Johann Huber

Johann Huber

Auto-generated profile, based on publicly available information

Johann Huber

Sorbonne Université, CNRS, ISIR*, Paris, 75005, France

Research Focus & Metrics

Academic Career Length

25Years (2002-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
7 November 2002
Verified
Conference Paper
Closed access
MBM. Breiling
M. Breiling
SPS. Peeters
S. Peeters
JHJ. Huber
J. Huber
We propose a new algorithm for turbo code interleaver design, which is based on the conventional s-random approach and whose complexity grows only linearly with the interleaver length.

31 December 2024 in IEEE Robotics & Automation Magazine
Verified
Journal Article
Open access
Alejandro SuarezAlejandro Suarez
Alejandro Suarez
RKRainer Kartmann
Rainer Kartmann
DLDaniel Leidner
Daniel Leidner
LRLuca Rossini
Luca Rossini
JHJohann Huber
Johann Huber
AAAlin Albu-Schäffer
Alin Albu-Schäffer
Logistics and service operations involving parcel preparation, delivery, and unpacking from a supply point to a user’s home could be carried out completely by robots in the near future, taking advantage of the capabilities of the different robot morphologies for the logistics, outdoor, and domestic environments. The use of robots for parcel delivery can contribute to the goals of sustainability and reduced emissions by exploiting their different locomotion modalities (wheeled, legged, and aerial). This article reports the development and results obtained from the first robotics hackathon celebrated as part of the European Robotics and Artificial Intelligence Network involving eight robotic platforms in three domains: 1) an industrial robotic arm for parcel preparation at the supply point, 2) a Centauro robot, a dual-arm aerial manipulator, and a wheeled-legged quadruped for parcel transportation, and 3) two humanoid robots and two commercial mobile manipulators for parcel delivery and unpacking in domestic scenarios. The article describes the joint operation and the evaluation scenario, the features and capabilities of the robots, particularly those involved in the realization of the tasks, and the lessons learned.

3 April 2026 in Evolutionary Computation
Verified
Journal Article
Closed access
JHJohann Huber
Johann Huber
FHFrançois Helenon
François Helenon
MCMiranda Coninx
Miranda Coninx
FAFaïz Ben Amar
Faïz Ben Amar
SDStéphane Doncieux
Stéphane Doncieux
Quality-Diversity (QD) methods are algorithms that aim to generate a set of diverse and high-performing solutions to a given problem. Originally developed for evolutionary robotics, most QD studies are conducted on a limited set of domains—mainly applied to locomotion, where the fitness and the behavior signal are dense. Grasping is a crucial task for manipulation in robotics. Despite the efforts of many research communities, this task is yet to be solved. Grasping cumulates unprecedented challenges in QD literature: it suffers from reward sparsity, behavioral sparsity, and behavior space misalignment. The present work studies how QD can address grasping. Experiments have been conducted on 15 different methods on 10 grasping domains, corresponding to two different robot-gripper setups and five standard objects. The obtained results show that MAP-Elites variants that select successful solutions in priority outperform all the compared methods on the studied metrics by a large margin. We also found experimental evidence that sparse interaction can lead to deceptive novelty. To our knowledge, the ability to efficiently produce examples of grasping trajectories demonstrated in this work has no precedent in the literature.

15 July 2023
Verified
Conference Paper
Open access
JHJohann Huber
Johann Huber
OSOumar Sane
Oumar Sane
MCMiranda Coninx
Miranda Coninx
FAFaïz Ben Amar
Faïz Ben Amar
SDStéphane Doncieux
Stéphane Doncieux
Robotic grasping refers to making a robotic system pick an object by applying forces and torques on its surface. Despite the recent advances in data-driven approaches, grasping still needs to be solved. In this work, we consider grasping as a Diversity Search problem, where we attempt to find as many solutions as possible that verify a sparse binary criterion. We propose a variant of a state-of-the-art QD method for grasping based on a divide-and-conquer paradigm to handle grasping discontinuities. Experiments conducted on 3 different robot-gripper setups and several standard objects show that this variant outperforms state-of-the-art for generating diverse repertoires of grasping trajectories.


8 April 2026
Verified
Thesis
Closed access
JHJohann Huber
Johann Huber
Apprentissage de la saisie d'objets en robotique via des données générées par qualité-diversité: L'apprentissage de la saisie d'objets un prérequis au développement de machines capables de soulager les humains de tâches fastidieuses dans des environnements non structurés. Après une longue période d'hégémonie des approches analytiques, les méthodes basées sur les données ont révolutionné le domaine en entraînant avec succès des politiques capables de saisir des objets inconnus divers. Malgré les récentes avancées en matière d'intelligence artificielle, les méthodes de pointe pour l'apprentissage de la préhension restreignent l'espace opérationnel afin d'éviter le problème des récompenses éparses, se traduisant par des politiques de préhension aux capacités d'adaptation limitées. Les algorithmes de qualité-diversité visent à générer un ensemble de solutions diverses et performantes à un problème donné. Bien que ces méthodes soient bien connues pour leur efficacité dans les problèmes d'exploration difficiles, elles sont presque toujours utilisées pour les tâches de locomotion. Les récentes avancées dans les méthodes d'intelligence artificielle montrent que les capacités de généralisation requièrent des ensembles de données de grande taille et de qualité. Cette thèse vise à exploiter la méthode qualité-diversité pour générer de grands ensembles de données de saisie, et à les utiliser pour fournir des capacités de saisie à des robots réels. Le manuscrit s'appuie sur deux questions sous-jacentes : comment générer automatiquement des données de saisies avec les algorithmes de qualité-diversité, et comme exploiter ces données sur robot réel. La première partie résume les connaissances actuelles sur la saisie robotique et sur les algorithmes de qualité-diversité, et souligne les défis inhérents à ces domaines. La deuxième partie se concentre sur la génération de données au travers de trois contributions: 1) la génération de trajectoires de saisies diverses et performantes, 2) l'étiquetage de ces données pour le transfert sur robot réel, et 3) l'extension des précédents résultats à la génération de saisies centrées sur l'objet. La troisième partie aborde la question de l'exploitation des données au travers de trois autres contributions : 1) comment exploiter directement ces données via un module basé vision pour saisir des objets connus, 2) comment entraîner des réseaux de neurones profonds avec ces données pour apprendre à saisir des objets inconnus, et 3) dans quelle mesure la taille du jeu de donnée généré a un impact sur les performances. La quatrième partie du manuscrit discute les contributions présentées au regard des publications récentes, et les perspectives des travaux de la thèse. Enfin sont abordés les potentiels échos de ces travaux sur la société, au travers des questions d'emploi, de soutenabilité, d'éthique, mais aussi en discutant une collaboration entre arts et sciences. Nous pensons que ces travaux constituent une étape importante vers le développement d'outils robotiques intelligents, capables de résoudre des tâches en milieux non-structurés, de manière à pouvoir libérer l'humain d'un grand nombre de tâches dangereuses ou fastidieuses.