Approches d'optimisation génériques et parallèles pour le développement de fonctions d'aide à la conduite pour véhicule intelligent

par Abdelkhalek Mansouri

Projet de thèse en Informatique

Sous la direction de Jean-Charles Creput et de Fabrice Lauri.

Thèses en préparation à Bourgogne Franche-Comté , dans le cadre de SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques , en partenariat avec LE2I - Laboratoire d'Electronique, d'Informatique et de l'Image (laboratoire) depuis le 25-11-2014 .


  • Résumé

    Le sujet s'inscrit dans le cadre du projet Véhicule Intelligent de l'IRTES-SET qui vise au développement de systèmes avancés d'assistance à la conduite ou de conduite automatisée. Les systèmes multiprocesseurs sur puce devenant de plus en plus accessibles et peu onéreux (GPU, FPGA), il convient de contribuer à en systématiser l'usage dans les applications de perception de l'environnement et localisation pour véhicule intelligent. Ces applications mettant en jeux une masse importante de données issues de capteurs divers et variés, le but est de répondre aux contraintes temps-réel de fonctionnement. La démarche mets l'accent sur l'identification et la résolution parallèle de problèmes d'optimisation combinatoire sousjacents aux applications. Il s'agit de répondre aux besoins croissants en puissance de calcul par l'usage systématique des systèmes multiprocesseurs dans des applications liées à la conduite automatisée ou assistée des véhicules terrestres. Les problèmes traités se situent à la jonction des domaines de la perception artificielle, de l'apprentissage, de la reconnaissance de formes et de l'optimisation combinatoire. Développer des approches de résolution heuristiques parallèles, issues du soft-computing, qui seront implantées sur des multiprocesseurs embarqués, vise à répondre aux besoins de fonctionnement temps-réel des applications. Les applications abordées sont multiples et il conviendra de préciser et d'identifier au sein des chaines de traitement de l'information issue des capteurs de perception (caméras) et dispositifs de localisation, les problématiques génériques qui constituent des verrous technologiques à lever. Des problèmes types sont par exemple liés au traitement des images pour la reconstruction de l'environnement 3D, la segmentation d'images de profondeur, la génération de maillages, l'étiquetage de scènes 2D/3D, la reconnaissance et le suivi d'objets, l'analyse et le traitement du flot optique 2D/3D. Certains de ces problèmes, s'ils s'énoncent dans un cadre stochastique et probabiliste, peuvent présenter une traduction en termes de problème d'optimisation standard (graph-cut problems par exemple) le plus souvent NP durs Ainsi, un des objectifs est de proposer des outils de résolution heuristiques (algorithmes génétiques, réseaux neuronaux, recherches locales) ayant un fort potentiel d'implémentation parallèle. Un point caractéristique des méthodes réside dans l'utilisation d'un parallélisme à grains fins, permettant un parallélisme massif, et décentralisé, sur la donnée du problème. Il s'agira donc de développer des approches de résolution génériques suivant un principe de parallélisme massif à caractériser précisément. Les supports d'exécution peuvent être des cartes GPU, Un aspect important du travail concerne la généricité et la réutilisabilité des algorithmes et méthodes de résolution proposées Mots clés optimization combinatoire, apprentissage, vision artificielle, multi processeurs, GPU, systèmes embarqués.

  • Titre traduit

    Generic and parallel optimization approaches for the development of driving assistance functions for intelligent vehicle


  • Résumé

    The subject is part of the IRTES-SET Intelligent Vehicle project which aims at the development of advanced systems for driving assistance or automated driving. As multiprocessor-based systems on the chip become more and more accessible and inexpensive (GPU, FPGA), it is necessary to contribute to systematizing their use in environmental perception and location applications for intelligent vehicles. These applications involving a large amount of data coming from various and varied sensors, the goal is to respond to the real-time constraints of operation. The approach emphasizes the identification and parallel resolution of combinatorial optimization problems underlying applications. The aim is to meet the increasing demand for computational power by the systematic use of multiprocessor systems in applications related to the automated or assisted driving. The problems dealt with are at the junction of the domains of artificial perception, learning, pattern recognition and combinatorial optimization. Developing parallel heuristic approaches, derived from soft-computing, that will be implemented on embedded multiprocessors, aims to meet the needs of real-time operation of applications. The applications addressed are multiple and it will be necessary to specify and identify within the processing chains of the information coming from the sensors of perception (cameras) and locating devices, the generic problems that constitute technological locks to be lifted. Typical problems are, for example, related to images processing for the reconstruction of the 3D environment, depth image segmentation, mesh generation, object recognition and tracking , analysis and processing of the 2D / 3D optical flow. Some of these problems, if they arise in a stochastic and probabilistic framework, can present a translation in terms of standard optimization problem (graph-cut problems for example) most often NP hard Thus one of the objectives is to propose heuristic resolution tools (genetic algorithms, neural networks, local searches) with a strong potential for parallel implementation. A characteristic feature of the methods resides in the use of a parallelism with fine grains, allowing a massive parallelism, and decentralized, on the given problem. It will therefore be a matter of developing generic resolution approaches according to a principle of massive parallelism to be characterized precisely. Execution media can be GPU cards. An important aspect of the work is the genericity and reusability of proposed algorithms and resolution methods Keywords combinatorial optimization, learning, artificial vision, multi processors, GPU, embedded systems.