Ce projet développe des méthodes d'adaptation de domaine non supervisée pour analyser des images multitâches dans un contexte réaliste avec un décalage extrême des étiquettes. Il se concentre sur l'application aux observations du premier grand télescope (LST-1) de l'observatoire CTAO, où les données simulées ne correspondent pas aux observations réelles en raison du bruit et du déséquilibre des étiquettes. Les solutions proposées visent à améliorer la précision des modèles de reconstruction d'événements en intégrant des données réelles non étiquetées.

AMOEBA est un framework open source conçu pour modéliser et optimiser des systèmes complexes à l'aide d'agents autonomes. Il permet de simuler des interactions entre entités, d'analyser des données spatiales et de détecter des anomalies dans des environnements dynamiques. Utilisé dans des domaines comme la robotique, l'urbanisme ou la gestion de ressources, il facilite la prise de décision en temps réel et l'adaptation automatique des modèles.

KnowledgeCore est une base de connaissances sémantiques conçue pour les robots et les systèmes multi-agents. Elle permet de stocker et de gérer des données sous forme de triplets RDF/OWL, offrant des capacités de raisonnement logique avancé. Le projet facilite l'intégration dans des environnements dynamiques avec des modèles de connaissances séparés, des événements en temps réel et des requêtes complexes via SPARQL. Il est particulièrement adapté aux applications en robotique interactive ou collaborative.