Apprentissage statistique et fouille de données pour la caractérisation des environnements et situations de conduite

Thèse de doctorat

CAOR / Mines ParisTech

2012-2015

Télécharger le sujet au format PDF

Contexte

L’institut VeDeCoM est un organisme de recherche issu de la fondation MoveoTec, et commun à l’ensemble des acteurs industriels (PSA, Renault, Valeo, etc…) et académiques (IFSTTAR, INRIA, ParisTech, etc…) du monde automobile, dont l’objectif est de mutualiser la Recherche française sur la voiture du futur. Le centre de Robotique (CAOR) de Mines ParisTech effectue depuis de nombreuses années des recherches dans le domaine des systèmes d’Aide à la Conduite Automobile (Advanced Driving Assistance Systems, ADAS), et en particulier dans le domaine de la perception temps-réel multi-capteurs. De fortes compétences et expériences ont été acquises dans ce domaine avec plusieurs types d’application, notamment la détection temps-réel de piétons (e.g. projet LOVe), de véhicules, de panneaux (projet SPEEDCAM), de feux tricolores, de pluie (projet ICCADAC). Un aspect récurrent dans plusieurs de ces applications, et plus généralement pour tous les ADAS, est la nécessité d’adapter les algorithmes en fonction de l’environnement et de la situation de conduite (urbain vs autoroutier vs route de campagne, approche d’intersection, zone de travaux, conditions météorologiques, jour/nuit, tunnel, état de trafic plus ou moins dense, etc…).

Sujet

L’objectif de la thèse est de concevoir, développer, puis exploiter, une approche pour l’identification par techniques d’apprentissage statistique et fouille de données, des caractéristiques de la situation de conduite au sens évoqué plus haut. L’idée est de combiner des indices provenant des divers capteurs, dont certains sous une forme déjà « abstraite » via des algorithmes de reconnaissance (identification de certains panneaux, signalisations ou marquages routiers, etc…), pour parvenir à caractériser l’environnement de conduite. Techniquement, chaque attribut à caractériser pourra être abordé comme un problème de classification. Le choix du type d’algorithme d’apprentissage statistique le plus adapté (arbre de décision ? inférence probabiliste ?) est un des enjeux de la thèse, sachant que la décision peut nécessiter des indices complémentaires différents selon la valeur de certaines des entrées, voire de prendre en compte les positions relatives estimées dans la scène de diverses détections (cf. interprétation abstraite d’image). Un travail préliminaire important est d’ailleurs la sélection et la formalisation des informations pertinentes à inférer, et des briques élémentaires de perception à associer pour permettre l’induction. Au niveau expérimental, un élément essentiel résidera dans la collecte, avec les véhicules expérimentaux du CAOR dotés de capteurs et d’un système d’acquisition, d’une importante base d’enregistrements permettant de couvrir au maximum les divers environnements et situations. En ce qui concerne l’exploitation, il s’agira d’abord d’identifier les briques élémentaires des ADAS (modules perceptifs tels que détection de piéton ou reconnaissance panneaux, modules de commande tels que Adaptive Cruise Control ou Lane Keeping) pouvant bénéficier de la caractérisation abstraite de la situation et de l’environnement de conduite, pour changer de « mode » et/ou de paramétrage. Parmi les autres applications potentielles, on peut citer notamment la détection et assistance au franchissement d’intersection (Intersection Assistance), et l’aide au dépassement (Overtaking Assistance). A noter que la recherche sur ces aspects applicatifs pourrait se faire en lien avec les projets R&D de l’équipementier automobile Valeo. Une extension possible intéressante consisterait à enrichir le vecteur de description de la situation de conduite par une reconnaissance de l’intentionnalité du conducteur, notamment à partir des capteurs proprioceptifs du véhicule (clignotants, accélération, changement de vitesse, etc…), et aussi le cas échéant itinéraire de navigation GPS en cours. Par ailleurs, des investigations sur la modélisation du type de conduite pourraient aussi être menées par fouille de données de la base d’acquisitions.

Pré-requis

Titulaire d'un Master2 en apprentissage statistique et/ou de perception/vision par ordinateur, ou sinon d’un bon diplôme d’ingénieur, avec expérience stage dans ces mêmes domaines, et :

  • Très bonnes connaissances des techniques d’apprentissage statistique ;
  • Bonnes connaissances en perception, en particulier dans le domaine de la vision par ordinateur ;
  • Bonnes compétences en développement informatique (C/C++/Java)

Lieu de la thèse

Centre de Robotique (CAOR), Mines ParisTech, 60 boulevard Saint Michel, 75006 Paris (puis laboratoire VeDeCoM)

Encadrement et contact

Fabien Moutarde, 01.40.51.92.92, Fabien.Moutarde@mines-paristech.fr

 
caor/positions/2012_these_apprentissage-perception-conduite_vedecom.txt · Last modified: 2012/04/27 15:23 by MOUTARDE Fabien
Recent changes · Show pagesource · Login