Robot-WATCHDOG est un cadre de détection de défaillances pour les robots autonomes, utilisant une représentation par graphes spatio-temporels centrés sur les objets. Il identifie les erreurs relationnelles (saisie d'objets incorrects, violation d'ordre de tâches) en analysant les interactions entre objets dans des scènes dynamiques. Deux détecteurs complémentaires sont déployés : un transformateur graphique prédictif pour les environnements riches en données, et une méthode non paramétrique pour les scénarios avec peu d'exemples. Le système garantit un taux de faux positifs contrôlé grâce à la prédiction conforme, sans nécessiter de données d'échec.

FIDeL est un cadre de détection de défaillances pour les politiques d'apprentissage par imitation en robotique. Il combine des techniques de vision par ordinateur, d'alignement par transport optimal et de prédiction conforme pour identifier, localiser et filtrer sémantiquement les échecs en temps réel. Le système fonctionne sans interférer avec l'exécution des politiques robotiques et s'appuie sur des modèles de langage visuel pour enrichir l'analyse des anomalies.

Ce projet développe des modèles d'apprentissage profond pour estimer la durée de vie résiduelle (RUL) d'équipements industriels, notamment des turbines d'avion, à partir de données de capteurs. Il compare plusieurs architectures de réseaux de neurones pour prédire le nombre de cycles opérationnels restants avant une défaillance, facilitant ainsi la maintenance prédictive et l'optimisation des coûts.