/
Nouveauté
0/5

0 avis

Application of machine learning techniques for evidential 3D perception, in the context of autonomous driving


Type de document : Thèse
Langue : anglais

Responsabilité(s) :


Responsabilité(s) secondaire (s) :
Université de soutenance : Université de Technologie de Compiègne

Numéro national de thèse : 2020COMP2534

Année de publication : 2020


Discipline : Robotique et Sciences et Technologies de l'Information et des Systèmes : Unité de recherche Heudyasic (UMR-7253)

Sujets :


Mots clés :

Résumé(s) :

  • L apprentissage machine a révolutionné la manière dont les problèmes de perception sont, actuellement, traités. En effet, la plupart des approches à l état de l art, dans de nombreux domaines de la vision par ordinateur, se reposent sur des réseaux de neurones profonds. Au moment de déployer, d évaluer, et de fusionner de telles approches au sein de véhicules autonomes, la question de la représentation des connaissances extraites par ces approches se pose. Dans le cadre de ces travaux de thèse, effectués au sein de Renault SAS, nous avons supposé qu une représentation crédibiliste permettait de représenter efficacement le comportement de telles approches. Ainsi, nous avons développé plusieurs modules de perception à destination d un prototype de véhicule autonome, se basant sur l apprentissage machine et le cadre crédibiliste. Nous nous sommes focalisés sur le traitement de données caméra RGB, et de nuages de points LIDAR. Nous avions également à disposition des cartes HD représentant le réseau routier, dans certaines zones d intérêt. Nous avons tout d abord proposé un système de fusion asynchrone, utilisant d une part un réseau convolutionel profond pour segmenter une image RGB, et d autre part un modèle géométrique simple pour traiter des scans LIDAR, afin de générer des grilles d occupation crédibilistes. Etant donné le manque de robustesse des traitements géométriques LIDAR, les autres travaux se sont focalisés sur la détection d objet LIDAR et leur classification par apprentissage machine, et la détection de route au sein de scans LIDAR. En particulier, ce second travail reposait sur l utilisation de scans étiquetés automatiquement à partir de cartes HD.
  • The perception task is paramount for self-driving vehicles. Being able to extract accurate and significant information from sensor inputs is mandatory, so as to ensure a safe operation. The recent progresses of machine-learning techniques revolutionize the way perception modules, for autonomous driving, are being developed and evaluated, while allowing to vastly overpass previous state-of-the-art results in practically all the perception-related tasks. Therefore, efficient and accurate ways to model the knowledge that is used by a self-driving vehicle is mandatory. Indeed, self-awareness, and appropriate modeling of the doubts, are desirable properties for such system. In this work, we assumed that the evidence theory was an efficient way to finely model the information extracted from deep neural networks. Based on those intuitions, we developed three perception modules that rely on machine learning, and the evidence theory. Those modules were tested on real-life data. First, we proposed an asynchronous evidential occupancy grid mapping algorithm, that fused semantic segmentation results obtained from RGB images, and LIDAR scans. Its asynchronous nature makes it particularly efficient to handle sensor failures. The semantic information is used to define decay rates at the cell level, and handle potentially moving object. Then, we proposed an evidential classifier of LIDAR objects. This system is trained to distinguish between vehicles and vulnerable road users, that are detected via a clustering algorithm. The classifier can be reinterpreted as performing a fusion of simple evidential mass functions. Moreover, a simple statistical filtering scheme can be used to filter outputs of the classifier that are incoherent with regards to the training set, so as to allow the classifier to work in open world, and reject other types of objects. Finally, we investigated the possibility to perform road detection in LIDAR scans, from deep neural networks. We proposed two architectures that are inspired by recent state-of-the-art LIDAR processing systems. A training dataset was acquired and labeled in a semi-automatic fashion from road maps. A set of fused neural networks reaches satisfactory results, which allowed us to use them in an evidential road mapping and object detection algorithm, that manages to run at 10 Hz.

Autre(s) titre(s):

  • Titre traduit : Application de l apprentissage machine pour la perception crédibiliste 3D, dans le contexte de la conduite autonome


  • Accéder au document
  • Consulter en ligne

    Suggestions

    Du même auteur

    Shared control authority between human and autonomous driving system for intelligent vehicles | Jugade, Shriram (19..-....). Auteur

    Shared control authority between human and autonomous driving system for intelligent vehicles / Jugade, Shriram (19..-....). Auteur, 2019

    Ce travail aborde le problème de l autorité de contrôle partagée entre les conducteurs et système de conduite autonome sans retour haptique utilisant la fusion des entrées de conduite. Le développement d une autorité de contrôle p...

    Source : Ressources électroniques

    THES|THES

    Regularization schemes for transfer learning with convolutional networks | Li, Xuhong (19..-....). Auteur

    Regularization schemes for transfer learning with convolutional networks / Li, Xuhong (19..-....). Auteur, 2019

    L apprentissage par transfert de réseaux profonds réduit considérablement les coûts en temps de calcul et en données du processus d entraînement des réseaux et améliore largement les performances de la tâche cible par rapport à l ...

    Source : Ressources électroniques

    THES|THES

    Modélisation des architectures à renforcement tridimensionnel dans les structures composites | Ha, Manh Hung. Auteur

    Modélisation des architectures à renforcement tridimensionnel dans les structures composites / Ha, Manh Hung. Auteur, 2013

    Ces travaux se placent dans le cadre de l'étude des propriétés mécaniques des architectures à renforcement tridimensionnel dans les structures composites. Nous proposons une approche permettant de caractériser les propriétés mécan...

    Source : Ressources électroniques

    THES|THES

    Du même sujet

    Information fusion for scene understanding | Xu, Philippe. Auteur

    Information fusion for scene understanding / Xu, Philippe. Auteur, 2014

    La compréhension d'image est un problème majeur de la robotique moderne, la vision par ordinateur et l'apprentissage automatique. En particulier, dans le cas des systèmes avancés d'aide à la conduite, la compréhension de scènes ro...

    Source : Ressources électroniques

    THES|THES

    Fusion de croyances dans le cadre combiné de la logique des propositions et de la théorie des probabilités | Piat, Emmanuel.. Docteur

    Fusion de croyances dans le cadre combiné de la logique des propositions et de la théorie des probabilités : application à la reconstruction de scène en robotique mobile / Piat, Emmanuel.. Docteur - UTC, 1996

    Cette thèse propose un cadre conceptuel pour la fusion de croyances dans des hypothèses du type : tel élément appartient à tel ensemble. La notion de croyance est utilisée dans le cadre combiné de la logique des propositions et du...

    Source : Ressources électroniques

    THES|THES

    Novelty detection in the Belief Function Framework, with application to the monitoring of a waste incineration process | Arégui, Astrid. Auteur

    Novelty detection in the Belief Function Framework, with application to the monitoring of a waste incineration process : applications à la surveillance d'un système d'incinération de déchets / Arégui, Astrid. Auteur - [s.n.], 2007

    Cette thèse apporte deux contributions principales, l'une à la construction de fonctions de croyance et l'autre au problème de détection de nouveauté. La première partie de la thèse résume les principales notions de la théorie des...

    Source : Catalogue

    Chargement des enrichissements...

    Avis des lecteurs