Soutenance de Thèse : Fabian Schramm repousse les frontières de l'apprentissage et du contrôle en robotique

Le DIM AI4IDF félicite chaleureusement Fabian Schramm pour la soutenance réussie de sa thèse de doctorat intitulée « Samples That Matter: Principled Policy Learning for Robotics », menée au sein de l'École Normale Supérieure (ENS-PSL) et de l'équipe-projet WILLOW (Inria Paris).

Soutenus activement par l'écosystème francilien, ses travaux s’attaquent à l'un des plus grands défis de l'IA incarnée : rendre l'apprentissage des robots stable, éco-efficient en données et mathématiquement robuste face aux imprévus du monde réel.

L'Enjeu Scientifique : Apprivoiser l'Algorithme par la Physique
En robotique, la prise de décision par l'apprentissage par renforcement (RL) ou le contrôle optimal est souvent traitée comme un simple problème d'optimisation mathématique. Or, sans une structuration algorithmique stricte, les robots sont très sensibles et deviennent instables, lents à apprendre et vulnérables aux micro-changements d'environnement.

L'unicité et la force des travaux de Fabian Schramm résident dans l'introduction de biais inductifs fondés sur la structure même des problèmes physiques. Ses recherches démontrent qu'au lieu de massifier aveuglément les données de simulation, il faut contrôler précisément trois piliers :

• L'exploration intelligente : Générer et échantillonner uniquement les trajectoires porteuses de sens (« samples that matter »).
• La propagation géométrique du gradient : Améliorer l'apprentissage en exploitant les dérivées premières de l'environnement (Sobolev RL).
• La confiance des données : Filtrer et sélectionner rigoureusement les expériences à haute valeur lors des mises à jour des politiques de contrôle. 

Liste Officielle des Publications de Thèse
Les travaux de Fabian Schramm ont fait l'objet d'une production scientifique exceptionnelle, validée par les plus grandes conférences mondiales en IA, apprentissage automatique et robotique (ICRA, RSS, ICLR, ICML).

Algorithmes Principaux de la Thèse (Parties II & III)

Contrôle par échantillonnage et planification opérationnelle

• Reference-Free Sampling-Based Model Predictive Control F. Schramm, P. Fabre, N. Perrin-Gilbert, J. Carpentier — ICRA 2026
• Variance-Reduced Model Predictive Path Integral via Quadratic Model Approximation F. Schramm, F. Nguimatsia Tiofack, N. Perrin-Gilbert, M. Toussaint, J. Carpentier — RSS 2026

Apprentissage par Renforcement (RL) Online & Offline

• First-order Sobolev Reinforcement Learning F. Schramm, N. Perrin-Gilbert, J. Carpentier — NeurIPS Workshop (DiffCVML) 2025
• Guided Flow Policy: Learning from High-Value Actions in Offline Reinforcement Learning F. Nguimatsia Tiofack*, T. Le Hellard*, F. Schramm*, N. Perrin-Gilbert, J. Carpentier (*Égale contribution) — ICLR 2026

Contributions logicielles et co-publications de l'écosystème
Ces publications complètent l'environnement de recherche en intégrant des briques d'optimisation mathématique et de simulation différentiable à haute efficacité :

• ProxQP : an Efficient and Versatile Quadratic Programming Solver for Real-Time Robotics Applications and Beyond — IEEE Transactions on Robotics, 2025
• Leveraging augmented-Lagrangian techniques for differentiating over infeasible quadratic programs in machine learning — ICLR 2024
• Leveraging Randomized Smoothing for Optimal Control of Nonsmooth Dynamical Systems — Nonlinear Analysis: Hybrid Systems, 2024
• End-to-end and highly-efficient differentiable simulation for robotics — arXiv preprint, 2024
• Sampling-Based Global Optimal Control and Estimation via Semidefinite Programming — ACC 2026
• SVL : Goal-Conditioned Reinforcement Learning as Survival Learning — ICML 2026
• Survival Reinforcement Learning: Toward Scalable Self-Supervised RL — arXiv preprint, 2026

Le DIM félicite Fabian, en tant que talent de l'IA, venu d'Allemagne pour faire rayonner la recherche sur le territoire francilien et lui souhaite le meilleur pour la suite. Découvrez l'ensemble de la thèse soutenue par Fabian sur le lien ci-joint.