Number of documents

5

David Filliat


Je suis professeur dans l'équipe Robotique et Vision de l'Unité Informatique et Ingénierie des Systèmes à l'ENSTA ParisTech. Je suis aussi membre de l'équipe INRIA/ENSTA ParisTech FLOWERS.

Mes recherches portent sur la robotique cognitive et plus particulièrement l'approche développementale de la robotique. Mon objectif est de développer des méthodes pour simplifier et rendre plus robuste l'utilisation de robots dans la vie courante et d'augmenter leur autonomie. Je m'intéresse plus particulièrement à la navigation sémantique et basée sur la vision, la perception multi-modale, l'apprentissage social et non supervisé et leurs applications aux robots humanoïdes et mobiles.


Natalia Díaz-Rodríguez   

Journal articles2 documents

  • Stéphane Doncieux, David Filliat, Natalia Díaz-Rodríguez, Timothy Hospedales, Richard Duro, et al.. Open-Ended Learning: A Conceptual Framework Based on Representational Redescription. Frontiers in Neurorobotics, Frontiers, 2018, 12, pp.59. ⟨10.3389/fnbot.2018.00059⟩. ⟨hal-01889947⟩
  • Timothée Lesort, Natalia Díaz-Rodríguez, Jean-François Goudou, David Filliat. State Representation Learning for Control: An Overview. Neural Networks, Elsevier, 2018, 108, pp.379-392. ⟨10.1016/j.neunet.2018.07.006⟩. ⟨hal-01858558⟩

Conference papers2 documents

  • Natalia Díaz-Rodríguez, Vincenzo Lomonaco, David Filliat, Davide Maltoni. Don't forget, there is more than forgetting: new metrics for Continual Learning. Workshop on Continual Learning, NeurIPS 2018 (Neural Information Processing Systems, Dec 2018, Montreal, Canada. ⟨hal-01951488⟩
  • Antonin Raffin, Ashley Hill, René Traoré, Timothée Lesort, Natalia Díaz-Rodríguez, et al.. S-RL Toolbox: Environments, Datasets and Evaluation Metrics for State Representation Learning. NIPS 2018 Deep RL workshop, Dec 2018, Montreal, Canada. ⟨hal-01931713⟩

Preprints, Working Papers, ...1 document

  • Timothée Lesort, Mathieu Seurin, Xinrui Li, Natalia Díaz Rodríguez, David Filliat. Unsupervised state representation learning with robotic priors: a robustness benchmark. 2017. ⟨hal-01644423⟩