Offre d'emploi

Analyse et Compréhension de Scènes Complexes par Apprentissage Profond H/F Offre expirée

SEGULA TECHNOLOGIES

Quelles sont les missions ?

Dans la smart mobilité, la chaine d'acquisition et de traitement de données demeure très importante pour assurer un fonctionnement robuste, précis et intelligent. Cette chaine comprend trois étapes essentielles : perception, décision et actions. Le véhicule autonome doit non seulement se déplacer en toute autonomie, comprendre son environnement, détecter et éviter les obstacles mais aussi optimiser son autonomie en énergie. Pour cela, la détection et le tracking temps-réel d'objets 3D et la segmentation sémantique représentent des tâches stratégiques dans la perception pour mieux analyser et comprendre l'environnement ce qui se traduit, in fine, par des actions de très hautes précisions : analyse et prédiction des risques, alertes, freinage d'urgences, etc. Ce sujet de Thèse répondra donc à cette problématique par une solution concentrée d'intelligence artificielle (IA) embarquée qui lèvera plusieurs verrous scientifiques et technologiques dont ceux liés à l'analyse et compréhension de scènes complexes par des approches d'apprentissage profond multitâches adaptées à des applications embarquées. Ceci afin de donner une réponse quant à la stratégie du groupe SEGULA Technologies de se démarquer de la concurrence en développant des solutions innovantes à très forte valeur ajoutée en recherche (dépôt de brevets) et industrielles via des prototypes TRL7 très proches d'une commercialisation sur le marché.

L'objectif est de développer une analyse et compréhension de scènes complexes précise et rapide améliorant les performances de véhicules autonomes évoluons dans des situations différentes : environnement urbain multimodale fortement contraignant, conditions météorologiques défavorables, etc. Pour cela, nous proposons une nouvelle solution innovante basée sur des approches stochastiques par apprentissage profond multitâches. Outre les aspects algorithmiques, notre solution concentre une technologie innovante en matière d'instrumentation. Un système fusion multicapteurs (caméras, LiDAR, GPS/IMU, Odométrie) sera sollicité afin de renforcer la perception d'environnement qui, in fine, renforcera les décisions et actions à prendre. Par opposition à ce qui est proposé dans l'état de l'art, notre approche permettra l'analyse spatio-temporelle. Ainsi, l'avantage majeur de cette approche sera la modélisation multitâche pour extraire des descripteurs haut niveau. Contrairement à ce qui est déjà proposé dans la littérature, la contribution majeure de ces travaux de thèse est de faire cohabiter plusieurs tâches complémentaires dans une architecture unifiée à base de réseaux de neurones profond (M-TL). L'approche multitâche fine-grained proposée vise, entre autres, l'introduction d'un modèle innovant de deep learning convolutif et/ou récurrent additionnant/combinant plusieurs types de problèmes à résoudre par le même modèle et ce, afin d'améliorer les performances du réseau (précision et vitesse).

Ce sujet de thèse vise le développement d'approches par apprentissage profond multitâches comme un outil innovant pour la smart mobilité. Il représente un lien fort avec les préoccupations actuelles de SEGULA Technologies ainsi que ses partenaires. En plus, et à l'échelle régionale et nationale, il répond à des besoins urgents de la société à savoir : amélioration du transport publics via des navettes autonomes multimodales pouvant assurer, par exemple, la desserte de gares abandonnées ou à faible fréquentation, sécurisation des gares, etc. Cela permet d'assurer un transport autonome robuste, précis, rapide et sécurisé. Plus concrètement, le sujet de Thèse prévoit les travaux suivants sur l'analyse et compréhension de scènes complexes par apprentissage profond multitâches :
1. détection d'objets 3D basée deep learning;
2. tracking temps-réel d'objets par approche spatio-temporelles;
3. segmentation sémantique;
4. analyse et compréhension de scènes complexes basée deep learning multitâches (M-TL).