de commande en boucle fermée de la forme du robot. L’estimateur sera ainsi couplé à une commande prédictive (MPC). Les MPC et MHE ayant des structures similaires, les solutions du modèle Cosserat obtenues en résolvant le problème d’estimation pourront être partiellement réutilisées pour la commande, typiquement comme point de départ de l’optimisation. Les applications envisagées incluent la navigation dans un environnement encombré ainsi que la manipulation d’objets, qui nécessitent de déformer le robot selon de multiples modes de déformation, ce qui est possible grâce aux multiples sections et à la longueur importante des prototypes.

Équipe encadrante :

L’équipe encadrante sera constituée de Faïz Ben Amar et Azad Artinian.
Faïz Ben Amar est spécialisé dans la conception, la modélisation et la commande de systèmes complexes, notamment les robots continus et les robots mobiles dédiés à la navigation, à la saisie et à la manipulation d’objets.
Azad Artinian a mené des travaux sur la modélisation, la commande et l’estimation d’état de systèmes robotiques déformables, ainsi que sur la modulation active de leur raideur.

Informations générales :

– Laboratoire : Institut des Systèmes Intelligents et de la Robotique (ISIR), UMR 7222

– Établissement de rattachement : Sorbonne Université

– Titre de la thèse : Estimation d’état et commande de robots continus à plusieurs sections

– Directeur de thèse : Faïz Ben Amar (PU, SU), Azad Artinian (MCF, SU)

– Mail de contact : artinian@isir.upmc.fr

– Rattachement à un programme : ED SMAER

– Financement : Le financement est soumis au concours de l’ED

Profil et compétences recherchées :

– Master ou Diplôme d’ingénieur

– Connaissances en robotique, commande, estimation et vision.

– Compétences en programmation avancée.

– Niveau d’anglais requis: Intermédiaire supérieur. Vous pouvez utiliser la langue de manière efficace et vous exprimer précisément.

Modalité de candidature :

Les candidats pourront candidater en ligne directement sur adum jusqu’au 18 mai 2026.

Pour être examinés avec impartialité, les dossiers des candidat.e.s doivent être établis avec les pièces listées ci-dessous.

Pièces à joindre au dossier:

– CV détaillé du.de la candidat.e et lettre de motivation cadrant son projet personnel avec celui du laboratoire, sur le sujet retenu.

– Avis du.de la responsable du master d’origine avec ECTS acquises, parcours, UE validées, classement et moyenne du. de la candidat.e. Comme le jury définitif du master ne se sera pas réuni à la date de dépôt du dossier, mentionner les résultats aux épreuves théoriques, les ECTS acquises. Le classement du. de la candidat.e dans les différents semestres de sa scolarité et en particulier au premier semestre de M2 sont des pièces obligatoires pour une évaluation équitable du. de la candidat.e.

– La fiche d’évaluation du stage ou l’avis du.de la responsable de stage

Si votre dossier est retenu vous serez convoqué(e) pour une audition devant une commission au cours de laquelle vous présenterez votre sujet muni de 4 transparents (des informations complémentaires vous seront communiquées ultérieurement ).

Télécharger l’offre de thèse

Sujet de stage : Navigation résiliente sur terrains précaires avec un Ballbot

Résumé :

Cette proposition de stage décrit un projet de recherche visant à doter un ballbot de la capacité de surmonter les obstacles qu’il pourrait rencontrer lors de sa navigation. L’objectif de ce travail est de définir les actions de contrôle optimales pour franchir un obstacle fixe au sol, en tenant compte de la vitesse du robot, de l’angle d’approche du robot par rapport à l’objet, et des variations d’inertie du robot (par exemple via le mouvement des bras).

La méthodologie proposée implique une analyse préliminaire des paires action-senseur optimales en mesurant la distance par rapport à l’équilibre, l’accélération des moteurs au niveau de la base, tout en réalisant plusieurs simulations/expériences à différentes vitesses, angles d’approche et variations d’inertie. Une fonction de récompense ad hoc sera mise en œuvre afin d’évaluer les paires action-senseur optimales.

Les résultats attendus incluent l’identification d’une série de conditions permettant la réussite des manœuvres.

Objectifs du stage :

Les principaux objectifs de ce stage pourraient être de réaliser un ensemble de simulations/expériences afin d’évaluer : 1) les mesures pertinentes pour le problème, 2) les actions de contrôle à entreprendre, 3) la fonction de récompense permettant de vérifier qu’un obstacle a été franchi.

Profil recherché : Étudiants en master (M2)

Compétences requises : Théorie du contrôle, Robotique, Programmation (Python, C++, ROS 2, Matlab/Simulink)

Informations générales :

– Encadrant·e·s : Dr. Dario Sanalitro, Prof. Guillaume Morel

– Date de début du stage : Mars 2026

– Durée du stage : 6 mois

– Niveau d’études souhaité : Master 2 en Informatique, automatique, mécatronique, electronique, robotique ou domaines apparentés

– Laboratoire d’accueil : ISIR (Institut des Systèmes Intelligents et de Robotique), Campus Pierre et Marie Curie, 4 place Jussieu, 75005 Paris.

Personne à contacter :

– Dario SANALITRO ; sanalitro@isir.upmc.fr

– Envoyer votre candidature par mail, avec [sujet du stage] en objet, un CV et une lettre de motivation.

– Il n’y a pas de poste de stage ouvert à ce jour ; les opportunités sont étudiées au cas par cas selon les profils des candidats.

Télécharger l’offre de stage