No description available.

No description available.

It is now part and parcel of the official philosophical wisdom that models are essential to the acquisition and organisation of scientific knowledge. It is also generally accepted that most models represent their target systems in one way or another. But what does it mean for a model to represent its target system. Surprisingly, this issue has hardly been recognised, much less seriously discussed. In the first part, I introduce the problem of scientific representation and argue for its importance. In the second part, I provide a critique of the current orthodoxy, the semantic view of theories. Though writers in this tradition do not explicitly address the issue of scientific representation, the semantic view implies that a model represents by being isomorphic or, in another version, similar to its target. I argue that this view faces insurmountable problems because both isomorphism and similarity are notions too weak to endow a model with representational power. In the third part, I develop a theory of representation that overcomes the shortcomings of the semantic view. The leading idea consists in taking representation to be explained in terms of three relations: denotation, display and designation. A model denotes its target system in roughly the same way in which a name denotes its bearer. At the same time it displays certain aspects, that is, it possesses these aspects and a user of the model thematises them. Finally, an aspect of the model designates an aspect of the target if the former stands for the latter and a specification of how exactly the two relate is provided.

Cette thèse, intitulée "Contributions à l'apprentissage par renforcement inverse", fournit trois contributions majeures au domaine. La première est une méthode d'estimation de l'attribut moyen, une quantité exploitée par la grande majorité des approches constituant l'état de l'art. Elle a permis d'étendre ces approches au cadre batch et off-policy. La seconde contribution majeure est un algorithme d'apprentissage par renforcement inverse, structured classification for inverse reinforcement learning (SCIRL), qui relâche une contrainte standard du domaine, la résolution répétée d'un processus décisionnel de Markov en introduisant la structure temporelle (par le biais de l'attribut moyen) de ce processus dans un algorithme de classification structurée. Les garanties théoriques qui lui sont attachées et ses bonnes performances en pratique ont permis sa présentation dans une conférence internationale prestigieuse : NIPS. Enfin, la troisième contribution est constituée par la méthode cascaded supervised learning for inverse reinforcement learning (CSI) consistant à apprendre le comportement de l'expert par une méthode supervisée puis à introduire la structure temporelle du MDP par une régression mettant en jeu la fonction de score du classifieur utilisé. Cette méthode offre des garanties théoriques de même nature que celle de SCIRL tout en présentant l'avantage d'utiliser des composants standards pour la classification et la régression, ce qui simplifie la mise en oeuvre. Ce travail sera présenté dans une autre conférence internationale prestigieuse : ECML / This thesis, "Contributions à l'apprentissage par renforcement inverse", brings three major contributions to the community. The first one is a method for estimating the feature expectation, a quantity involved in most of state-of-the-art approaches which were thus extended to a batch off-policy setting. The second major contribution is an Inverse Reinforcement Learning algorithm, structured classification for inverse reinforcement learning (SCIRL), which relaxes a standard constraint in the field, the repeated solving of a Markov Decision Process, by introducing the temporal structure (using the feature expectation) of this process into a structured margin classification algorithm. The afferent theoritical guarantee and the good empirical performance it exhibited allowed it to be presentend in a good international conference: NIPS. Finally, the third contribution is cascaded supervised learning for inverse reinforcement learning (CSI) a method consisting in learning the expert's behavior via a supervised learning approach, and then introducing the temporal structure of the MDP via a regression involving the score function of the classifier. This method presents the same type of theoretical guarantee as SCIRL, but uses standard components for classification and regression, which makes its use simpler. This work will be presented in another good international conference: ECML

Cette thèse est consacrée à l'étude de la théorie des barrières pour les systèmes non linéaires sous contraintes d'entrées et d'état. La principale contribution concerne la généralisation au cas de contraintes mixtes, c'est-à-dire dépendant des entrées et de l'état de façon couplée. Ce type de contraintes apparaît souvent dans les applications et dans les systèmes différentiellement plats sous contraintes. On prouve un théorème du type principe du minimum qui permet de construire la barrière et l'ensemble admissible associé. De plus, dans le cas d'intersection de plusieurs trajectoires ainsi construites, on démontre que les points intersections transversaux sont des points d'arrêt de la barrière. Ces résultats sont utilisés pour calculer l'ensemble admissible d'un pendule inversé avec un câble non-rigide monté sur un chariot, la contrainte correspondant au fait que le câble reste tendu. Ce problème correspond en fait à la détermination de l'ensemble potentiellement sûr dans le cadre des systèmes hybrides. / This thesis deals with the theory of barriers in input and state constrained nonlinear systems. Our main contribution is a generalisation to the case where the constraints are mixed, that is they depend on both the input and the state in a coupled way. Constraints of this type often appear in applications, as well as in constrained flat systems. We prove a minimum-like principle that allows the construction of the barrier and the associated admissible set. Moreover, in case of intersection of some of the trajectories involved in this principle, we prove that such transversal intersection points are stopping points of the barrier.We demonstrate the utility of all the theoretical contributions by finding the admissible set for the inverted pendulum on a cart with a non-rigid cable, the constraint being that the cable remains taut. Note that this problem corresponds to the determination of potentially safe sets in hybrid systems.

Les travaux de recherche présentés dans ce mémoire portent sur la synthèse d'observateurs intervalles pour la commande tolérante aux fautes de systèmes incertains. La présence de défauts, d'incertitudes et de perturbations peut provoquer des réactions indésirables du système commandé. Dans ce contexte, nous avons développé deux approches de commande tolérante aux fautes basées sur des observateurs intervalles dans le cas où les défauts et les incertitudes sont inconnus mais bornés. La première approche, dite passive, permet de garantir la stabilité du système en boucle fermée y compris en présence de défauts actionneurs et/ou composants. La seconde approche, dite active, permet de compenser l'effet des défauts et d'assurer la stabilité et les performances désirées du système. Ces contributions sont validées par des simulations numériques. / The research work presented in this thesis focuses on the design of interval observers for fault-tolerant control of uncertain systems. The presence of faults, uncertainties and disturbances in automated systems often causes undesirable reactions. In this context, two approaches of fault tolerant control have been developed based on interval observers in the case where the faults and the uncertainties are unknown but bounded. The first approach is passive and consists in ensuring the closed loop system stability even in the presence of actuator and/or component faults. The second approach, an active one, compensates the fault effect and ensures the system stability and desired performances. These contributions are validated through numerical simulations.