Description
Date depot: 8 septembre 2022
Titre: Perception et traitement de données par apprentissage de réseau de neurones pour des expériences utilisateurs enrichies
Directeur de thèse:
Pietro MICHIARDI (Eurecom)
Encadrant :
Giulio FRANZESE (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: La génération actuelle de véhicules automobile doit faire face au challenge de l’utilisation d’une importante quantité d’information afin de décrire au conducteur l’environnement dans lequel il se trouve :
‐ Les informations des véhicules alentours sont fournis par les capteurs tels que radar, caméra, lidar ou bien issues de la fusion des données de ces capteurs.
‐ Les informations propres au véhicule comme la vitesse, l’accélération.
‐ Des données de l’environnement, l’infrastructure routière et les véhicules par les biais des informations GPS ou réseaux.
A partir de ce large panel de données, un certain nombre d’applications et d’interfaces homme machines ont proposées au conducteur. Elles sont généralement basées sur une unique source d’information, ou bien sur la combinaison simple de plusieurs informations. Le programme de recherche de la thèse a pour but d’étudier et de développer des solutions innovantes en optimisant les combinaisons de données, dans le but d’améliorer l’expérience de l’utilisateur final. En particulier les applications liées à l’aide intelligente à la conduite seront étudiées, afin de fournir des informations pertinentes sur les potentielles conduites à risque ou afin de prévenir l’utilisateur de situations potentiellement dangereuses lors d’un trajet. Le but final est de fournir un couche logicielle robuste de traitement des données entre les différentes sources d’information (capteurs, véhicules,
réseau) et les applications d’analyse et d’aide à la conduite.
L’étude se basera sur les architectures distribuées d’apprentissage automatique de réseau de neurones appartenant à la catégorie des auto-encodeurs multimodaux. Cette architecture particulière des réseaux de neurones est basée sur une fusion de données multi capteurs et multi tâches. Une telle approche a été étudiée au sein du département de recherche Renault dans le cadre de la détection d’objets. Le but de la thèse est d’étendre cette approche en adaptant les entrées et l’apprentissage du réseau pour les applications de détections de danger, d’analyse de situations accidentogènes, en considérant notamment que ces situations apparaissent rarement et peuvent donc être assimilées à des anomalies.
Doctorant.e: Bounoua Mustapha