‹ Retour à l’annuaire

Fabien Moutarde

Fabien Moutarde

Professeur

Centre · CAOR

Discipline(s)
Signal, image, automatique, robotique et génie industriel
Thème(s)
Robotique

Biographie

Fabien Moutarde est un chercheur dont les travaux se situent à l’intersection de l’intelligence artificielle, de la robotique et de la perception multimodale. Ses recherches couvrent des thématiques variées, allant des algorithmes de vision par ordinateur à l’intégration de données sensorielles multiples (vision, son, Wi-Fi) pour des applications en localisation et navigation autonome. Son expertise s’étend également à l’apprentissage par renforcement, où il explore des méthodes innovantes pour améliorer l’efficacité et la robustesse des agents autonomes, notamment dans des environnements complexes comme la conduite urbaine ou la manipulation robotique. Ses contributions incluent des approches hybrides combinant réseaux de neurones profonds et stratégies d’imitation, avec un accent sur la généralisation et l’adaptabilité des systèmes. Les applications pratiques de ses travaux touchent des domaines tels que la robotique collaborative, les véhicules autonomes et la compréhension des interactions humaines en milieu urbain.

Publication(s)

Enseignements

Introduction au Machine-Learning

Responsable

Théorie de l’apprentissage statistique ; typologie des applications ; réseaux neuronaux (MLP, convNets …) ; méthodes à noyaux et Support Vector Machines (SVM) ; méthodes ensemblistes : dopage (boosting) et forêts aléatoires ; clustering (k-means, DBSCAN, …) ; attention & transformers ; réseaux récurrent (RNN)

Large-Scale Machine-Learning

Responsable

From cancer research to finance, natural language processing, marketing or self-driving cars, many fields are nowadays impacted by recent progress in machine learning algorithms that benefit from the ability to collect huge amounts of data and "learn" from them. The goal of this intensive 5-days ADVANCED course is to present the theoretical foundations and practical algorithms to implement and solve modern machine learning problems, and to expose the students to current applications and challenges of Machine Learning in science and industry.

Direction(s) de thèse(s)

  • 2025 Perception sémantique par analyse spatio-spectrale de la scène. IVANOVA Ivanina
  • 2024 Apprentissage par Renforcement pour la prédiction et la planification dans la conduite automatisée DOULAZMI Waël
  • 2024 Prédiction de mouvement impliquant intéractions agent à agent et modélisation multimodale AZEVEDO TONÉ Caio
  • 2024 Multi-Modal Foundation Model for 4D Scene Understanding and Synthesis WANG Fusang
  • 2023 perception active pour la compréhension de scène nocturne via l’éclairage du véhicule DE MOREAU Simon
  • 2022 Raisonnement multimodal pour la reconstruction géométrique et acoustique de scènes BRUNETTO Amandine
  • 2021 Intégrer des connaissances expertes dans des méthodes d'apprentissage par renforcement profond pour la conduite autonome CHEKROUN Raphaël
  • 2020 Prédiction intelligente des trajectoires de véhicules, dans différents scenarii de conduite autonome GILLES Thomas
  • 2019 Analyse des mouvements et gestes des piétons via caméra embarquée pour la prédiction de leurs intentions GESNOUIN Joseph
  • 2019 Apprentissage profond par Renforcement et Démonstrations, pour le comportement de robots manipulateurs BUJALANCE MARTIN Jesús
  • 2018 Apprentissage par renforcement du contrôle d’un véhicule autonome à partir de la vision TOROMANOFF Marin
  • 2016 Localisation d'un robot humanoïde en milieu intérieur non-contraint NOWAKOWSKI Mathieu
  • 2016 Apprentissage profond pour les séries temporelles multivarieées : contrôle de véhicule autonome, reconnaissance de gestes et génération de mouvement DEVINEAU Guillaume