Leslie Pack Kaelbling est une roboticienne américaine et professeure Panasonic d'informatique et d'ingénierie au Massachusetts Institute of Technology. Elle est largement reconnue pour avoir adapté les processus de décision markoviens partiellement observables de la recherche opérationnelle pour une application dans l'intelligence artificielle et la robotique. Ses travaux ont façonné la manière dont les systèmes autonomes raisonnent sur l'incertitude et agissent dans des environnements dynamiques.
Kaelbling a reçu le prix IJCAI Computers and Thought en 1997 pour avoir appliqué l'apprentissage par renforcement aux systèmes de contrôle embarqués et pour avoir développé des outils de programmation pour la navigation de robots. En 2000, elle a été élue membre de l'Association for the Advancement of Artificial Intelligence. Ses recherches couvrent la prise de décision sous incertitude, l'apprentissage automatique et la perception, avec un accent sur la capacité des robots à fonctionner de manière fiable dans le monde réel.
Jeunesse et éducation
Kaelbling a obtenu un A.B. en philosophie en 1983 à l'Université Stanford, suivi d'un doctorat en informatique en 1990, également à Stanford. Pendant ses études supérieures, elle était affiliée au Center for the Study of Language and Information, où elle a exploré les liens entre logique, raisonnement et action. Ses travaux de doctorat ont jeté les bases de ses contributions ultérieures à la planification et au contrôle probabilistes.
Son parcours interdisciplinaire - combinant philosophie et informatique - a informé son approche de l'IA, en particulier en cadrant le comportement intelligent comme un problème d'agir sous incertitude. Cette perspective est devenue une marque de fabrique de sa carrière, influençant à la fois les cadres théoriques et les systèmes robotiques pratiques.
Parcours professionnel
Après avoir obtenu son doctorat, Kaelbling a travaillé à SRI International et à la spin-off robotique affiliée Teleos Research. À SRI, elle a contribué aux premiers efforts en navigation de robots et en contrôle embarqué, développant des outils permettant aux robots de prendre des décisions basées sur des données de capteurs bruitées. Son passage à Teleos Research a fait le pont entre la recherche académique et les applications commerciales, lui donnant un aperçu des défis pratiques du déploiement de systèmes d'IA.
Au milieu des années 1990, Kaelbling a rejoint le corps professoral de l'Université Brown, où elle a établi un groupe de recherche axé sur l'apprentissage par renforcement et la robotique probabiliste. À Brown, elle a collaboré avec des collègues sur des articles fondateurs qui ont défini comment les robots pouvaient apprendre de l'interaction et planifier sous observabilité partielle. Elle est restée à Brown jusqu'en 1999, date à laquelle elle a déménagé au Massachusetts Institute of Technology.
Au MIT, Kaelbling est devenue professeure Panasonic d'informatique et d'ingénierie, un poste qu'elle occupe toujours. Son laboratoire au laboratoire d'informatique et d'intelligence artificielle du MIT a produit des travaux influents sur la planification de tâches et de mouvements, la prise de décision hiérarchique et les systèmes intégrés de perception-action. Elle a encadré de nombreux étudiants qui ont poursuivi des carrières éminentes dans le monde académique et industriel.
Contributions à l'apprentissage par renforcement
Les premiers travaux de Kaelbling en apprentissage par renforcement ont aidé à établir ce domaine comme un axe central de la recherche en IA. Son article de synthèse de 1996, "Reinforcement Learning: A Survey", co-écrit avec Michael L. Littman et Andrew W. Moore, reste l'une des références les plus citées dans le domaine. L'article a systématiquement organisé les algorithmes existants, les résultats théoriques et les applications, fournissant une feuille de route pour les recherches ultérieures.
Son prix IJCAI Computers and Thought de 1997 a reconnu ses contributions à l'application de l'apprentissage par renforcement aux systèmes de contrôle embarqués. Ces travaux ont démontré que les robots pouvaient apprendre des politiques directement de l'expérience, sans nécessiter de modèles explicites de leurs environnements. Elle a également développé des outils de programmation pour la navigation de robots permettant aux chercheurs de spécifier des objectifs de haut niveau tandis que le système gérait l'incertitude de bas niveau.
L'approche de Kaelbling mettait l'accent sur l'importance de représenter explicitement l'incertitude. Plutôt que de supposer une connaissance parfaite, ses systèmes maintenaient des distributions de probabilité sur les états possibles et les utilisaient pour guider la sélection d'actions. Cette perspective a été particulièrement influente en robotique, où les capteurs sont bruités et les actionneurs imprécis.
Processus de décision markoviens partiellement observables
Une contribution centrale de la carrière de Kaelbling est l'adaptation des processus de décision markoviens partiellement observables (POMDP) de la recherche opérationnelle à l'IA et à la robotique. Les POMDP fournissent un cadre mathématique pour la prise de décision lorsqu'un agent ne peut pas observer directement l'état complet de son environnement. Kaelbling et ses collaborateurs ont montré comment ces modèles pouvaient être utilisés pour la navigation et la planification de robots.
Son article de 1998, "Planning and acting in partially observable stochastic domains", co-écrit avec Littman et Anthony R. Cassandra, a introduit des algorithmes efficaces pour résoudre les POMDP et a démontré leur application à la navigation de robots mobiles. Ces travaux ont fait le pont entre l'IA théorique et la robotique pratique, montrant que les POMDP pouvaient gérer l'incertitude inhérente à la perception du monde réel.
Les travaux connexes de Kaelbling sur les modèles bayésiens discrets pour la navigation de robots mobiles, avec Cassandra et James A. Kurien, ont fourni des méthodes concrètes pour mettre à jour les croyances sur la position d'un robot à l'aide de données de capteurs. Ces techniques sont devenues fondamentales pour les développements ultérieurs en localisation et cartographie simultanées (SLAM) et en robotique probabiliste plus largement.
Journal of Machine Learning Research
Au printemps 2000, Kaelbling a joué un rôle central dans le mouvement du libre accès en IA. Elle et les deux tiers du comité éditorial de la revue Machine Learning détenue par Kluwer ont démissionné en signe de protestation contre ses archives payantes et la compensation financière limitée pour les auteurs. La démission était une action coordonnée pour contester le modèle d'édition commerciale qui restreignait l'accès à la recherche.
Kaelbling a cofondé le Journal of Machine Learning Research (JMLR) et en a été la première rédactrice en chef. JMLR était une revue en libre accès évaluée par les pairs qui permettait aux chercheurs de publier des articles gratuitement, de conserver leurs droits d'auteur et de rendre les archives librement disponibles en ligne. Ce modèle était révolutionnaire à l'époque et est depuis devenu une norme pour de nombreuses publications en IA.
En réponse à la démission massive, Kluwer a modifié sa politique d'édition pour permettre aux auteurs d'auto-archiver leurs articles en ligne après l'évaluation par les pairs. Kaelbling a noté que cette politique était raisonnable et aurait rendu la création d'une revue alternative inutile. Cependant, elle a observé que le changement de politique n'est venu qu'après la menace de démissions et la création effective de JMLR, soulignant l'importance de l'action collective dans l'édition savante.
Œuvres choisies et impact
Le parcours de publication de Kaelbling comprend plusieurs articles très influents. Son article de synthèse de 1996 sur l'apprentissage par renforcement, avec Littman et Moore, est paru dans le Journal of Artificial Intelligence Research et a été cité des milliers de fois. L'article POMDP de 1998 avec Littman et Cassandra, publié dans Artificial Intelligence, est également devenu une référence de base.
Ses travaux sur la planification hiérarchique de tâches et de mouvements, avec Tomás Lozano-Pérez, ont abordé le défi de combiner la planification de tâches au niveau discret avec la planification de mouvements continue. Leur article de 2011, "Hierarchical task and motion planning in the now", a présenté des méthodes pour entrelacer la planification et l'exécution en temps réel, permettant aux robots de gérer des tâches de manipulation complexes. Cette ligne de recherche a influencé les approches modernes de la manipulation robotique dans le monde académique et industriel.
Kaelbling a également contribué à l'apprentissage par renforcement pratique dans des espaces continus, avec William D. Smart, dans un article de 2000 présenté à la Conférence internationale sur l'apprentissage automatique. Ces travaux ont abordé le défi de faire évoluer l'apprentissage par renforcement vers des espaces d'états continus et de haute dimension, un problème qui reste central pour l'apprentissage par renforcement profond moderne.
Héritage et reconnaissance
L'influence de Kaelbling s'étend au-delà de ses propres recherches. En tant que professeure au MIT, elle a façonné la prochaine génération de roboticiennes et de chercheurs en IA. Son accent sur les méthodes probabilistes rigoureuses est devenu une pratique standard en robotique, influençant des domaines allant de la conduite autonome aux robots domestiques.
Son élection comme membre de l'Association for the Advancement of Artificial Intelligence en 2000 a reconnu ses contributions soutenues au domaine. Le prix IJCAI Computers and Thought, l'une des plus hautes distinctions en IA, a reconnu ses réalisations en début de carrière. Son rôle dans la fondation de JMLR a également eu un impact durable sur la manière dont la recherche en IA est diffusée, promouvant le libre accès avant qu'il ne devienne un mouvement répandu.
Les travaux de Kaelbling restent pertinents alors que les systèmes d'IA opèrent de plus en plus dans des environnements incertains et réels. Ses contributions fondatrices aux POMDP et à l'apprentissage par renforcement sous-tendent de nombreuses approches modernes en robotique et en prise de décision, de l'automatisation des entrepôts aux véhicules autonomes. Sa carrière illustre l'intégration de la rigueur théorique avec l'application pratique, un modèle qui continue d'inspirer les chercheurs en IA et en robotique.