Conception d'un système de perception robuste pour les véhicules autonomes associant l'apprentissage profond et la fusion de données

La thèse étudie la combinaison entre les architectures d'apprentissage profond et la théorie des fonctions de croyance, formalisme approprié à la représentation étendue des imperfections des données. Son application est la perception de l'environnement pour les véhicules autonomes. Dans ce contexte, un réseau de référence de fusion caméra-LiDAR appelé fusion croisée est choisi pour la détection de routes. Il s'agit d'un réseau d'apprentissage profond basé sur un encodeur-décodeur. Dans un premier temps, l'architecture est réduite afin de répondre à des contraintes de puissance de calcul dans les applications de systèmes embarqués. Les méthodes de réduction sont basées sur l'analyse des poids internes au réseau. Les architectures réduites montrent des performances comparables à celles du réseau initial tout en réduisant la compléxité combinatoire. Dans un second temps, ces réseaux sont couplés à la théorie des fonctions de croyances par l’intégration de couches évidentielles. Les fonctions de masses sont déterminées par l’approche de la distance à un prototype. Les réseaux évidentiels sont ensuite évalués sur des données réelles du jeux de données KITTI et montrent de meilleures performances que les modèles probabilistes correspondants : ces réseaux sont à la fois plus petits, plus rapides, plus informatifs et plus performants que l’architecture initiale. Cependant, les fonctions de masses associées aux prototypes montrent un degré élevé de conflit dans certaines régions des scènes routières. La source du conflit est identifiée et une rectification est proposée.