>>> Antoine MAURI - Soutenance de thèse

Date de passage : 14 Novembre 2022

Sujet de Thèse : "Prédiction et évitement d’obstacles basés deep learning. Application à la mobilité ferroviaire et routière"

Résumé :
Afin d'améliorer la sécurité des transports et rendre la conduite plus autonome, les véhicules doivent disposer d'une meilleure perception de leur environnement. Bien que le développement de la voiture autonome fasse l'objet d'une grande attention, le transport ferroviaire suit aussi la même voie. L'enjeu est à la fois d'améliorer le confort de conduite grâce à l'aide à la navigation et d'accroître la sécurité pendant la navigation.
Les travaux présentés dans cette thèse visent à créer un système de perception fiable utilisant une seule modalité, en l'occurrence les images d'une caméra, afin de détecter des obstacles mettant en danger la vie des passagers. Le système doit être générique afin de pouvoir être utilisé sur tout type de caméra dans un contexte de trafic sur route mais aussi sur rail. Nous utiliserons l'apprentissage profond pour atteindre cet objectif et nous présentons quatre contributions. La première est une approche basée sur la combinaison d'un détecteur d'objets (Yolov3), d'un estimateur de profondeur (MadNet) et d'un filtre de Kalman pour détecter, localiser et suivre des objets sur la voie du véhicule. La deuxième contribution est basée sur un nouveau protocole d'évaluation de l'estimation de la profondeur plus adapté aux tâches de localisation d'objets. La troisième contribution est basée sur la création de deux nouvelles bases de données, une virtuelle basée sur le jeu vidéo Grand Theft Auto et une réelle (ESRORAD) pour le train autonome. Enfin, notre dernière contribution est une approche pour la détection d'objets 3D basée sur Yolov5 et leur suivi basé sur un filtre de Kalman.
Les résultats obtenus par cette dernière approche montrent une réelle amélioration du temps de calcul et permettent une utilisation sur des systèmes embarqués tout en étant aussi précis que les méthodes de l'état de l'art.

>>> Oussama SASSI - Soutenance de thèse

Date de passage : 22 Novembre 2022

Sujet de Thèse : "Development of a fast calculation method to estimate the EMC risk and to optimize the EMC design parameters in the vehicle"

Résumé :
Les véhicules modernes comprennent en plus des simples unités de commande électronique (UCE), des systèmes d'unités centrales complexes dotés de connectivité cellulaire, de communications sans fil et de systèmes de sécurité. Dans ce contexte, le nombre d'unités électroniques a connu une augmentation croissante. Par conséquent, les exigences des futures technologies de réseau automobile ont augmenté. Nous constatons par exemple plus de contraintes aux niveaux des faisceaux à cause de l’augmentation des longueurs des câbles reliant ces unités électroniques. Dans ce contexte, il est crucial de prendre en compte les interférences électromagnétiques dans l'automobile car, d'une part, les normes et les exigences légales obligatoires doivent être respectées et, d'autre part, les applications de sécurité doivent fonctionner sans interruption de service. Par conséquent, la compatibilité électromagnétique (CEM) est devenue très importante dans le développement d'un nouveau véhicule.
La simulation, et en particulier le calcul de type « full wave », peut être une bonne approche pour investiguer les problèmes CEM au niveau d’un véhicule. Pour réussir cette approche, il faut disposer d’un modèle précis de la carrosserie, du faisceau de câbles ainsi que des données relatives à l'équipement, par exemple son modèle circuit. Certaines de ces données sont pas accessibles pour des raisons de confidentialités ou ne peuvent être fournies qu'après la préproduction du prototype. En outre, la méthode de calcul et les outils de simulation commerciaux dépendent du problème CEM à investiguer ce qui nécessite souvent l’utilisation de plusieurs outils et solveurs, ce qui peut être complexe et coûteux.
L'objectif de ce travail de doctorat est de développer une nouvelle approche, qui calcule le risque CEM dans le véhicule afin d'évaluer l’impact des nouveaux concepts et optimiser leur intégration pendant la phase de développement. L'approche proposée permet de réduire les problèmes de CEM dans la phase initiale et d'accélérer le développement grâce à l’optimisation des divers paramètres de conception. La méthode hybride proposée vise à évaluer le risque CEM en se basant sur trois étapes : l'estimation de la quantité physique, le regroupement des données (clustering) et le déploiement de la fonction de distribution cumulative (CDF). La méthode se concentre sur quatre thématiques CEM : 1/le calcul du couplage rayonné câble à câble et câble à antenne, 2/ le couplage conduit dans les topologies de masse, 3/ l'évaluation des performances des systèmes de communication sans fil dans le cas d'interférences internes au véhicule, 4/ le calcul du champ magnétique et de l'exposition humaine pour le domaine des basses fréquences. Pour un risque CEM élevé, un modèle inverse basé sur l'apprentissage automatique est développé et utilisé pour optimiser les paramètres de conception pour baisser ce risque. Enfin, l'approche sera mise en œuvre dans un outil de calcul pour aider l'ingénieur CEM à calculer le risque CEM et à optimiser les paramètres de conception. Cet outil, facile d’utilisation peut aider à répondre à toutes les questions sur la CEM en maitrisant le risque.

>>> Antoine CAILLOT - Soutenance de thèse

Date de passage : 22 Novembre 2022

Sujet de Thèse : "Perception embarquée / débarquée pour la navigation autonome"

Résumé :
Avec l’arrivée de la navigation autonome, la perception de l’environnement dans lequel évoluent les véhicules est une tâche primordiale. Pour répondre à cette problématique, les véhicules se sont dotés de plus en plus de capteurs pour percevoir leur environnement. Plus récemment, nous pouvons observer l’apparition d’approches coopératives afin d’outrepasser les limitations des capteurs embarqués.
Dans cette thèse, nous faisons un état de l’art des méthodes de perceptions coopératives dans le contexte automobile. Nous y discutons des architectures fréquemment utilisées et des défis qu’elles entraînent. Nous étudions aussi les méthodes de localisation, de détection et suivis ainsi que les méthodes de cartographies coopératives avant de lister les projets et les scénarii dans lesquels la perception coopérative est utilisée aujourd’hui.
En réponse à cet état de l’art, nous avons mis au point une nouvelle architecture coopérative fusionnant les approches Véhicules-Véhicules et Véhicule-Infrastructure actuelles et basée sur l’utilisation de données issues des véhicules et des infrastructures. Cette approche nous permet dans un premier temps de générer des grilles d’occupation des objets dynamiques d’une scène en utilisant uniquement des données limitées issues des caméras. Nous ajoutons ensuite à cette approche un aspect sémantique permettant la création de grilles sémantiques. Afin de fusionner les données issues des différents points de vues, nous avons testé deux méthodes : l’une basée sur la théorie bayésienne et l’autre sur la théorie de Dempster-Shafer.
Les résultats sont obtenus à partir de jeux de données de notre conception et montrent des résultats inatteignables par les méthodes de l’état de l’art aujourd’hui ainsi qu’une supériorité de la méthode basée sur la théorie de Dempster-Shafer.

>>> Redouane KHEMMAR - Soutenance de l’Habilitation à Diriger des Recherches (HDR)

Date de passage : 28 Novembre 2022

Sujet : "Contribution à la Perception d’Environnement pour la Smart Mobilité."

Résumé :
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. %Le domaine d'application est principalement la smart mobilité par IA allant de la robotique mobile aux véhicules autonomes.

Félicitations à tous