Stage de recherche – Robotique et Intelligence Artificielle F/H

Contexte

Le groupe Siléane, acteur majeur de la robotique adaptative en France, propose des solutions innovantes de robotique associée à la vision et à l’IA pour automatiser les process à hautes exigences technologiques et réglementaires de nombreux secteurs industriels.

Le groupe Siléane intervient auprès de ses clients sur des projets de R&D, de machine spéciale ou d’ensemblier, mais propose également une offre de machines de gammes (Flowpick, Rovaldy, Kamido) ainsi que des prestations de service.

Dans le cadre d'une collaboration entre Siléane et le LAAS-CNRS, nous proposons un stage de recherche de 6 mois visant à faire progresser l'intelligence artificielle physique (Physical AI) appliquée à la robotique industrielle. Ce stage s'inscrit dans le projet de recherche MAGMA, qui explore comment des agents intelligents peuvent comprendre, décomposer, planifier et exécuter des tâches complexes de manipulation robotique sur de longs horizons temporels.

Ce projet a déjà donné lieu à plusieurs contributions scientifiques, notamment MAGMA-GEN [1], accepté à Conference on Robot Learning (CoRL 2026), ainsi que les travaux en cours sur MAGMA-BENCH [2], un environnement d'évaluation d’agents robotiques confrontés à des tâches complexes et dynamiques. Bien que les approches actuelles montrent des capacités prometteuses, des défis majeurs subsistent concernant la coordination de plusieurs robots, l'optimisation de l'exécution des tâches et l'adaptation des plans face aux événements imprévus. L'objectif de ce stage est d'étudier

Objectifs de recherche

Le stage se situe à l'intersection de l'IA agentique (Agentic AI), de la planification de tâches et des systèmes multi-robots. La principale question de recherche est la suivante :

Comment des agents intelligents peuvent-ils combiner des représentations structurées des tâches, des capacités de raisonnement et des méthodes de planification classiques pour coordonner efficacement plusieurs robots dans des environnements dynamiques ?

Le stage s'articulera autour de deux axes de recherche principaux.

1. Architecture d'agents et représentation des tâches

• Étudier et proposer de nouvelles architectures pour la planification de tâches robotiques à long horizon.
• Explorer différentes représentations structurées des tâches, notamment les graphes de tâches, la planification hiérarchique et les représentations symboliques.
• Étudier comment les grands modèles de langage (Large Language Models, LLMs) peuvent interagir avec des approches de planification classiques, telles que les planificateurs basés sur PDDL, les méthodes d'optimisation sous contraintes, ainsi que les stratégies d'allocation et d'ordonnancement des tâches pour la coordination multi-robots [3].
• Étudier comment les agents peuvent réagir aux événements imprévus, aux échecs d'exécution et à l'évolution des exigences des tâches.
• Évaluer les compromis entre la qualité de la planification, le coût computationnel et les capacités d'adaptation.

2. Évaluation expérimentale et benchmarking

• Utiliser MAGMA-GEN et MAGMA-BENCH pour générer des scénarios et évaluer les architectures proposées.
• Concevoir de nouveaux scénarios multi-robots intégrant des dépendances entre tâches, des ressources partagées et des événements dynamiques.
• Comparer les approches proposées aux architectures d'agents et aux méthodes de planification existantes.
• Valider certaines capacités sur de véritables plateformes robotiques industrielles.

Le ou la stagiaire sera encouragé(e) à prendre des initiatives, explorer des idées originales et contribuer activement aux orientations scientifiques du projet, depuis l'étude de l'état de l'art jusqu'à l'évaluation expérimentale. Ce stage pourra déboucher sur une publication scientifique et d'éventuelles opportunités professionnelles.

Profil recherché

Nous recherchons un(e) étudiant(e) motivé(e) en Master 2 (ou équivalent), spécialisé(e) en intelligence artificielle, robotique, informatique ou dans un domaine connexe.

Nous apprécions particulièrement les candidatures de personnes ayant déjà exploré l'intelligence artificielle à travers des stages de recherche, des projets universitaires, des contributions open source ou des projets personnels.

Compétences requises

• Bonnes compétences en programmation Python.
• Bonne compréhension du Machine Learning et des méthodes modernes d'intelligence artificielle.
• Bonnes pratiques de développement logiciel (architecture modulaire, qualité du code, expérimentation).
• Capacité à comprendre et implémenter des méthodes issues d'articles scientifiques.
• Autonomie, curiosité et créativité.

Compétences appréciées

• Expérience avec les LLMs, l'IA agentique ou le fine-tuning de modèles de langage.
• Connaissances en planification de tâches et de mouvements (Task and Motion Planning), PDDL ou méthodes d'optimisation.
• Connaissances en apprentissage par renforcement (Reinforcement Learning) ou en apprentissage par imitation (Imitation Learning).
• Expérience avec des environnements de simulation robotique (Isaac Sim, ManiSkill, etc.).
• Familiarité avec Git, Linux et C++.
• Première expérience avec des systèmes robotiques ou des environnements multi-agents.

Il n'est pas nécessaire de maîtriser l'ensemble de ces sujets ! Nous recherchons avant tout une personne désireuse d'explorer de nouvelles approches, d'expérimenter et de relever des défis scientifiques stimulants.

Informations pratiques

• Durée : 6 mois
• Niveau : Master 2 ou équivalent
• Lieu : Siléane – Saint-Étienne (42000), en présentiel
• Début : Février 2027 (date flexible)
• Langue de travail : Français ou anglais

Candidature

Pour postuler, merci d'envoyer :
● Votre CV
● Tout lien pertinent permettant de découvrir vos réalisations (GitHub, portfolio, LinkedIn, publications scientifiques, etc.)

Références bibliographiques
1. Loan Bernat, Matthieu Grard, Ariane Herbulot, Florent Lamiraux. MAGMA-GEN: Validated Recovery Supervision from Ambiguous Failures via Counterfactual Re-Execution. 10th Conference on Robot Learning (CoRL 2026), Conference on Robot Learning (CoRL), Nov 2026, Austin (Texas, USA), United States.
2. Loan Bernat, Matthieu Grard, Ariane Herbulot, Florent Lamiraux. MAGMA-Bench: Evaluating Long-Horizon Embodied Agents under Dynamic Tasks and Execution Failures. 2026.
3. Xiangyu Su, Juzhan Xu, Oliver van Kaick, Kai Xu, Ruizhen Hu. IMR-LLM: Industrial Multi-Robot Task Planning and Program Generation using Large Language Models. 2026 IEEE International Conference on Robotics and Automation (ICRA), pp. 7609–7616, June 2026, Vienna, Austria.

Réf: ef394e39-61df-4027-a745-b75370ceacff