Sujet de Thèse de Doctorat :

Détection et caractérisation des obstacles routiers par modèles de Markov cachés et réseaux de neurones

Accueil : Groupes « Vision » et « Apprentissage et Classification » du Laboratoire PSI à l'INSA de Rouen

Encadrement : Co-direction : Alexandrina Rogozan - Maître de Conférences - et A. Bensrhair et P. Miché - Professeurs -

Financement  : Ce sujet de thèse fera très probablement l'objet d'une bourse régionale.

 
Interactions prevues dans le cadre de la thèse  :
 
Cadre d'échanges créé grace à l'action intégrée franco-italienne GALILEE2000 dont le responsable italien était le Professeur A. Broggi de l'Université de Parme  (http://www.ce.unipr.it/people/broggi/) et le responsable français était le professeur A. Bensrhair de l'INSA de Rouen.

Projet ARCOS2004 thème 1 dans le cadre du PREDIT (Programme national de recherche et d'innovation dans les transports terrestres) qui vise une approche globale du système "véhicule-conducteur-infrastructure" pour améliorer la sécurité routière.

GDR CHMAC (Coopération Homme Machine pour l'Assistance à la Conduite, CNRS/INRETS) qui regroupe des compétences pluridisciplinaires (i.e. traitement de signal et de l'image, fusion de données, coopération Homme-Machine et modélisation du comportement du conducteur) pour concevoir, intégrer et évaluer (selon des critères techniques, ergonomiques, cognitifs et de sécurité) des outils d'aide à la conduite automobile.

 
Problématique :
 
Dans le domaine de la route intelligente, les dispositifs de vision 3D pour l'aide à la conduite ont déjà fait leur preuve.  Les recherches effectuées dans ce domaine au sein du laboratoire PSI ont ainsi abouti sur un dispositif 3D qui établi, en temps réel, les cartes de distances et de vitesses axiales. L'interprétation des informations contenues dans ces cartes devrait permettre la détection d'obstacles.  Étant donné le caractère spatio-temporel de ces informations, une interpretation robuste pourrait difficilement s'en passer des modèles de Markov cachés.  L'utilisation de ces modèles, entraînés de manière à capter la forme de l'obstacle et de son évolution sur la route, permettrait non seulement de detecter l'apparition d'un obstacle routier, mais aussi de renseigner sur la nature de cet obstacle (i.e. piéton, véhicule, travaux). Un des problèmes sous-jasants serait alors l'élaboration d'une taxinomie d'obstacles et d'un corpus de sequence d'images permettant l'apprentissage des différents modèles.
 
Pour améliorer la performance et la robustesse du processus de détection / caractérisation des obstacles routiers, il faudrait sans doute completer les informations sur les distances et les vitesses axiales par des informations provenant d'autres capteurs (i.e. contours des piétons extraits depuis une séquence d'images infra-rouge). Se pose alors le problème de co-exploitation qui peut intervenir soit par fusion des données issues des capteurs différents, soit par mise en compétition des résultats des traitements indépendants effectués sur ces données. De plus, les données à traiter, en nombre très important, sont souvent redondantes ou corrélées et peuvent évoluées dans le temps. L'utilisation de modèles de Markov cachés sur ces données, se heurte avec l'incapacité de ces derniers à bien capturer les corrélations d'ordre supérieur.  L'utilisation des modèles hybrides fondés sur des modèles de Markov cachés et réseaux de neurones serait alors une idée à exploiter.


Plate-forme technologique du Groupe « Vision » du Laboratoire PSI :

Un  véhicule Laguna2 instrumenté destiné à la validation expérimentale des résultats de recherche.

Contact scientifique  :

Alexandrina Rogozan
Laboratoire PSI & Dépt. ASI - INSA de Rouen
Tél: +33 (0) 2 32 95 98 75 - FAX: +33 (0) 2 32 95 97 08
http://asi.insa-rouen.fr/~arogozan - Mél : alexandrina.rogozan@insa-rouen.fr