english version inria   rennes-1   rennes-2   cnrs   irmar english version

ASPI : Applications statistiques des systèmes de particules en interaction


[Présentation | Personnel | Évènements | Publications | Emplois | Démos] + [en Français : Groupe de travail | site Filtrage particulaire]

Les offres en CDD peut être consultées ici new

ASPI est une équipe-projet commune (INRIA + université de Rennes 1 + université de Rennes 2 + CNRS) et fait partie de l'IRMAR (UMR 6625)
Objectifs

Les objectifs scientifiques d'ASPI sont la conception, l'analyse mathématique et la mise en œuvre numérique de méthodes de Monte Carlo avec interaction, ou méthodes particulaires, ou méthodes de Monte Carlo séquentielles (SMC), dédiées à

ASPI mène des activités de recherche de nature méthodologique, de façon à obtenir des résultats génériques, avec des techniques empruntées aux nombreuses disciplines qui ont contribué au domaine, i.e.

systèmes de particules en interaction, processus empiriques, algorithmes génétiques, modèles de Markov cachés et filtrage non-linéaire, statistique bayésienne, méthodes de Monte Carlo par chaîne de Markov (MCMC), etc.
et met en oeuvre ces techniques et ces résultats sur des exemples appropriés, dans le cadre de collaborations avec des partenaires industriels et académiques.

Fondements scientifiques

De manière intuitive, les méthodes de Monte Carlo avec interaction sont des méthodes de simulation séquentielles, dans lesquelles des particules

Ce mécanisme de mutation / sélection a pour effet de concentrer automatiquement les particules (i.e. la puissance de calcul disponible) dans les régions d'intérêt de l'espace d'état. Dans le cas particulier du filtrage particulaire, qui a de nombreuses applications sous le terme générique de localisation, navigation et poursuite, en
poursuite de cible, vision par ordinateur, robotique mobile, communications sans-fil, informatique ubiquitaire et intelligence ambiante, réseaux de capteurs, etc.
chaque particule représente un état caché possible, et est multipliée ou éliminée à la génération suivante au vu de sa cohérence avec l'observation courante, quantifiée par la fonction de vraisemblance. Avec ces algorithmes de type génétique, il devient facile de combiner efficacement un modèle a priori du déplacement avec ou sans contraintes, des mesures issues de capteurs, et une base de mesures de référence, par exemple sous la forme d'une carte numérique (modèle numérique de terrain, carte de couverture, etc.). Dans le cas le plus général, les méthodes particulaires fournissent des approximations de distributions de Feynman-Kac, au moyen de la distribution de probabilité empirique pondérée associée à un système de particules en interaction, avec des applications qui vont bien au-delà du filtrage, en
simulation d'évènements rares, optimisation boîte noire, simulation moléculaire, etc.

Axes de recherche

Relations industrielles et académiques

Documentation


inria   rennes-1   rennes-2   cnrs   irmar