Planification optimale discrete et continue: un joueur de billard autonome optimise
Bibliographic record
Abstract
Le sujet de these de ce doctorat consiste en l'elaboration de methodes pour la planification dans les domaines avec aspects continus, discrets et stochastiques. Cette classe de probleme, bien qu'assez generale, ne comporte pas pour l'instant de solution efficace et est souvent traitee de facon discrete plutot que continue afin d'y appliquer les approches existantes. L'aspect stochastique apporte une difficulte supplementaire a la recherche d'un plan optimal, et rend le probleme d'autant plus interessant. L'ensemble des approches et methodes proposees dans cette these sont avant tout appliquees au jeu du billard, tout en gardant dans l'esprit qu'une generalisation permettrait son application a d'auties problemes similaires. En un premier lieu, une classification de ce type de probleme par rapport aux recherches existantes sera effectuee, suivie d'une courte revue des approches actuelles possiblement applicables pour la recherche d'une solution acceptable. Un modele general developpe dans le contexte du jeu du billard sera presente, ainsi que quelques indices sur la facon de le resoudre a l'aide de la programmation dynamique. Deuxiemement, un modele pour une approche a deux-couches sera propose, utilisant un controleur robuste profitant de la finesse qui peut etre exploitee des techniques d'optimisation non-lineaire. Finalement, le modele a deux-couches sera raffine et quelques heuristiques de planifications seront proposee, afin de guider le controleur de facon a determiner un plan efficace. On terminera a l'aide d'une synthese des resultats et une discussion sur les perspectives futures. Mots-cles: Optimisation, Controle Optimal, Modelisation, Planification, Intelligence Artificielle, Billard, Robotique, Programmation Dynamique
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".