Prédiction des flux de personnes par propagation sur GPU des observations d’une flotte de robots

Les tâches réalisées par des robots de service nécessitent des interactions homme-robot et la coordination de la flotte. Dans ce cadre, la prédiction de la localisation des humains est un facteur clé. Cet article propose un modèle de propagation des probabilités de présence des personnes fondée sur l’observation des flux de déplacement. Ce processus fournit en temps réel une carte des régions les plus probables où les personnes peuvent se trouver. Nous proposons une expression du modèle permettant de paralléliser efficacement la propagation des flux. Pour fusionner le modèle appris et les observations des robots, nous intégrons un modèle gaussien de prédiction court terme du déplacement (modèle von Mises [11]). Une série d’expériences est réalisée avec des environnements simulés mais aussi intégrant des données réelles permettant d’évaluer et comparer l’approche proposée.

Authors

Institutions

Publication Details

Journal
Revue Ouverte d Intelligence Artificielle
Published
2026-11-20
DOI
https://doi.org/10.5802/roia.102
Primary Topic
Robotics and Sensor-Based Localization
Type
article
Field-Weighted Citation Impact
0.00
Controls
|||
ALL TIME
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
article

Prédiction des flux de personnes par propagation sur GPU des observations d’une flotte de robots

Fabrice Jumel, Jacques Saraydaryan, Olivier Simonin
Revue Ouverte d Intelligence Artificielle
Robotics and Sensor-Based Localization
article

Prédiction des flux de personnes par propagation sur GPU des observations d’une flotte de robots

Fabrice Jumel, Jacques Saraydaryan, Olivier Simonin
article en

Abstract

Les tâches réalisées par des robots de service nécessitent des interactions homme-robot et la coordination de la flotte. Dans ce cadre, la prédiction de la localisation des humains est un facteur clé. Cet article propose un modèle de propagation des probabilités de présence des personnes fondée sur l’observation des flux de déplacement. Ce processus fournit en temps réel une carte des régions les plus probables où les personnes peuvent se trouver. Nous proposons une expression du modèle permettant de paralléliser efficacement la propagation des flux. Pour fusionner le modèle appris et les observations des robots, nous intégrons un modèle gaussien de prédiction court terme du déplacement (modèle von Mises [11]). Une série d’expériences est réalisée avec des environnements simulés mais aussi intégrant des données réelles permettant d’évaluer et comparer l’approche proposée.

Revue Ouverte d Intelligence ArtificielleVol. 7(1-2)
Institut National des Sciences Appliquées de Lyon (FR), École d'Ingénieurs en Chimie et Sciences du Numérique (FR)
Robotics and Sensor-Based Localization
AI Navigator

Ask Laika to Summarize, Analyze, and Connect papers live on the map.

Summarize Papers & Methodologies

Extract key findings, datasets, and comparative methods across publications.

Benchmark Rankings & Visual Analytics

Rank top research institutions, authors, funders, topics, and journals by Field-Weighted Citation Impact (FWCI) and paper volume with instant charts.

Connect Distant Disciplines

Bridge topological clusters on the map to find hidden collaborative intersections.

Laika access coming soon