Mo Chen
La nomination
Titulaire de chaire en IA Canada-CIFAR
Stratégie pancanadienne en matière d’IA
À Propos
Mo Chen est boursier et titulaire d’une chaire en IA Canada-CIFAR à l’Amii. Il est professeur adjoint à l’École d’informatique de l’Université Simon Fraser. Directeur du laboratoire de systèmes robotiques multi-agents (MARS) de l’Université Simon Fraser, il est un Distal Fellow du Réseau canadien du CRSNG en robotique.
Au laboratoire MARS, les recherches, qui se concentrent sur la prise de décision robotique fondée sur des principes, sont axées sur la combinaison de méthodes analytiques traditionnelles en robotique et de techniques modernes basées sur les données. Le laboratoire aborde les défis théoriques et informatiques de la sécurité robotique et des interactions humain-robot en associant la théorie du contrôle, la vision par ordinateur et l’apprentissage par renforcement. En intégrant les connaissances humaines et la compréhension des systèmes robotiques dans des algorithmes basés sur les données, Mo Chen aspire à rendre les robots plus sûrs et plus intelligents afin de permettre une utilisation plus répandue des systèmes robotiques, notamment dans les voitures autonomes, les véhicules aériens sans pilote et les robots domestiques. Ses recherches interdisciplinaires couvrent les domaines de la théorie du contrôle, de la vérification de la sécurité des robots, de la vision par ordinateur, de l’apprentissage par renforcement et des interactions humain-robot.
Prix
- Prix Eli Jury, Université de Californie à Berkeley, 2017
- Prix d’excellence commémoratif Demetri Angelakos, Université de Californie à Berkeley, 2016
Publications Pertinentes
- Asayesh, S., Chen, M., Mehrandezh, M., Gupta, K. (2020). « Least-Restrictive Multi-Agent Collision Avoidance via Deep Meta Reinforcement Learning and Optimal Control », IEEE International Conference on Robotics and Automation.
- Li, A., Bansal, S., Giovanis, G., Tolani, V., Tomlin, C., Chen, M. (2020). « Generating Robust Supervision for Learning-Based Visual Navigation Using Hamilton-Jacobi Reachability », Proceedings of the 2nd Conference on Learning for Dynamics and Control, PMLR 120:500-510.
- Bansal, S., Chen, M., Tanabe, K., Tomlin, C. J. (2020). « Provably Safe and Scalable Multivehicle Trajectory Planning », IEEE Transactions on Control Systems Technology.
- Chen, M., Herbert, S. L., Hu, H., Pu, Y., Fisac, J. F., Bansal, S., ... et Tomlin, C. J. (2020). « FaSTrack: a Modular Framework for Real-Time Motion Planning and Guaranteed Safe Tracking », IEEE Transactions on Automatic Control (TAC).
- Ivanovic, B., Harrison, J., Sharma, A., Chen, M., Pavone, M. (2019). Barc: Backward Reachability Curriculum for Robotic Reinforcement Learning, 2019 International Conference on Robotics and Automation (ICRA), p. 15-21.
Soutenez-nous
Le CIFAR est un organisme de bienfaisance enregistré qui reçoit le soutien des gouvernements du Canada, de l’Alberta et du Québec, ainsi que de fondations, de donateurs individuels, d’entreprises et de partenaires canadiens et internationaux.