Responsables d’axe
Contexte
Les progrès industriels et technologiques ont conduit à une amélioration des performances des capteurs tant en termes de précision et de sensibilité que de polyvalence. Ces derniers peuvent également être combinés au sein de systèmes multi-capteurs pour augmenter la capacité de perception et la fiabilité d’acquisition d’un dispositif ou d’un équipement. L’hybridation ou fusion de données est ainsi au coeur du développement de systèmes autonomes qui s’affranchissent, au moins partiellement, de l’intervention humaine. Ils constituent un enjeu industriel important comme en atteste le développement de véhicules autonomes par les grands constructeurs automobiles ou la mise en service de taxis volants conçus par Airbus, prévue pour les jeux olympiques de 2024. À l’instar des transports intelligents, on les retrouve dans divers domaines applicatifs comme le secteur biomédical dans lequel des aides au diagnostic exploitant diverses modalités d’imagerie viennent accompagner les professionnels de santé, ou encore pour toutes les activités liées à l’observation de la Terre, y compris par exemple la surveillance maritime. Avec l’industrie 4.0, les capteurs deviennent en outre « intelligents ». Ils ne doivent plus seulement percevoir leur environnement mais intégrer également des unités de traitement qui leur confèrent des capacités d’interprétation et de prise de décision. Ils doivent être capables d’apprendre, de se reconfigurer automatiquement et de communiquer entre eux.
Orientations scientifiques
Dans ce contexte, les algorithmes de fusion de données doivent s’adapter pour répondre à de nouveaux défis tels que :
- la masse importante de données disponibles,
- l’hétérogénéité de celles-ci.
Outre des mesures quantitatives, ils peuvent ainsi intégrer des informations contextuelles telles que des connaissances expertes, des ontologies ou encore, en navigation et pistage, des cartes géographiques. Se pose alors la question du choix de représentations adaptées pour traiter et exploiter celles-ci.
À cet effet, de nombreux travaux de recherche menés actuellement s’intéressent à la potentialité d’approches hybrides fondées conjointement sur des modèles de connaissance et des techniques d’apprentissage profond qui permettent de pallier les incertitudes sur le modèle de génération des données. Elles offrent également davantage de flexibilité pour intégrer différents niveaux d’information, y compris les plus abstraits. Ce type de démarche suscite un intérêt particulier en maintenance prédictive, qui est un enjeu industriel majeur. Cette évolution doit également s’accompagner d’une réflexion sur la frugalité des approches développées. Pour certaines applications telles que la navigation, il s’agit d’une condition nécessaire pour permettre un fonctionnement en temps réel de ces systèmes d’information intelligents. De façon plus générale, il s’agit d’une question de sobriété environnementale.
Cet axe a pour objectif de fédérer et d’animer la recherche en traitement du signal et des images autour du développement de nouvelles approches de fusion d’informations, alliant flexibilité et robustesse, qui accompagneront la transition numérique.
