Généralisation de domaine et détection 3D d'objets inconnus à partir de données LiDAR

Le développement de systèmes de perception robustes est fondamental pour assurer le fonctionnement sûr et efficace des véhicules autonomes. Ces systèmes accomplissent des tâches essentielles telles que la détection d'objets en 3D, permettant aux véhicules d'identifier et de localiser des obstacles, notamment d'autres véhicules, des piétons et divers objets présents dans leur environnement. Une détection précise est cruciale pour une prise de décision efficace et une navigation sûre dans des scénarios de conduite complexes. Cependant, la détection d'objets en 3D pose des défis importants en raison de la diversité des conditions du monde réel, qui incluent une grande variété de configurations de capteurs, d'environnements géographiques et de complexités de scènes. Premièrement, ce travail de thèse identifie et aborde les différences de domaine (domain shifts) qui surviennent entre différents jeux de données LiDAR en raison de variations dans les spécifications des capteurs, les environnements géographiques et les attributs propres à chaque jeu de données. Ces différences entraînent souvent des écarts de performance importants lors du transfert de modèles entre jeux de données. Pour pallier ces problèmes, un cadre d'entraînement multi-dataset, nommé MDT3D, est introduit. MDT3D intègre des données provenant de diverses sources et applique des techniques novatrices d'augmentation et d'harmonisation des étiquettes, permettant de créer des modèles capables de se généraliser efficacement dans des conditions variées. Deuxièmement, la thèse présente ParisLuco3D, un jeu de données capturé dans les zones urbaines autour du Jardin du Luxembourg à Paris, conçu pour tester la robustesse des modèles dans des scénarios complexes du monde réel. Ce jeu de données offre une plateforme dédiée pour évaluer la généralisation des modèles, avec des benchmarks soulignant les performances limitées des méthodes classiques de généralisation. Enfin, le dernier axe de généralisation exploré concerne la détection d'objets inconnus. Nous reformulons la détection d'objets inconnus comme un problème hors distribution (Out-Of Distribution, OOD), permettant aux modèles de différencier les objets connus des objets inédits sans compromettre la précision sur les catégories connues.