Combiner la théorie évidentielle et l'apprentissage profond pour la perception des véhicules autonomes – EviDeep

Ce projet concerne le changement de paradigme de mobilité urbaine lié à l’avènement des véhicules autonomes. Dans ce contexte, les véhicules autonomes doivent avoir une perception robuste et fiable de leur environnement, particulièrement en détectant, classant et en suivant les obstacles pour adapter la commande. Actuellement, l’analyse sémantique des scènes de conduite a reçu un intérêt grandissant de deux communautés scientifiques : la fusion de données (avec notamment la théorie de l’évidence) et l’informatique avec l’apprentissage profond (CNN). Ce projet veut étudier et combiner ces deux approches, avec pour objectif théorique de proposer une méthodologie systématique de conception d’algorithmes de représentation sémantique basé sur un apprentissage profond évidentiel. Il vise également un objectif applicatif d’implémentation dans le véhicule autonome de l’IRIMAS du système de perception conçu. Des essais réels prouveront la faisabilité et l’efficacité de la méthode proposée.