CE23 - Intelligence Artificielle

Réseaux de neurones à spikes pour l’intelligence des systèmes autonomes embarqués – DeepSee

Résumé de soumission

Les solutions embarquées autonomes et intelligentes sont principalement conçues comme des systèmes cognitifs composés de trois étapes : perception, décision et action, périodiquement invoquées en boucle fermée afin de détecter des changements dans l'environnement et choisir de manière appropriée les actions à mener en fonction de la mission à réaliser. Dans un agent autonome tel qu'un robot, un drone ou un véhicule, ces 3 étapes sont tout naturellement instanciées sous la forme i) de la fusion d'informations provenant de différents capteurs, ii) de l'analyse de la scène, généralement effectuée par des réseaux de neurones artificiels, et iii) de la sélection d'une action à opérer sur des actionneurs tels que les moteurs, les bras mécaniques ou tout autre moyen d'interaction avec l'environnement. Dans ce contexte, la maturité croissante des technologies complémentaires des capteurs évènementiels (EBS) et des réseaux de neurones de spikes (SNN) est de plus en plus confirmée par les résultats récents de l'état de l'art. La nature de ces capteurs remet en question la manière même dont les systèmes interagissent avec leur environnement. En effet, un capteur basé sur les événements change le paradigme de la perception actuellement adopté par les capteurs à base de frames (FBS) à partir d'un échantillonnage systématique et périodique (qu'un événement ait eu lieu ou non) à une approche reflétant la véritable relation de cause à effet lorsque l'événement déclenche l'échantillonnage de l'information. Nous proposons d'étudier ce changement de la phase de perception et la façon dont de telles approches peuvent coopérer avec l'approche actuelle basée sur les frames pour rendre le système plus réactif et plus robuste.
En effet, les modèles SNN ont été étudiés pendant plusieurs années comme une alternative intéressante aux réseaux neuronaux formels (FNN), à la fois pour leur réduction de la complexité de calcul dans la topologie des réseaux profonds, mais aussi pour leur capacité naturelle à soutenir des règles d'apprentissage non supervisées et bio-inspirées. Les résultats les plus récents montrent que ces méthodes deviennent de plus en plus matures et rattrapent presque les performances des réseaux formels, même si la plupart des apprentissages se font sans labels sur les données. Mais faut-il comparer les deux approches alors que la nature même de leurs données d'entrée est différente ? Dans le contexte d'intérêt du traitement d'images, l'une (FNN) traite des trames entières et catégorise les objets, l'autre (SNN) est particulièrement adaptée aux capteurs basés sur des événements et est donc plus adaptée pour saisir les régularités spatio-temporelles dans un flux constant d'événements. L'approche que nous proposons de suivre dans le projet DeepSee est d'associer les réseaux à spikes aux réseaux formels plutôt que en les mettant en concurrence l'un par rapport à l'autre.
L'ensemble de l'étude s'appuiera sur des expérimentations dans le domaine automobile.

Coordination du projet

Benoit Miramond (Laboratoire d'électronique antennes et télécommunications)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

CerCo CENTRE DE RECHERCHE CERVEAU ET COGNITION
LEAT Laboratoire d'électronique antennes et télécommunications
I3S Laboratoire informatique, signaux systèmes de Sophia Antipolis
RENAULT SAS - GUYANCOURT

Aide de l'ANR 711 343 euros
Début et durée du projet scientifique : février 2021 - 42 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter