Analyse de mouvement rapide assistée par vision événementielle pour les scènes de conduite

Dans cette thèse, nous avons exploré plusieurs aspects critiques de la conduite autonome, en nous concentrant spécifiquement sur la détection, la segmentation et l'analyse des objets en mouvement et du mouvement de l'ego. La recherche vise à relever les défis posés par les environnements dynamiques, où la perception rapide et précise des objets externes et du mouvement propre du véhicule est cruciale pour une navigation sûre et efficace.La première contribution clé de ce travail concerne le domaine de la détection d'objets en mouvement. Nous introduisons des méthodes innovantes pour intégrer les données de caméras RVB et basées sur des événements, permettant d'améliorer les performances de détection dans des conditions difficiles telles que l'éclairage variable ou le mouvement rapide des objets. En exploitant les caméras d'événements, qui offrent une résolution temporelle plus élevée, et en fusionnant leurs données avec des capteurs RVB traditionnels, le système de détection démontre une plus grande robustesse et fiabilité, en particulier dans les scénarios de conduite urbaine.Sur cette base, nous nous concentrons ensuite sur le problème de la segmentation des objets en mouvement, où les objets détectés ont été segmentés de leur environnement pour une meilleure compréhension des limites des objets. Les méthodes sont essentielles pour les applications où une délimitation précise des objets est nécessaire pour le contrôle du véhicule, en particulier dans les environnements de trafic dynamique.Nous nous intéresserons ensuite à l'analyse des mouvements de l'ego, en particulier dans le contexte de la prédiction de la direction pour les courses autonomes. Nous présentons un système multi-capteurs permettant de prédire les entrées de direction, une tâche essentielle pour maintenir la stabilité du véhicule et le contrôle de la trajectoire dans des environnements de course rapides. Ce travail démontre non seulement le potentiel des systèmes multi-capteurs dans les applications de course, mais souligne également l'importance plus large de l'estimation du mouvement de l'ego dans la conduite autonome en général.