Apprentissage profond pour l'exploitation de données radar dans la conduite autonome

par Arthur Ouaknine

Projet de thèse en Traitement du signal et des images

Sous la direction de Florence Tupin et de Patrick Pérez.

Thèses en préparation à Paris Saclay , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....) , en partenariat avec LTCI - Laboratoire de Traitement et Communication de l'Information (laboratoire) , IMAGES : Image, Modélisation, Analyse, GEométrie, Synthèse (equipe de recherche) et de Télécom ParisTech (établissement de préparation de la thèse) depuis le 01-01-2019 .


  • Résumé

    Comprendre et prédire en temps réel l'environnement routier pour y évoluer de façon sure et efficace est le formidable défi posé par le véhicule autonome. Après les avancées permises par le projet Eureka Prometheus (1987-1995) en Europe et les Challenges de l'agence américaine de la défense DARPA (2004-2007), ce sont les progrès spectaculaires réalisés depuis six ans en analyse visuelle de scène par apprentissage profond qui ont relancé le rêve ancien de la voiture sans conducteur [Janai et al., 2017]. Cette fois le but semble proche et toute l'industrie automobile, aiguillonnée par l'arrivée de nouveaux acteurs, investit de façon massive dans les technologies requises : perception multicapteur, reconstruction tri-dimensionnelle, cartographie et localisation haute-précision, planification, commande. Si les caméras sont un élément-clé des systèmes actuels d'assistance et d'automatisation de la conduite, d'autres capteurs, actifs ceux-là, sont également indispensables à l'analyse de l'environnement : il s'agit des scanners laser (LiDAR), des radars et, pour un usage plus restreint, des capteurs ultra-sons [Varghese and Boone, 2015]. La redondance et la complémentarité de ces différents capteurs permet une analyse plus complète, plus précise et plus robuste de l'environnement. Chacun donne un accès privilégié à certains aspects du monde physique, tout en présentant des limitations qui lui sont propres. Le radar, qui sera au centre de ce projet de thèse, possède en particulier deux caractéristiques que la caméra et le LiDAR n'ont pas : il donne un accès direct à la vitesse des objets en mouvement par effet Doppler et il est insensible aux facteurs extérieurs tels que l'obscurité, la pluie, la neige ou le brouillard. Il fournit en revanche une information très éparse, angulairement peu résolue et fortement bruitée sur les éléments statiques de la scène. Sans doute pour ces raisons, l'analyse de scène radar a pour l'instant nettement moins bénéficié des apports de l'apprentissage profond. Le but principal des travaux de recherche envisagés est de remédier à cela. A l'aide de techniques modernes d'apprentissage automatique, il s'agira de mieux exploiter le radar, seul ou accompagné d'autres capteurs, pour la détection, le suivi et la reconnaissance des objets mobiles dans les scènes complexes. L'équipementier automobile Valéo est leader mondial pour la conception et la fabrication des capteurs pour l'assistance à la conduite. A ce titre, l'entreprise est particulièrement active dans le domaine de la conduite autonome, y consacrant depuis plus de six ans d'importants efforts de recherche et de développement (Fig. 1). Plus récemment, Valéo a également ouvert Valeo.ai, un laboratoire de recherche amont en intelligence artificielle pour les futures mobilités, le véhicule autonome au premier chef. Le projet de thèse proposé s'inscrit dans ce contexte. Il bénéficiera par ailleurs de l'expertise reconnue du groupe Images (Image Modeling, Analysis, GEometry & Synthesis) de Télécom ParisTech en traitement et analyse de signaux image et radar.

  • Titre traduit

    Deep learning for radar data exploitation of autonomous vehicle


  • Résumé

    The aim of this PhD is to develop methods to exploit radar data acquired by autonomous vehicles. Although huge advances have been done to exploit video data, radar data are still under-exploited in this context. This is mainly due to the complexity of such data: strong residual noise (clutter) and complexity of the trajectories in the range / doppler plane. Indeed, the stored information is linked to the velocity and range of the targets. Since this information can be varying for different parts of a same object (for instance hands or feet of a person have different velocities during a walk), the analysis is difficult. The main aim of the PhD is to develop approaches to exploit radar data. Deep learning approaches for stand alone radar or completed by optic videos will be investigated for detection, tracking and recognition of moving objects in a complex scene.