Home » Teams » Amac » Nicolas Fontbonne

  • Nicolas Fontbonne

  • Doctorant
  • Équipe: Amac
  • Bureau: 310
  • Email: nicolas.fontbonne@sorbonne-universite.fr
  • Site web: https://www.linkedin.com/in/nicolas-fontbonne/
  • Bio: Doctorant supervisé par Nicolas Bredeche (ISIR, SU) et Nicolas Maudet (SMA, LIP6) sur le sujet Apprentissage de la coopération et estimation de la contribution individuelle pour la robotique en essaim adaptative.
    Mes recherches portent sur la coopération entre robots dans un contexte où ils doivent apprendre leur politique de contrôle de manière autonome. Ces politiques sont optimisées avec des algorithmes d'apprentissage automatique qui tirent parti d'une fonction de récompense pour augmenter progressivement les performances. La structure de cette fonction va influencer significativement la dynamique d'apprentissage et donc les comportements possibles des agents.
    Le premier axe concerne systèmes où les agents reçoivent individuellement une récompense locale adaptée à leurs actions et doivent converger vers un comportement collectif optimal. Dans ce contexte, j'étudie les algorithmes d'Embodied Evolution, et notamment l'algorithme Horizontal Information Transfert qui permet l'optimisation distribué en ligne d'essaim de robot.
    Le second axe concerne des systèmes où la récompense est donnée globalement à toute l'équipe. Ainsi, cette évaluation ne représente pas nécessairement la performance de chaque agent et il peut être difficile de calculer une contribution individuelle. J'étudie ainsi la dynamique des algorithmes de co-évolution cooperative (CCEA) sur des problèmes de répartition de ressource et d'exploration de rover. Ces algorithmes permettent une estimation de la contribution marginale des agents et un compromis entre qualité d'évaluation et vitesse d'exécution.

Publications

  • Nicolas Fontbonne, Nicolas Maudet, Nicolas Bredeche. Cooperative Co-Evolution and Adaptive Team Composition for a Multi-Rover Resource Allocation Problem. European Conference on Genetic Programming, Apr 2022, Madrid, Spain. pp.179-193, ⟨10.1007/978-3-031-02056-8_12⟩. ⟨hal-03842174⟩
    [ HTTP | PDF ]
  • Nicolas Bredeche, Nicolas Fontbonne. Social learning in swarm robotics. Philosophical Transactions of the Royal Society B: Biological Sciences, 2022, 377 (1843), pp.20200309. ⟨10.1098/rstb.2020.0309⟩. ⟨hal-03500739⟩
    [ HTTP | PDF ]
  • Paul Ecoffet, Nicolas Fontbonne, Jean-Baptiste André, Nicolas Bredeche. Policy Search with Rare Significant Events: Choosing the Right Partner to Cooperate with. PLoS ONE, 2022, PLoS ONE, 17 (4), pp.e0266841. ⟨10.1371/journal.pone.0266841⟩. ⟨hal-03315730⟩
    [ HTTP | PDF ]
  • Paul Ecoffet, Nicolas Fontbonne, Jean-Baptiste André, Nicolas Bredeche. Reinforcement Learning with Rare Significant Events: Direct Policy Search vs. Gradient Policy Search. Genetic and Evolutionary Computation Conference Companion, 2021, Lille (en ligne), France. ⟨hal-03315728⟩
    [ HTTP | PDF ]
  • Nicolas Fontbonne, Olivier Dauchot, Nicolas Bredeche. Distributed On-line Learning in Swarm Robotics with Limited Communication Bandwidth. IEEE Congress on Evolutionary Computation, 2020, Glasgow (virtual), United Kingdom. ⟨10.1109/CEC48606.2020.9185697⟩. ⟨hal-03175237⟩
    [ HTTP | PDF ]