Doctorant(e) en IA pour drones autonomes à Paris - CDI dès 2026

Détail du poste

Établissement : Institut Polytechnique de Paris Télécom Paris École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Laboratoire de recherche : Laboratoire de Traitement et Communication de l'Information Direction de la thèse : Laurent PAUTET ORCID 000000030888187X Début de la thèse : 2026-10-01 Date limite de candidature : 2026-09-01T23:59:59 Le domaine de la robotique aérienne connaît une transformation majeure, portée par le développement de véhicules aériens sans pilote (UAV) hautement autonomes et par l'émergence de concepts opérationnels centrés sur les réseaux. L'orientation stratégique évolue ainsi de systèmes monolithiques isolés vers des architectures distribuées, dans lesquelles des équipes d'agents autonomes collaborent afin d'accomplir des tâches complexes. Cette évolution vers des systèmes aériens collaboratifs promet une amélioration significative de l'efficacité opérationnelle grâce à une résilience accrue par la redondance, à une gestion plus efficace des missions de grande envergure par la parallélisation des actions, ainsi qu'à l'extension des capacités globales de perception et de réaction du système.

Cependant, la concrétisation de ce potentiel dépend de la capacité à relever d'importants défis scientifiques et technologiques. La coordination efficace de plusieurs UAV évoluant dans un environnement dynamique, imprévisible et contraint exige des avancées fondamentales qui dépassent les paradigmes traditionnels de commande. Deux piliers interdépendants sont au coeur de cette problématique : d'une part, la capacité de chaque UAV à exécuter des trajectoires optimales et réactives (commande individuelle) et, d'autre part, la capacité des agents à prendre des décisions collectives cohérentes (coordination multi-agents). Cette thèse se situe à l'intersection de ces deux domaines afin de développer un cadre unifié pour des systèmes aériens collaboratifs à la fois robustes et performants.
The field of aerial robotics is undergoing a significant transformation, driven by the development of highly autonomous Unmanned Aerial Vehicles (UAVs) and network-centric operational concepts. The strategic focus is shifting from single, monolithic systems to distributed architectures where teams of autonomous agents collaborate to performcomplex tasks. This evolution towards collaborative aerial systems promises a substantial increase in operational effectiveness through enhanced resilience via redundancy, the ability to efficiently manage large-scale tasks through parallelized actions, and the expansion of the system's overall sensing and response capabilities. optimally and react to unforeseenevents(e.g.,dynamic obstacles, system faults)
within a highly dynamic and constrained flight environment.
To design decentralized collaboration mechanisms for the execution of complex, multi-
part tasks. Building upon robust individual control capabilities, this axis focuses
on collective decision-making. The goal is to enable the team of UAVs to self-
coordinate for missions such as cooperative environmental monitoring or large-
scale infrastructure inspection by dynamically allocatingroles and resources The research program is structured into two complementary phases that progressively integrate trajectory control and multi-agent coordination.

Phase 1 - Optimal Trajectory Control: This phase focuses on enabling autonomous UAVs to generate safe, agile, and optimal trajectories in dynamic and uncertain environments. By combining game theory with reinforcement learning, trajectory planning is formulated as a dynamic decision-making problem in which each UAV adapts its actions in response to other intelligent or unpredictable agents.

Phase 2 - Multi-Agent Collaboration: This phase addresses the coordination of multiple UAVs using Multi-Agent Reinforcement Learning (MARL). The research will develop collaborative behaviors for tasks such as coordinated area coverage and dynamic role allocation, enabling UAV teams to maximize mission efficiency, reduce redundant actions, and adaptively assign specialized roles according to the mission context and the state of each agent.

Le profil recherché

Le candidat devra être titulaire d'un Master 2 (ou équivalent) dans l'un des domaines suivants : apprentissage par renforcement, systèmes multi-agents, optimisation de trajectoires ou robotique collaborative. Une très bonne maîtrise de l'anglais, à l'écrit comme à l'oral, est attendue.