Contexte:
Ce sujet de thèse s’inscrit dans le cadre du projet ANR JCJC AdaV (Adaptive multimodal data fusion for object detection in adverse weather conditions for autonomous vehicles) 2025-2029. Elle s’inscrit également dans les thématiques de recherche de l’équipe Systèmes de Transport Intelligents (STI) du laboratoire LITIS autour de l’analyse de scènes routières pour l’aide à la conduite. Ces recherches visent particulièrement à développer des méthodes de perception dans des conditions météorologiques dégradées (pluie, brouillard, …) avec une approche de fusion multimodale visant à améliorer les performances des algorithmes de détection.
Objectifs de la thèse
L’objectif de cette thèse est d’intégrer l’incertitude et la fiabilité de chaque capteur dans le processus de détection dynamique des objets, en particulier dans des conditions météorologiques défavorables. L’idée principale est de gérer la non-durabilité et l’incohérence des performances d’un capteur dans différentes conditions et d’adapter la source de données principale en fonction de son degré de confiance basé sur une évaluation expérimentale prédéfinie. L’objectif est de proposer une solution technologique et algorithmique pour appréhender les problèmes de visibilité et augmenter la fiabilité de l’instrumentation basée sur un processus de sélection dynamique et adaptative de la source d’information.
D’un point de vue technologique, l’utilisation de caméras polarimétriques et RGB, d’un LiDAR et d’un RADAR offrira un ensemble robuste de données dans plusieurs conditions météorologiques. L’inclusion de ces capteurs permettra de prendre en compte les caractéristiques optiques des objets fournies par les caméras RGB en conditions de visibilité normale et la possibilité de détecter les propriétés géométriques des objets perçus dans des conditions météorologiques défavorables par les caméras polarimétriques. Le LiDAR permettra d’obtenir les données de profondeur et d’améliorer le schéma de perception grâce à sa haute résolution et à sa portée.
D’un point de vue algorithmique, l’idée principale est de définir une approche qui prend en compte l’imprécision et la durabilité de ces capteurs pour chaque condition donnée. Il est également nécessaire de définir un schéma de fusion qui met en évidence la complémentarité de ces sources d’information hétérogènes et d’indiquer la présence de défaillances en fonction du conflit résultant.
L’objectif principal de cette thèse est de paramétrer la multi-modalité en fonction de l’incertitude quantifiée liée à chaque capteur selon le degré de visibilité dans un scénario donné.
Profil recherché
- Compétences en robotique mobile et perception
- Algorithmique et programmation dans les langages Python, C/C++
- Connaissance de l’environnement ROS souhaitable
Pour candidater, merci d’envoyer votre CV et vos relevés de notes à l’ensemble de l’équipe encadrante.
Encadrement
- Directeurs: Rémi Boutteau (remi.boutteau@univ-rouen.fr), Samia Ainouz (samia.ainouz@insa-rouen.fr)
- Encadrante: Hind Laghmara (hind.laghmara@insa-rouen.fr)
