Phd Position F - m Anticipating Human Behavior For Human-Robot Interaction H/F INRIA
Montbonnot-Saint-Martin - 38 CDD- 2 100 € / mois
- 🏠 Télétravail partiel
- 🕑 36 mois
- Bac +3, Bac +4
- Bac +5
- Service public des collectivités territoriales
Les missions du poste
PhD Position F/M Anticipating Human Behavior for Human-Robot Interaction
Le descriptif de l'offre ci-dessous est en Anglais
Type de contrat : CDD
Niveau de diplôme exigé : Bac +5 ou équivalent
Fonction : Doctorant
A propos du centre ou de la direction fonctionnelle
Le centre de recherche Inria de l'Université Grenoble Alpes regroupe un peu moins de 600 personnes réparties au sein de 23 équipes de recherche et 7 services support à la recherche.
Son effectif est distribué sur 3 campus à Grenoble, en lien étroit avec les laboratoires et les établissements de recherche et d'enseignement supérieur (Université Grenoble Alpes, CNRS, CEA, INRAE...), mais aussi avec les acteurs économiques du territoire.
Présent dans les domaines du calcul et grands systèmes distribués, logiciels sûrs et systèmes embarqués, la modélisation de l'environnement à différentes échelles et la science des données et intelligence artificielle, Inria Grenoble - Rhône-Alpes participe au meilleur niveau à la vie scientifique internationale par les résultats obtenus et les collaborations tant en Europe que dans le reste du monde.
Contexte et atouts du poste
Collaboration between Inria team THOTH and the multidisciplinary institute in artificial intelligence (MIAI) in Grenoble
Research activities in MIAI aim to cover all aspects of AI and applications of AI with a current focus on embedded and hardware architectures for AI, learning and reasoning, perception and interaction, AI & society, AI for health, AI for environment & energy, and AI for industry 4.0.
The close connection to University of Grenoble Alpes offers additionally many oportunities for collaboration, further training and networking within and cross research fields.
Mission confiée
Theme/Domain
The PhD research will focus on developing approaches for context-dependent motion generation. Our goal is to integrate concepts from generative modeling and representation learning, specifically using conditional variational autoencoders (VAEs). VAEs are known for learning compact representations of input data. Previous work has explored methods to modulate these learned representations [1,2], enabling the generation of context-aware outputs. The potential applications of this research are diverse. We will develop these methods with a particular emphasis on synthesizing robot manipulation strategies and facilitating human-robot handover tasks.
Context and Motivation
Even after many years of research in human-robot interaction, current systems still struggle to understand users' intentions, goals, and needs, making IT difficult for them to anticipate human actions. The lack of a common representation of behavioral skills that would enable mutual anticipation of actions limits the ability of robots to interact and collaborate effectively with humans. Our goal is to develop a synthetic system capable of context-aware behavior generation that proactively adapts to users' future actions by monitoring their movements and predicting their intentions during interactions.
Contact
The thesis will BE jointly supervised by Pia Bideau (THOTH), Karteek Alahari (THOTH) and Xavier Alameda Pineda (RobotLearn).
Please apply with the typical application documents : CV, certificates (MSc degree), research statement and two references. We will screen applications on a rolling basis. The position will BE filled as soon as a suitable candidate is found.
Principales activités
Summary
This project aims to synthesize adaptive behavior, e.g. to adapt the take to the give in case of human-robot handover tasks. Collaborative tasks, such as human-to-robot handovers, demand a nuanced understanding and anticipation of human actions. These tasks require not only the ability to classify for example the type of the human grasp accurately but also to anticipate future actions effectively.
To achieve this, the project will :
- Identify human hand-object configurations : Develop algorithms to identify and classify the positioning and interaction of human hands with objects. This involves understanding the object's shape and its impact on the human grasp pose.
- Synthesize the corresponding robot grasp : Create robot grasp strategies that are adapted to align with the actions of the human collaborator.
By combining these elements, the project seeks to create a more intuitive but practical human-robot interaction framework. This will enable robots to better understand and predict human behavior, leading to smoother and more intuitive collaborations for a variety of handover tasks.
Goals
- Developing adaptable latent action representations : Utilize generative models to create latent action representations that can handle both classification and anticipation tasks. These representations will capture the underlying structure of human actions, allowing the system to recognize and predict behaviors more effectively.
- Addressing challenges of low data availability : Implement strategies to work effectively in environments with limited data. This may involve techniques such as transfer learning, data augmentation, and integrating physical knowledge to ensure robust performance despite scarce training examples.
- Managing initially unknown observations (e.g. unknown action classes) : Develop methods to identify and incorporate new, previously unseen classes of actions. This capability will enhance an agent's ability to function in dynamic and unpredictable environments.
References
[1] Halawa, M., Hellwich, O., & Bideau, P. (2022, October). Action-based contrastive learning for trajectory prediction. In European Conference on Computer Vision (ECCV) (pp. 143-159). Cham : Springer Nature Switzerland.
[2] Blume, F., Qu, R., Bideau, P., Maier, M., Rahman, R. A., & Hellwich, O. (2024). How Do You Perceive My Face? Recognizing Facial Expressions in Multi-Modal Context by Modeling Mental Representations. arXiv preprint arXiv :2409.02566.
[3] Karamcheti, S., Srivastava, M., Liang, P., & Sadigh, D. (2022, January). Lila : Language-informed latent actions. In Conference on Robot Learning (pp. 1379-1390). PMLR.
[4] Yang, W., Paxton, C., Cakmak, M., & Fox, D. (2020, October). Human grasp classification for reactive human-to-robot handovers. In 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (pp. 11123-11130). IEEE.
[5] Mousavian, A., Eppner, C., & Fox, D. (2019). 6-dof graspnet : Variational grasp generation for object manipulation. In Proceedings of the IEEE/CVF international conference on computer vision (CVPR) (pp. 2901-2910).
Compétences
- MSc degree in computer science or similar field
- Excellent English writing and communication skills
- Excellent software engineering and programming skills in Python (C++ is beneficial)
- Sophisticated technical backgroundin the following fields :robotics, machine learning and computer vision
- Industrial experience is a plus
- Interest in interdisciplinary research in the context of the MIAI Grenoble Alpes Institute
Avantages
- Restauration subventionnée
- Transports publics remboursés partiellement
- Congés : 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
- Possibilité de télétravail 90 jours/an fixes ou flottants et aménagement du temps de travail
- Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
- Prestations sociales, culturelles et sportives (Association de gestion des oeuvres sociales d'Inria)
- Accès à la formation professionnelle
- Participation Protection Sociale Complémentaire sous conditions
Rémunération
1st and 2nd year : 2 100 Euros gross salary /month
3rd year : 2190 Euros gross salary / month
L'adresse du poste
Localisez l'entreprise et calculez votre temps de trajet en un clic !
Calculer mon temps de trajet
Bienvenue chez INRIA
A propos d'Inria
Inria est l'institut national de recherche dédié aux sciences et technologies du numérique. Il emploie 2600 personnes. Ses 215 équipes-projets agiles, en général communes avec des partenaires académiques, impliquent plus de 3900 scientifiques pour relever les défis du numérique, souvent à l'interface d'autres disciplines. L'institut fait appel à de nombreux talents dans plus d'une quarantaine de métiers différents. 900 personnels d'appui à la recherche et à l'innovation contribuent à faire émerger et grandir des projets scientifiques ou entrepreneuriaux qui impactent le monde. Inria travaille avec de nombreuses entreprises et a accompagné la création de plus de 200 start-up. L'institut s'eorce ainsi de répondre aux enjeux de la transformation numérique de la science, de la société et de l'économie.
- Montbonnot-Saint-Martin - 38
- CDD
Créez une alerte
Pour être informé rapidement des nouvelles offres, merci de préciser les critères :
Finalisez votre candidature
sur le site du recruteur
Créez votre compte pour postuler
sur le site du recruteur !
sur le site du recruteur
sur le site du recruteur !
Ces offres pourraient aussi
vous intéresser
Recherches similaires
- Job Ingénieur en informatique industrielle
- Job Industrie
- Job Grenoble
- Job Voiron
- Job Bourgoin-Jallieu
- Job La Tour-du-Pin
- Job Morestel
- Job Saint-Marcellin
- Job La Mure
- Job Vienne
- Job Villard-de-Lans
- Job Salaise-sur-Sanne
- Job Technicien de maintenance industrielle
- Job Peintre industriel
- Job Mécanicien industriel
- Job Préparateur méthode
- Job Ingénieur en méthode et industrialisation
- Entreprises Industrie
- Entreprises Ingénieur en informatique industrielle
- Entreprises Montbonnot-Saint-Martin
- Job Fonction publique
- Job Collectivités
- Job Fonction publique territoriale
- Job Teletravail
- Job Numérique
- INRIA Montbonnot-Saint-Martin
- INRIA Ingénieur en informatique industrielle
{{title}}
{{message}}
{{linkLabel}}