Contribution à la Perception d’Environnement pour la Smart Mobilité - Archive ouverte HAL Accéder directement au contenu
Hdr Année : 2022

Contribution to Environmental Perception for Smart Mobility

Contribution à la Perception d’Environnement pour la Smart Mobilité

Résumé

Autonomous vehicles are increasingly present in our daily lives, opening new perspectives for smart mobility. An autonomous vehicle must include three essential functions: perception, decision, and action. The more the system can perceive its environment, the better decisions it will make, allowing it to trigger high-quality actions that meet safety, comfort, and energy requirements. Object detection, localization, and tracking are essential tasks for environment perception. Since 2012, deep learning has become a very powerful tool due to its ability to process large amounts of data. The emergence of methods based on deep learning has led to significant progress. Despite this AI craze, few methods focus on the real-time aspect that is essential for real applications due to the high computational costs. In addition, these algorithms have obvious shortcomings in complex scenes due in part to the lack of ground-truth data, as is the case for railway and healthcare smart mobility. In addition to accuracy and speed, perception algorithms must take into account the energy constraint related to embedded systems. My research work is concerned with this issue and therefore focuses on the environment perception of two smart mobility fields: road/railway and mobile robotics/healthcare. The objective is to reach a level of analysis and understanding of complex scenes allowing to ensure smart mobility of a very high level of safety, comfort, and optimal energy. This requires two essential and complementary axis: 1. a multi-sensor fusion system to further enrich perception with heterogeneous data, 2. AI-based environment perception to exploit the data collected for better prediction of all situations. It is therefore the development of open generic platforms to experiment and validate technological and scientific concepts for the academic and industrial world.
Les véhicules autonomes sont de plus en plus présents dans notre quotidien, ouvrant de nouvelles perspectives pour la smart mobilité. Un véhicule autonome doit comprendre 3 fonctions essentielles : perception, décision et actions. Plus le système est capable de percevoir son environnement, plus il prendra de meilleures décisions lui permettant, in fine, de déclencher des actions répondant aux exigences de sécurité, confort et d'énergie. La détection, localisation et tracking d'objets sont des tâches indispensables pour la perception. Depuis 2012, le deep learning est devenu un outil très puissant en raison de sa capacité à traiter de grandes quantités de données. L'apparition de nombreuses méthodes basées sur l'apprentissage profond a conduit à des progrès significatifs. Malgré cet engouement à l’IA, peu de méthodes se concentrent sur l'aspect temps-réel, essentiel pour les applications réelles et ce, en raison des coûts de calcul élevés. En plus, ces algorithmes présentent des lacunes évidentes dans les scènes complexes en partie à cause du manque de données vérité terrain comme pour la smart mobilité ferroviaire et la santé. En plus de la précision et la vitesse, les algorithmes de perception doivent prendre en compte la contrainte d’énergie liée aux systèmes embarqués. Mes travaux de recherche sont concernés par cette problématique et se concentrent donc sur la perception d’environnement pour deux domaines de la smart mobilité : routier/ferroviaire et robotique mobile/santé. L'objectif est d'atteindre un niveau d'analyse et de compréhension de scènes complexes permettant d'assurer une smart mobilité de très haut niveau de sécurité, de confort et d’énergie optimale. Cela repose sur deux briques essentielles et complémentaires : 1. Système fusion multicapteurs permettant d'enrichir davantage la perception avec des données hétérogènes, 2. Perception d'environnement basée IA permettant l'exploitation des données collectées pour une meilleure prédiction de l'ensemble des situations. Il s'agit donc du développement de plateformes génériques ouvertes pour expérimenter et valider des concepts technologiques et scientifiques du monde académique et industriel.
Fichier principal
Vignette du fichier
Mémoire_HDR_KHEMMAR_28_11_2022.pdf (62.73 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-03997628 , version 1 (20-02-2023)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

  • HAL Id : tel-03997628 , version 1

Citer

Redouane Khemmar. Contribution à la Perception d’Environnement pour la Smart Mobilité. Automatique / Robotique. Université rouen normandie, 2022. ⟨tel-03997628⟩
84 Consultations
15 Téléchargements

Partager

Gmail Facebook X LinkedIn More