Ce dépôt de code source contient des ressources et outils dédiés à l'étude et à la simulation des principes de la mécanique classique de niveau avancé. Il permet aux chercheurs, enseignants et étudiants d'accéder à des modèles théoriques, des algorithmes et des implémentations pour explorer des concepts comme la dynamique des systèmes, les équations de Lagrange ou les problèmes à N corps.

Ce projet est un dépôt expérimental dédié à la simulation et à l'analyse de systèmes robotiques. Il permet de calculer des grandeurs physiques comme le centre de masse, les vitesses, les accélérations ou les matrices jacobiennes pour des robots multi-corps. Il facilite également l'intégration et la gestion de configurations robotiques complexes.

Le projet rbdl_catkin est un wrapper pour la bibliothèque Rigid Body Dynamics Library (RBDL), qui permet la simulation de dynamique de corps rigides et le calcul de mouvement et de force dans des systèmes mécaniques. Il est utilisé pour le développement de robots et d'applications de contrôle.

Le projet siconos-tutorials fournit des exemples et des documents pour l'utilisation de Siconos, un logiciel de simulation de systèmes mécaniques et de dynamique des systèmes. Il permet de modéliser et d'analyser le comportement de systèmes physiques complexes, tels que des mécanismes à plusieurs corps.

Ce projet implémente des contraintes dynamiques pour la simulation de robots et systèmes mécaniques. Il permet de modéliser les interactions entre des corps en contact, d'optimiser les mouvements en tenant compte des forces de frottement et des contraintes d'impact. Utilisé dans la robotique avancée, il facilite la planification de trajectoires sûres et précises pour des robots en interaction avec leur environnement.

Simulation de corps déformables utilisant une formulation similaire au système KKT pour les contraintes rigides, régularisée à l'aide d'une matrice de compliance.

Système open source conçu pour entraîner des modèles de traitement automatique des langues (NLP) capables de gérer plusieurs tâches simultanément. Il permet de prédire plusieurs sorties à partir d'une seule entrée, comme la transcription de texte, l'étiquetage morpho-syntaxique ou la traduction multilingue. Utilisé notamment pour des corpus annotés comme le TArC, il améliore la qualité des résultats en combinant des informations au niveau des tokens et des caractères. Idéal pour les projets nécessitant une approche multi-tâches en NLP.