David Filliat
12
Documents
Présentation
Je suis professeur dans l'équipe Robotique et Vision de l'Unité Informatique et Ingénierie des Systèmes à l'ENSTA ParisTech. Je suis aussi membre de l'équipe INRIA/ENSTA ParisTech FLOWERS.
Mes recherches portent sur la robotique cognitive et plus particulièrement l'approche développementale de la robotique. Mon objectif est de développer des méthodes pour simplifier et rendre plus robuste l'utilisation de robots dans la vie courante et d'augmenter leur autonomie. Je m'intéresse plus particulièrement à la navigation sémantique et basée sur la vision, la perception multi-modale, l'apprentissage social et non supervisé et leurs applications aux robots humanoïdes et mobiles.
Je suis professeur dans l'équipe Robotique et Vision de l'Unité Informatique et Ingénierie des Systèmes à l'ENSTA ParisTech. Je suis aussi membre de l'équipe INRIA/ENSTA ParisTech FLOWERS.
Mes recherches portent sur la robotique cognitive et plus particulièrement l'approche développementale de la robotique. Mon objectif est de développer des méthodes pour simplifier et rendre plus robuste l'utilisation de robots dans la vie courante et d'augmenter leur autonomie. Je m'intéresse plus particulièrement à la navigation sémantique et basée sur la vision, la perception multi-modale, l'apprentissage social et non supervisé et leurs applications aux robots humanoïdes et mobiles.
Publications
- 3
- 3
- 2
- 2
- 2
- 2
- 2
- 2
- 2
- 2
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 12
- 8
- 4
- 3
- 2
- 2
- 2
- 2
- 2
- 2
- 2
- 2
- 2
- 2
- 2
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
|
Demonstration Guided Actor-Critic Deep Reinforcement Learning for Fast Teaching of Robots in Dynamic EnvironmentsIFAC-PapersOnLine, 2020, 53 (5), pp.271-278. ⟨10.1016/j.ifacol.2021.04.227⟩
Article dans une revue
hal-03434380v1
|
|
Continual Learning for Robotics: Definition, Framework, Learning Strategies, Opportunities and ChallengesInformation Fusion, 2019, ⟨10.1016/j.inffus.2019.12.004⟩
Article dans une revue
hal-02381343v1
|
|
Open-Ended Learning: A Conceptual Framework Based on Representational RedescriptionFrontiers in Neurorobotics, 2018, 12, pp.59. ⟨10.3389/fnbot.2018.00059⟩
Article dans une revue
hal-01889947v1
|
|
State Representation Learning for Control: An OverviewNeural Networks, 2018, 108, pp.379-392. ⟨10.1016/j.neunet.2018.07.006⟩
Article dans une revue
hal-01858558v1
|
Continual Reinforcement Learning deployed in Real-life using Policy Distillation and Sim2Real TransferICML Workshop on “Multi-Task and Lifelong Reinforcement Learning”, Jun 2019, Long Beach, United States
Communication dans un congrès
hal-02285839v1
|
|
|
Deep unsupervised state representation learning with robotic priors: a robustness analysisIJCNN 2019 - International Joint Conference on Neural Networks, Jul 2019, Budapest, Hungary. pp.1-8, ⟨10.1109/IJCNN.2019.8852042⟩
Communication dans un congrès
hal-02381375v1
|
|
DISCORL: Continual reinforcement learning via policy distillationNeurIPS workshop on Deep Reinforcement Learning, Dec 2019, Vancouver, Canada
Communication dans un congrès
hal-02381494v1
|
Decoupling feature extraction from policy learning: assessing benefits of state representation learning in goal based roboticsSPiRL 2019 : Workshop on Structure and Priors in Reinforcement Learning at ICLR 2019, May 2019, Nouvelle Orléans, United States
Communication dans un congrès
hal-02285831v1
|
|
|
S-RL Toolbox: Environments, Datasets and Evaluation Metrics for State Representation LearningNeurIPS 2018 Workshop on “Deep Reinforcement Learning”, Dec 2018, Montreal, Canada
Communication dans un congrès
hal-01931713v1
|
|
Don't forget, there is more than forgetting: new metrics for Continual LearningWorkshop on Continual Learning, NeurIPS 2018 (Neural Information Processing Systems, Dec 2018, Montreal, Canada
Communication dans un congrès
hal-01951488v1
|
|
DREAM Architecture: a Developmental Approach to Open-Ended Learning in Robotics2020
Pré-publication, Document de travail
hal-02562103v1
|
Unsupervised state representation learning with robotic priors: a robustness benchmark2017
Pré-publication, Document de travail
hal-01644423v1
|