L'objectif est de développer des stratégies de classification qui s'appuient et qui combinent les concepts de Reinforcement learning, de Domain Adaptation, de Continual learning et d'apprentissage semi-supervisé à la fois pour l'étape d'apprentissage, mais aussi pour la prise de décision au moment de l'étape de l'inférence. Cette dernière devra être faite idéalement sur un système de calcul proche du système d'acquisition (de type fog computing) ou alors au plus proche du capteur (de type edge computing), ce qui complexifie la tâche de classification, tout comme l'utilisation conjointe de capteurs différents, de caméras multispectrales dans le domaine NIR (400-1000 nm) et SWIR (1000-1700 nm). Les résultats devront être robustes par rapport à des conditions d'acquisition variables (luminosité, zones d'ombre, etc.), à des facteurs exogènes (traitements phytosanitaires, carence, stress hydrique, etc.), mais aussi à des facteurs endogènes (dynamique de croissance, réponse immunitaire par rapport aux maladies, etc.). Ces stratégies devront être transférables à d'autres applications, notamment à des systèmes robotisés terrestres opérant à l'extérieur. Une attention particulière sera portée à la robustesse des solutions et à la possibilité de les appliquer à des données inconnues issues de différents vignobles notamment.