Le thème de ce travail de recherche concerne la commande des systèmes non linéaires et s'applique à la conduite des mouvements au sol des avions de transport. Un modèle de la dynamique des mouvements de l'avion au sol a été élaboré et validé par comparaison avec des données réelles. Une architecture globale des systèmes de pilotage au sol des avions de transport a été proposé et a conduit à la synthèse de lois de pilotage et de guidage en manuel et en automatique concernant les mouvements longitudinaux et latéraux de l'avion au sol. La phase de roulage à l'atterrissage a été plus particulièrement étudiée. De plus, cette thèse a été l'occasion de mettre en ¿uvre la technique de synthèse de lois de commande par inversion de la dynamique ainsi que les techniques neuronales pour la génération de trajectoires de consigne. Les validations par des simulations non linéaires et par des essais en vol confirment les performances des lois de commande proposées et la viabilité des architectures fonctionnelles associées.

Dans de nombreux problèmes industriels, une simple évaluation de la fonction objectif est coûteuse en temps de calcul et son gradient peut ne pas être disponible. Il est alors utile de construire un modèle, rapide à évaluer et facilement dérivable, qui approche le problème étudié. En apportant de nombreuses améliorations à l'apprentissage, nous avons montré que les réseaux de neurones peuvent répondre à ces exigences. En particulier, là où des méthodes neuronales classiques introduisent des oscillations pour approcher une fonction lisse,notre méthode donne un résultat satisfaisant. Mieux encore, notre méthode permet d'approcher des fonctions oscillantes (par exemple le résultat d'un programme entaché d'erreurs numériques), par un modèle lisse. Nous parvenons à ces résultats par le concours de nombreuses méthodes de régularisation : la méthode de Tikhonov, la stratégie d'arrêt de l'apprentissage, la taille du modèle et pour terminer l'utilisation de la méthode de Gauss-Newton (GN). Cette approche de régularisation permet en plus d'éviter les minima locaux (qui posent un serieux problème pour les méthodes classiques), en augmentant la taille du modèle pour assurer l'apprentissage et en la réduisant ensuite pour la régularisation. Pour les problèmes de grande taille, l'application de la méthode de Gauss-Newton est très " gourmande " en place mémoire. Cependant, en combinant les modes adjoint et direct de la différentiation automatique, nous avons proposé une implémentation " zéro-mémoire " qui nous permet d'appliquer cette méthode. Ce procéde, présenté dans le cadre des réseaux neuronaux peuvent, a priori, être adaptés à tout problème inverse. Dans le littérature récente, mais riche sur le sujet, les fonctions définies par un réseau neuronal classique sont optimisées par des techniques globales très coûuteuses. Dans notre cas, nous profitons des qualités du modèle obtenu (régularité, rapidité d'évaluation et disponibilité du gradient pour un coût supplémentaire négligeable) pour utiliser des méthodes d'optimisation efficaces. Nous illustrerons la pertinence de la méthode proposée par différents exemples académiques, reconnus par leur difficulté, et par des exemples issus de l'industrie automobile et l'ingénierie pétrolière.

Les instruments optiques a bord de satellite mesurent le rayonnement solaire reflechi par la mer et l'atmosphere. Ce rayonnement est fortement contamine par son interaction avec l'atmosphere dans les longueurs d'ondes qui interessent la couleur de l'ocean. L'elimination prealable de cette contanimation pour observer la veritable couleur de l'eau est appele correction atmospherique. Ce travail se focalise sur l'algorithme de correction atmospherique du capteur SeaWiFS. Il montre l'apport des methodes mathematiques que sont les reseaux de neurones artificiels et l'inversion variationnelle pour les algorithmes de correction atmospherique. Une premiere inversion par reseaux de neurones dans le proche infra-rouge permet de restituer les proprietes optiques des aerosols. Ces restitutions sont comparees, sur la mer Mediterranee, avec les produits SeaWiFS et validees avec des mesures au sol, montrant une meilleure estimation du coefficient d'Angstrom et une estimation egale de l'epaisseur optique. La deuxieme inversion se fait sur tout le spectre visible et proche infra-rouge en combinant reseaux de neurones et inversion variationnelle. Les cartes de chlorophylle-a sont comparees, sur la meme zone, a des donnees in-situ montrant une meilleure estimation des faibles valeurs que l'algorithme SeaWIFS.

Nous nous sommes attachés à étudier les propriétés électrophysiologiques intrinsèques des neurones vestibulaires centraux. Notre objectif était de déterminer les propriétés fonctionnelles de différentes populations de neurones enregistrés au sein d'un même noyau. Plus précisément, deux types cellulaires ont été décrits au sein du noyau vestibulaire médian (NVM) à partir de la forme de leurs potentiels d'action : il s'agit des neurones de type A et B. Afin de comprendre la pertinence physiologique de cette classification, nous avons comparé les propriétés intrinsèques de groupes de neurones enregistrés dans différentes conditions au sein des noyaux vestibulaires centraux. Nous avons (1) étudié le comportement des neurones du NVM en conditions contrôles. (2) Nous avons étudié la plasticité post-lésionelle des propriétés intrinsèques de ces neurones. (3) Par la suite, nous avons comparé les neurones du NVM et du noyau vestibulaire latéral (NVL) en conditions normales. (4) Finalement nous avons comparé les propriétés des neurones vestibulaires enregistrés chez le cobaye à celles des neurones enregistrés chez la grenouille. Nos études de la plasticité à long terme des propriétés électrophysiologiques des neurones vestibulaires médians au cours de la compensation vestibulaire (1) et (2) nous ont permis de montrer que la labyrinthectomie unilatérale affecte différemment les neurones vestibulaires situés de part et d'autre du tronc cérébral. Les neurones ipsilatéraux à la lésion développent des propriétés de décharge plus toniques qu'en contrôle, alors que les neurones contralatéraux à la lésion développent des propriétés de décharge plus phasiques. D'un point de vue fonctionnel, certaines des modifications observées favoriseront la compensation comportementale des déficits induits par la labyrinthectomie unilatérale, mais d'autres rendront au contraire certaines réponses définitivement impossibles. Puis, en (3), l'extension de nos études aux neurones de Deiters du NVL chez le cobaye a montré comment la fonction particulière des cellules d'un noyau peut déterminer l'expression de leurs conductances. Finalement, en (4), la comparaison des propriétés des neurones vestibulaires centraux de deux espèces nous a permis de proposer une organisation des voies centrales vestibulaires en voies fréquentielles complémentaires de traitement des informations sensorielles. Au sein de chaque espèce, nous retrouvons la même distinction fonctionnelle entre les neurones toniques à réponses plutôt linéaires et les neurones phasiques pourvus de non-linéarités importantes, suggérant une conservation de l'organisation de base du système vestibulaire chez les Vertébrés. L'ensemble de mes résultats peut être interprété dans le cadre d'une coadaptation des propriétés intrinsèques et des entrées synaptiques reçues par les neurones.

Les neurosciences computationnelles sont traditionnellement dominées par la conception selon laquelle les neurones codent l'information à travers leur fréquence de décharge. Récemment, les observations expérimentales de synchronisation neuronale ont motivé un renouveau du point de vue impulsionnel, selon lequel la structure temporelle des décharges est pertinente. Les modèles impulsionnels étant moins bien compris que leurs homologues fréquentiels, nous commençons par établir des résultats théoriques généraux, qui nous permettent en particulier de montrer que les modèles impulsionnels répondent de manière reproductible aux stimulations variables apériodiques. Cette propriété nous permet de construire un modèle de sélectivité à l'orientation dans le cortex visuel, le perceptron impulsionnel, qui, en détectant une propriété géométrique de l'image plutôt que l'adéquation entre l'image et un patron, permet d'obtenir avec une architecture feedforward une invariance naturelle au contraste.

Ce travail porte sur des techniques à base d'équations aux dérivées partielles et de réseaux de neurones pour le traitement d'images. L'approximation des réseaux de neurones par des systèmes de réaction-diffusion nous a permis de définir un nouveau modèle de diffusion anisotrope de type Volterra pour le filtrage sélectif d'images bruitées. La loi d'évolution régissant le tenseur de diffusion traduit des lois d'apprentissage synaptiques naturelles. L'étude de la dynamique de ces réseaux à synapses adaptatives montre qu'ils possèdent des propriétés d'attractivité et de stabilité asymptotique au sens de Lyapunov. Les images traitées sont donc obtenues sur les asymptotiques en temps du modèle. Les techniques présentées dans cette thèse améliorent de manière importante le pré-traitement d'images car elles ne nécessitent qu'une connaissance (\em a priori) d'un paramètre de contraste sur l'image désirée et permettent la restauration des images ayant subi jusqu'à 90\% de niveau de bruit et la segmentation des images médicales d'echographie

Le sujet de cette thèse se situe à l'intersection des domaines de la robotique mobile et des réseaux de neurones artificiels (RNA). Notre objectif est d'étudier les solutions que peuvent apporter les techniques connexionnistes aux problèmes particuliers posés par la commande automatique d'un robot de type voiture. Ce mémoire se compose de deux parties principales. La première d'entre elles traite des aspects fondamentaux de la commande d'un robot mobile et de l'utilisation des réseaux de neurones artificiels pour la commande de systèmes complexes. Cette première étude nous permet de mettre en évidence les différents points sur lesquels les réseaux de neurones peuvent jouer un rôle dans une architecture de commande conférant une véritable autonomie de mouvements au véhicule, tout en respectant les contraintes de robustesse et de rapidité de réaction induites par l'utilisation d'un robot de la taille et de la vitesse d'une voiture. Nous proposons dans la deuxième partie du mémoire plusieurs contrôleurs permettant d'accroître progressivement l'autonomie du robot. Nous nous intéressons tout d'abord à une tâche simple consistant uniquement à asservir le robot sur une trajectoire de référence issue d'un planificateur. Notre approche autorise une adaptation continue du système face à d'éventuels changements des paramètres du robot ou de son environnement. Afin de permettre la réalisation de manoeuvres sans consignes extérieures, nous proposons également une méthodologie pour la réalisation de contrôleurs basés sur l'utilisation des capteurs externes du véhicule. Notre appoche utilise un modèle alliant des caractéristiques issues de la logique floue et des RNA. Enfin nous montrons comment des tâches complexes peuvent être réalisées à partir de l'enchaînement de plusieurs contrôleurs simples. Notre réalisation du système de sélection de ces contrôleurs, utilisant un RNA récurrent, possède des capacités de robustesse et autorise des réactions très rapides face à l'ensemble des événements extérieurs qui doivent pouvoir être pris en compte.

Cette thèse est une étude de méthodes permettant d'estimer des fonctions valeur avec des réseaux de neurones feedforward dans l'apprentissage par renforcement. Elle traite plus particulièrement de problèmes en temps et en espace continus, tels que les tâches de contrôle moteur. Dans ce travail, l'algorithme TD(lambda) continu est perfectionné pour traiter des situations avec des états et des commandes discontinus, et l'algorithme vario-eta est proposé pour effectuer la descente de gradient de manière efficace. Les contributions essentielles de cette thèse sont des succès expérimentaux qui indiquent clairement le potentiel des réseaux de neurones feedforward pour estimer des fonctions valeur en dimension élevée. Les approximateurs de fonctions linéaires sont souvent préférés dans l'apprentissage par renforcement, mais l'estimation de fonctions valeur dans les travaux précédents se limite à des systèmes mécaniques avec très peu de degrés de liberté. La méthode présentée dans cette thèse a été appliquée avec succès sur une tâche originale d'apprentissage de la natation par un robot articulé simulé, avec 4 variables de commande et 12 variables d'état indépendantes, ce qui est sensiblement plus complexe que les problèmes qui ont été résolus avec des approximateurs de fonction linéaires.

Dans cette thèse, nous traitons de l'extension supersymétrique minimale du Modèle Standard (MSSM). Dans un premier temps, Nous analysons les conséquences de l'introduction des phases supersymétriques dans le MSSM. Nous examinons la stabilité des limites obtenues sans phases pour la recherche de charginos pour une énergie de 189 GeV par l'expérience DELPHI du LEP. Ensuite, nous montrons l'importance des corrélations de spin pour l'extraction des paramètres du MSSM à partir des distributions angulaires des particules finales. Pour celà nous utilisons la méthode des amplitudes d'hélicité pour le calcul des sections efficaces associées à la production des particules supersymétriques. Enfin, nous développons une analyse pour la recherche des partenaires supersymétriques des électrons et des muons (sélectrons et smuons) lors des collisions électron positron avec le détecteur DELPHI du LEP. Nous utilisons une méthode fondée sur un réseau de neurones pour extraire le signal (deux leptons acoplanaires de même saveur et de charges opposées) des processus issus du Modèle Standard (les processus W+W- et les processus à deux photons). L'analyse des données recueillies pour les énergies de collision de 184 à 202 GeV, soit une luminosité équivalente de 440pb-1 n'a montré aucune déviation significative par rapport aux prédictions du Modèle Standard. Nous avons donc établi une limite inférieure sur la masse du sélectron et du smuon.

Cette thèse se concentre sur les interactions émotionnelles en robotique autonome. Le robot doit pouvoir agir et réagir dans un environnement naturel et faire face à des perturbations imprédictibles. Il est donc nécessaire que le robot puisse acquérir une autonomie comportementale à savoir la capacité d'apprentissage et d'adaptation en ligne. En particulier, nous nous proposons d'étudier quels mécanismes introduire pour que le robot ait la capacité de se constituer une perception des objets de son environnement qui puisse être partagée par celle d'un partenaire humain. Le problème sera de faire apprendre à notre robot à préférer certains objets et à éviter d'autres objets. La solution peut être trouvée en psychologie dans ce que l'on appelle "référencement social" ("social referencing") qui consiste à attribuer une valeur à un objet grâce à l'interaction avec un partenaire humain. Dans ce contexte, notre problème est de trouver comment un robot peut apprendre de manière autonome à reconnaître les expressions faciales d'un partenaire humain pour ensuite les utiliser pour donner une valence aux objets et permettre leur discrimination. Nous nous intéresserons à comprendre comment des interactions émotionnelles avec un partenaire peuvent amorcer des comportements de complexité croissante tel que le référencement social. Notre idée est que le référencement social aussi bien que la reconnaissance d'expressions faciales peut émerger d'une architecture sensori-motrice. Sans connaissance de ce que l'autre est, le robot devrait réussir à apprendre des tâches "sociales" de plus en plus complexes. Nous soutenons l'idée que le référencement social peut être amorcé par une simple cascade d'architectures sensori-motrices qui à la base ne sont pas dédiées aux interactions sociales. Cette thèse traite de plusieurs sujets qui ont comme dénominateur commun l'interaction sociale. Nous proposons tout d'abord une architecture capable d'apprendre à reconnaître de manière autonome des expressions faciales primaires grâce à un jeu d'imitation entre une tête expressive et un expérimentateur. Les interactions avec le dispositif robotique commençeraient par l'apprentissage de 5 expressions faciales prototypiques. Nous proposons ensuite une architecture capable de reproduire des mimiques faciales ainsi que leurs différents niveaux d'intensité. La tête expressive pourra reproduire des expressions secondaires par exemple une joie mêlée de colère. Nous verrons également que la discrimination de visages peut émerger de cette interaction émotionnelle à l'aide d'une rythmicité implicite qui se crée entre l'homme et le robot. Enfin, nous proposerons un modèle sensori-moteur ayant la capacité de réaliser un référencement social. Trois situations ont pu être testées: 1) un bras robotique capable d'attraper et de fuir des objets selon les interactions émotionnelles venant du partenaire humain. 2) un robot mobile capable de rejoindre ou d'éviter certaines zones de son environnement. 3) une tête expressive capable d'orienter son regard dans la même direction que l'humain tout ! en attribuant des valeurs émotionnelles aux objets via l'interaction expressive de l'expérimentateur. Nous montrons ainsi qu'une séquence développementale peut émerger d'une interaction émotionnelle de très bas niveau et que le référencement social peut s'expliquer d'abord à un niveau sensori-moteur sans nécessiter de faire appel à un modèle de théorie de l'esprit.