Direction scientifique
Transfert de connaissances vers l'industrie

Nos Thèses par thème

Approximation de modèle d'occuption de capteur par Machine Learning

Département Architectures Conception et Logiciels Embarqués (LIST-LETI)

Laboratoire Infrastructure et Ateliers Logiciels pour Puces

01-01-2018

SL-DRT-18-0219

frederic.heitzmann@cea.fr

Ce sujet s'inscrit dans le contexte du développement des véhicules/drones/robots autonomes. L'environnement du véhicule est représenté par une grille d'occupation, dans laquelle chaque cellule contient la probabilité de présence d'un objet. La technique de fusion bayésienne permet de fusionner les informations fournies par différents capteurs dans la grille. En tirant parti des connaissances du CEA-LETI à la fois sur les principes physiques de différents capteurs, mais aussi sur les applications des grilles d'occupation, l'objectif de la thèse est d'approximer un modèle d'occupation de capteur, en utilisant des techniques de Machine Learning. Un point clé de cette méthode est le passage d'une grandeur de type « mesure » fournie par un capteur, à une information de type « occupation » pour chaque cellule de la grille. Chaque capteur a ses propres caractéristiques (précision radiale, angulaire, fausse détection, ?) et par conséquent son propre modèle d'occupation. Le calcul exact d'un modèle d'occupation, s'il est connu mathématiquement, est impossible en pratique dans le cas générale, en raison d'une explosion combinatoire du nombre de termes. En parallèle, l'essor récent du Deep Learning et du Reinforcement Learning ? classification d'images, traduction automatique du langage, jeux de stratégie - a popularisé un résultat connu depuis 1989 sur la capacité des réseaux de neurones à approximer n'importer quelle fonction.

Voir toutes nos offres