INSA LYON - CITI

ESMARTCITY

Enabling Smarter City in the MED Area through Networking
Keywords: 
SMART CITY
SMART LIGHTING
INTERNET OF THINGS
Project Leader: 
ABRUZZO REGION
INSA’s scientific leader: 
Hervé RIVANO

The main objective of ESMARTCITY is the improvement of the innovation capacity of the cities in the MED region by creating innovative ecosystems, involving Quadruple Helix actors. To this end, the project aims to pilot the ideas of the Smart City, using digital technologies and energy efficiency technologies to provide better services to the citizens with less environmental impact.

The project stands up to the challenge of enhancing the necessary public authority/citizen pull to match the already existing technology push driving at large the Smart City market. To this end it will enroll to a multinational pilot deployment in the MED area related to the application areas of intelligent districts, smarter energy and smarter lighting. Furthermore, it will test its sustainability with experimentation and co-creation scenarios and intervening in MED territory innovation policy change strategies.

The expected project results are

  • Upgrade of existing innovative clusters in the MED area integrating Smart City concept
  • Networking activities led by existing innovation clusters involving Smart City community Quadruple Helix actors
  • Making MED territorial policies more efficient to improve city ecosystem innovation capacities

http://https://esmartcity.interreg-med.eu/

INSA Challenge: 
Information et Société Numérique
Partners: 
ATHENA RESEARCH AND INNOVATION CENTER
ENERGY AGENCY OF GRANADA
ENERGY AND ENVIRONMENT AGENCY OF ARRABIDA
REGION OF WESTERN GREECE
METROPOLITAN CITY OF MILAN
POLITECNICO DI MILANO
CAPENERGIES
INSA LYON - CITI
Funding Institution: 
INTERREG MED
Dates - Duration: 
2017-09-01 00:00:00 to 2020-07-01 00:00:00
Funding: 
1992400

DELICIO

Données et a priori, apprentissage et contrôle
Project Leader: 
INSA LYON - LIRIS
INSA’s scientific leader: 
Christian WOLF
Apprendre ou modéliser, prendre le meilleur
 

Les dernières années ont été marquées par l’essor du Machine Learning (ML), qui a permis des gains en performances significatifs dans plusieurs domaines d'application. Outre les progrès méthodologiques indéniables, ces gains sont souvent attribués à des grandes quantités de données d'entraînement et à la puissance de calcul, qui ont conduit à des avancées dans la reconnaissance de la parole, la vision par ordinateur et le traitement automatique de la langue. Dans ce projet, nous proposons d'étendre ces avancées à la prise de décision séquentielle d'agents dans un contexte de planification et de contrôle.

Dans le contexte du contrôle robuste d’agents tels que les drones, les robots mobiles, les bras robotiques etc., nous proposons un projet de recherche fondamentale. Dans ce cadre, les méthodes de l'automatique (théorie du contrôle) se sont établies comme méthodologies dominantes pour les applications où un modèle physique de l'agent et/ou de l'environnement peut être obtenu. Ces approches fondées sur un modèle sont puissantes car elles reposent sur une compréhension approfondie du système et peuvent exploiter des relations physiques établies. En revanche, cette modélisation est difficile à obtenir en présence de grandes incertitudes, par exemple dans le cas du contrôle à partir d'observations visuelles dans les environnements complexes.

L’intelligence artificielle, et surtout le Machine Learning, est une méthodologie alternative qui vise à apprendre des modèles complexes à partir de quantités souvent massives de données. Les processus décisionnels de Markov (MDP) et l'apprentissage par renforcement (RL) fournissent un cadre mathématique pour les applications de contrôle dans lesquelles les agents sont entraînés à partir d'interactions passées avec un environnement. Ces dernières années, cette méthodologie a été associée aux réseaux de neurones profonds, qui jouent le rôle d'approximateurs de fonctions. Cette stratégie a permis de lever de nombreux verrous scientifiques dans certaines applications comme le contrôle des jeux (Go, Atari, DOTA, etc).

Alors que dans de nombreuses applications, l'apprentissage automatique est devenu la méthodologie prédominante, le contrôle robuste et bas niveau (horizon court) d'agents physiques reste un domaine dans lequel l'ingénierie de contrôle ne peut pas être remplacée à l'heure actuelle. Cela s'explique principalement par (i) un manque de stabilité des agents entraînés à partir de données, (ii) l'absence de garanties fournies pour l'apprentissage automatique, (iii) le manque de puissance de calcul d'un grand nombre de plateformes embarquées.

Dans ce contexte, le projet le projet DeLiCio propose des recherches fondamentales à cheval entre les domaines IA/ML d’un coté et de l’automatique de l’autre coté, ciblant des contributions algorithmiques prévues sur l'intégration de modèles, de connaissances a priori et de l’apprentissage automatique pour le contrôle et les boucles perception / action. Nous proposons

- l’apprentissage automatique (l’identification) de modèles pour le contrôle ;

- l’apprentissage de représentations de l’état d’un agent pour le contrôle ;

- l’ajout de biais inductive pour les agents appris par apprentissage par renforcement garantissant stabilité et robustesse;

- Le contrôle robuste et décentralisé de système multi-agents basé sur le ML et l’automatique.

Site internet du projet : https://projet.liris.cnrs.fr/delicio

Partners: 
ONERA
INSA LYON - CITI
UCBL - LAGEPP
Funding Institution: 
ANR
Dates - Duration: 
2019-10-01 00:00:00 to 2023-09-01 00:00:00
Funding: 
540000
Contact: 
christian.wolf@insa-lyon.fr