Connecter l'apprentissage profond aux modèles dynamiques pour la gestion du trafic routier – CDDTM

Dans ce projet, nous construirons des commandes par retour d'état automatisées et robustes pour surveiller et contrôler le trafic routier. Nous y parviendrons en intégrant des systèmes dynamiques à des algorithmes d'apprentissage automatique et d'apprentissage par renforcement. Pour ce faire, nous nous pencherons sur les deux problèmes suivants :
1. Reconstruction de l'état du trafic en utilisant le calcul haute performance sur des méthodes d'apprentissage profond et des modèles dynamiques. De plus, des garanties théoriques seront obtenues en utilisant l'analyse statistique et la dérivation de modèles macroscopiques à partir de modèles microscopiques.
2. Stabilisation du trafic routier à l'aide de commandes par retour d'état explicites construites à partir de la théorie du contrôle et d'algorithmes d'apprentissage par renforcement.
Ce projet sera réalisé par une synergie d'expertises combinées en apprentissage automatique, apprentissage par renforcement, optimisation, théorie du contrôle et modèles dynamiques.