Donnons un sens à l'innovation

Séminaires

02/07/2024 – SYRI and CID Col­lab­o­ra­tive Work­shop
- Sta­tis­ti­cal guar­an­tees for object detec­tion
- Har­ness­ing Super­class­es for Learn­ing from Hier­ar­chi­cal Data­bas­es
- Enhanc­ing Local­iza­tion through Per­cep­tion: Appli­ca­tions of Vec­tor Maps
- Intro­duc­tion à des archi­tec­tures de réseaux de neu­rone de traite­ment des événe­ments
- Esti­ma­tions d’in­cer­ti­tudes pour le cal­i­brage entre cap­teurs par appren­tis­sage pro­fond
- Présen­ta­tion de début de thèse: Esti­ma­tion de l’in­cer­ti­tude et de l’in­tégrité pour les sys­tèmes de per­cep­tion basés sur l’ap­pren­tis­sage automatique

17/05/2024 – Mohamed-Amine Abrache
« Inno­va­tions dans les Envi­ron­nements Infor­ma­tiques d’Ap­pren­tis­sage : De l’Op­ti­mi­sa­tion de l’É­val­u­a­tion par les Pairs à l’Usage de la Réal­ité Virtuelle »


10/05/2024 – Rai­di Ktari
« Toward cred­i­ble belief base revision »


07/05/2024 – Jin­feng Zhong
« When fac­tor­iza­tion meets argu­men­ta­tion: towards argu­men­ta­tive expla­na­tions for recommendations »


06/05/2024 – Ikram Chraibi Kaadoud
« Com­pren­dre le com­porte­ment des sys­tèmes com­plex­es en util­isant l’in­ter­préta­bil­ité et l’explicabilité »


16/01/2024 – Ismaïl Baaj
« On the han­dling of incon­scient sys­tems of fuzzy rela­tion­al equations »


2023 – Par­tie 1

2023 – Par­tie 2

Résumé

Thier­ry Denoeux

Pro­fesseur à l’U­ni­ver­sité de Com­piègne, Heudiasyc

Le mer­cre­di 22 jan­vi­er à 14H, en amphithéa­tre Bessel

Abstract:

The Demp­ster-Shafer the­o­ry of belief func­tions is a for­mal frame­work for mod­el­ing and rea­son­ing with uncer­tain­ty. It is based on the rep­re­sen­ta­tion of inde­pen­dent pieces of evi­dence by belief func­tions, and on their com­bi­na­tion by an oper­a­tor called Dempster’s rule. In this talk, we show that the weight­ed sum and soft­max oper­a­tions per­formed in logis­tic regres­sion clas­si­fiers and, for instance, in the out­put lay­er of feed­for­ward neur­al net­works can be inter­pret­ed in terms of evi­dence aggre­ga­tion using Demp­ster’s rule of com­bi­na­tion. From that per­spec­tive, the out­put prob­a­bil­i­ties com­put­ed by such clas­si­fiers (includ­ing also sup­port vec­tor machines) can be seen as being derived from  some belief func­tions, which can be laid bare and used for deci­sion mak­ing or clas­si­fi­er fusion. This find­ing sug­gests that the links between machine learn­ing and belief func­tions are clos­er than is usu­al­ly assumed, and that Demp­ster-Shafer the­o­ry pro­vides a suit­able frame­work for devel­op­ing new machine learn­ing algorithms.

Sébastien Konieczny

Directeur de Recherche CNRS, CRIL (Cen­tre de Recherche en Infor­ma­tique de Lens)

Le mar­di 3 décem­bre 2019 à 14H, en GI 16

Résumé: Nous présen­tons la plate-forme www.coscinus.org. Cette plate-forme per­met, à par­tir de l’analyse des don­nées issues de DBLP, de déter­min­er des prox­im­ités entre sup­ports de pub­li­ca­tion (con­férences et jour­naux) en infor­ma­tique, et de faire appa­raître des domaines de la dis­ci­pline en réal­isant un par­ti­tion­nement des sup­ports. L’idée étant que deux sup­ports sont con­sid­érés comme proches si de nom­breux auteurs pub­lient con­join­te­ment dans ces deux sup­ports. On peut donc obtenir une carte de la dis­ci­pline basée unique­ment sur les habi­tudes de pub­li­ca­tion des auteurs. Nous présen­tons ensuite un out­il per­me­t­tant d’i­den­ti­fi­er des experts dans un domaine (plus exacte­ment nous iden­ti­fions les auteurs qui pub­lient le plus dans le voisi­nage d’un sup­port don­né), ain­si qu’un out­il per­me­t­tant d’i­den­ti­fi­er des experts cor­re­spon­dant à un auteur don­né. Ce dernier out­il peut être vu comme un cas par­ti­c­uli­er d’une prob­lé­ma­tique plus générale qui est d’i­den­ti­fi­er quels sont les meilleurs élé­ments, étant don­né un élé­ment cible.

Sébastien Dester­cke

GI42, 14h

Heudi­asyc Laboratory

This sem­i­nar will con­tain two short talks, recent­ly giv­en in dif­fer­ent conferences.

The first talk will con­cern an impre­cise prob­a­bilis­tic mod­el to nav­i­gate through an uncer­tain occu­pa­tion grid, with an illus­tra­tive appli­ca­tion to autonomous vehicles.

The sec­ond talk will con­cern the prob­lem of pre­dict­ing a set of clus­ter­ings from a rela­tion­al matrix where infor­ma­tion on the pos­si­ble rela­tions are pro­vid­ed by scores.

Lucie Jacquin

Doc­tor­ante, cen­tre LGI2P (Lab­o­ra­toire de Génie Infor­ma­tique et d’Ingénierie de Pro­duc­tion)

Le mer­cre­di 16 Octo­bre 2019 à 10h30, en GI 42

Résumé: Besides eco­log­i­cal issues, the recy­cling of plas­tics involves eco­nom­ic incen­tives that encour­age indus­tri­al firms to invest in the field. Some of them have focused on the waste sort­ing phase by design­ing opti­cal devices able to dis­crim­i­nate on-line between plas­tic cat­e­gories. To achieve both eco­log­i­cal and eco­nom­ic objec­tives, sort­ing errors must be min­i­mized to avoid seri­ous recy­cling prob­lems and sig­nif­i­cant qual­i­ty degra­da­tion of the final recy­cled prod­uct. Even with the most recent acqui­si­tion tech­nolo­gies based on spec­tral imag­ing, plas­tic recog­ni­tion remains a tough task due to the pres­ence of impre­ci­sion and uncer­tain­ty, e.g. vari­abil­i­ty in mea­sure­ment due to atmos­pher­ic dis­tur­bances, age­ing of plas­tics, black or dark-coloured mate­ri­als etc. The enhance­ment of recent sort­ing tech­niques based on clas­si­fi­ca­tion algo­rithms has led to quite good per­for­mance results, how­ev­er the remain­ing errors have seri­ous con­se­quences for such appli­ca­tions. We pro­pose an impre­cise clas­si­fi­ca­tion algo­rithm to min­i­mize the sort­ing errors of stan­dard clas­si­fiers when deal­ing with incom­plete data, by both inte­grat­ing the pro­cess­ing of clas­si­fi­ca­tion doubt and hes­i­ta­tion in the deci­sion process and improv­ing the clas­si­fi­ca­tion per­for­mances. To this end, we pro­pose a rela­belling pro­ce­dure that enables bet­ter rep­re­sen­ta­tion of the impre­ci­sion of the learn­ing data, and we intro­duce the belief func­tions frame­work to rep­re­sent the pos­te­ri­or prob­a­bil­i­ty pro­vid­ed by a clas­si­fi­er. Final­ly, the per­for­mances of our approach com­pared to exist­ing impre­cise clas­si­fiers is illus­trat­ed on the sort­ing prob­lem of four plas­tic cat­e­gories from mid-wave­length infrared spec­tra acquired in an indus­tri­al context.

Alix Goudyme

Doc­tor­ant, CRIL (Cen­tre de recherche en Infor­ma­tique de Lens)

Le mar­di 1er Octo­bre 2019 à 14h, en GI 41

Résumé: Mod­élis­er l’in­ten­tion per­met d’ex­pli­quer les déci­sions pris­es par des agents. Dans ce tra­vail, nous pro­posons une mod­éli­sa­tion de l’in­ten­tion dans des jeux épistémiques représen­tés en logique épistémique dynamique. Étant don­nées une pro­priété et une suite d’ac­tions déjà réal­isée par un joueur dans un tel jeu, nous pro­posons une méth­ode capa­ble de déter­min­er si le joueur a eu l’in­ten­tion d’obtenir cette pro­priété.
Un exem­ple de l’u­til­i­sa­tion de cette méth­ode est don­né en util­isant une ver­sion sim­pli­fiée du jeu col­lab­o­ratif Hanabi.

Yonatan Car­los Alarcon

Doc­tor­ant, Uni­ver­sité de Tech­nolo­gie de Compiègne

Le lun­di 16 sep­tem­bre 2019 à 11h, en GI 42

Résumé: Ce sémi­naire présen­tera les derniers travaux de thèse de Yonatan, por­tant notam­ment sur les prob­lèmes d’ap­pren­tis­sage de mod­èles pru­dents à sor­ties struc­turées, notam­ment pour les prob­lèmes de pré­dic­tions de range­ment ou multi-étiquettes.

Frédéric Pichon

Maître de con­férence, Uni­ver­sité d’Artois

Le lun­di 16 sep­tem­bre 2019 à 14h, en GI 42

Résumé: La fusion d’in­for­ma­tions est un proces­sus dont l’ob­jec­tif est d’ex­traire une con­nais­sance véridique et aus­si fine que pos­si­ble à pro­pos d’une entité d’in­térêt, étant don­né des infor­ma­tions incer­taines provenant de sources de qual­ité vari­able. Dans un pre­mier temps, nous ver­rons que la théorie des fonc­tions de croy­ance est par­ti­c­ulière­ment adap­tée à ce prob­lème. Une approche générale pour la fusion fondée sur une mod­éli­sa­tion des con­nais­sances sur la qual­ité des sources sera notam­ment présen­tée, ain­si que quelques résul­tats asso­ciés dont une nou­velle décom­po­si­tion canon­ique des fonc­tions de croy­ance. Dans un deux­ième temps, le prob­lème de la com­para­i­son d’in­for­ma­tions incer­taines sera abor­dé. Une général­i­sa­tion de la notion de spé­cial­i­sa­tion, qui étend l’in­clu­sion entre ensem­bles aux fonc­tions de croy­ance et qui per­met donc la com­para­i­son de leur con­tenu infor­ma­tion­nel, sera présen­tée. Cette général­i­sa­tion con­stitue un moyen d’é­ten­dre toute rela­tion entre ensem­bles aux fonc­tions de croy­ance. Enfin, quelques exem­ples issus d’ap­pli­ca­tions vien­dront illus­tr­er ces divers­es contributions.

Gabriel Frisch

Doc­tor­ant, Uni­ver­sité de Tech­nolo­gie de Compiègne

Le mar­di 28 mai 2019 à 14h, en GI 42

Résumé: Nous présen­tons un mod­èle sta­tis­tique basé sur le Latent  Block Mod­el (LBM, une méth­ode de coclus­ter­ing) pour réalis­er une  recom­man­da­tion sociale. Le mod­èle utilise des vari­ables latentes pour
mod­élis­er un proces­sus de man­que­ment de don­née de type Not Miss­ing At Ran­dom (NMAR)

Jer­ry Lonlac

Post-doc­tor­ant, IMT Lille Douai

Le mer­cre­di 22 mai à 14h, en GI42

Abstract: Dans cet exposé décom­posé en deux par­ties, je présen­terai mes travaux autour de la Sat­is­fi­a­bil­ité en logique propo­si­tion­nelle et de la fouille de don­nées, en faisant ressor­tir les liens pou­vant exis­ter entre-elles.

Dans la pre­mière par­tie, je com­mencerai par intro­duire briève­ment le prob­lème de la Sat­is­fi­a­bil­ité propo­si­tion­nelle qui est un prob­lème fon­da­men­tal en théorie de la com­plex­ité. Ensuite, je mon­tr­erai com­ment intro­duire un point de vue basé sur les préférences des util­isa­teurs dans la réso­lu­tion SAT à par­tir d’une stratégie de sup­pres­sion de claus­es appris­es (expli­ca­tions des dif­férents con­flits) fondée sur une
rela­tion de dom­i­nance entre claus­es apprises.

Dans la deux­ième par­tie, je me focalis­erai tout d’abord sur le prob­lème de fouille de motifs gradu­els. Les motifs gradu­els qui mod­élisent les co-vari­a­tions com­plex­es d’at­trib­uts de la forme « plus/moins A, plus/moins B »; jouent un rôle pri­mor­dial dans plusieurs appli­ca­tions du monde réel où le vol­ume de don­nées numériques à gér­er est impor­tant, c’est le cas de don­nées biologiques ou de don­nées médi­cales. Ces motifs peu­vent con­stituer un moyen de pren­dre en compte l’incertitude dans les co-vari­a­tions de valeurs d’attributs. Par la suite, je présen­terai une nou­velle for­mu­la­tion du prob­lème de fouille de motifs gradu­els comme une tâche de fouille de motifs séquen­tiels. Cette réduc­tion orig­i­nale per­met d’exploiter les algo­rithmes de fouille de motifs séquen­tiels pour extraire les motifs gradu­els et de sur­mon­ter quelques lim­i­ta­tions des approches de la littérature.

Enfin, je mon­tr­erai à tra­vers une mod­éli­sa­tion par con­traintes du prob­lème de fouille de motifs gradu­els com­ment rechercher les motifs gradu­els en util­isant la Sat­is­fi­a­bil­ité Propositionnelle.

Xavier Par­ent

Chercheur post-doc­tor­al, Uni­ver­sité du Lux­em­bourg, Fac­ul­ty of Sci­ence, Tech­nol­o­gy and Communication

Le mar­di 21 mai 2019 à 14h, en GI 42

Résumé: Les logiques non-monot­o­nes et les logiques des con­di­tion­nels ont été dévelop­pées par les chercheurs en IA pour ren­dre compte du raison­nement en sit­u­a­tion d’in­cer­ti­tude. La base de con­nais­sance con­tient des énon­cés con­di­tion­nels (« si… alors … ») exp­ri­mant des règles générales sujettes à excep­tions.  On s’in­téresse ici aux logiques des con­di­tion­nels dans leur ver­sion dite « déon­tique », où  le con­di­tion­nel exprime une oblig­a­tion. Le mod­èle est de type qual­i­tatif ou ordi­nal, et repose sur l’usage d’une rela­tion de préférence com­para­nt deux alter­na­tives.  Cette approche de type qual­i­ta­tive se veut « généralis­er »  l’ap­proche de type quan­ti­ta­tive, reposant sur la manip­u­la­tion de nom­bres, ou d’u­til­ités.

Dans cet exposé, je présen­terai le résul­tat d’un pro­jet qui vise à iden­ti­fi­er les dif­férentes axioma­tiques  que l’on obtient en jouant sur deux fac­teurs. Tout d’abord, on peut faire vari­er les pro­priétés de la rela­tion de préférence: réflex­iv­ité, tran­si­tiv­ité, total­ité, lim­it assump­tion. Ensuite, on peut jouer sur la dis­tinc­tion (faîte en théorie du choix rationnel) entre élé­ment max­i­mal et élé­ment opti­mal.

Si le temps le per­met, je décrirais égale­ment un tra­vail en cours d’au­toma­ti­sa­tion de ces logiques via Isabelle/HOL–collaboration avec C. Benz­mueller (Uni­ver­sité Libre de Berlin)

Khaled Belahcène

Post-doc­tor­ant, Nutri­omics laboratory

Le jeu­di 16 mai à 14h, en GI42

Abstract: Le mod­èle addi­tif con­stitue le vais­seau ami­ral des procé­dures visant à agréger des points de vues mul­ti­ples, voire con­flictuels, que ce soit en déci­sion mul­ti­critères, en choix social, ou en appren­tis­sage automa­tique. Sa sim­plic­ité tech­nique incite à penser qu’il s’agit d’un mod­èle « inter­prétable ». Nous chercherons à réalis­er ce poten­tiel, en allant jusqu’à l’interprétation, de cette procé­dure d’agrégation des préférences, dans un cadre robuste vis-à-vis de l’aspect incom­plet de l’information.

Bib­li­ogra­phie:

Belahcene, Khaled, et al. Explain­ing robust addi­tive util­i­ty mod­els by sequences of pref­er­ence swaps. The­o­ry and Deci­sion 82.2 (2017): 151–183.

Belahcene, Khaled, et al. Com­par­ing options with argu­ment schemes pow­ered by can­cel­la­tion. IJCAI 2019

Mar­tin Dieguez

Chercheur post-doc­tor­al, Ecole Nationale d’Ingénieurs de Brest, Lab-STICC

Le mar­di 14 mai 2019 à 14h, en GI 42

Résumé: Answer Set Pro­gram­ming (ASP) est une forme de pro­gram­ma­tion déclar­a­tive ori­en­tée vers les prob­lèmes de recherche dif­fi­ciles (prin­ci­pale­ment NP-dif­fi­ciles). ASP a été util­isé avec suc­cès dans des domaines tels que la représen­ta­tion des con­nais­sances (KR), la pro­gram­ma­tion logique et le raison­nement automa­tique. Dans cet exposé, je présen­terai plusieurs exten­sions d’ASP qui per­me­t­tent d’utiliser ce for­mal­isme pour représen­ter et raison­ner sur dif­férents types de scé­nar­ios tels que robo­t­ique, réal­ité virtuelle, inté­gra­tion des con­naî­sances, plan­i­fi­ca­tion, diag­nose, sys­tèmes biologiques ou scé­nar­ios con­tenant des infor­ma­tions incertaines.

Abstract: Answer Set Pro­gram­ming (ASP) is a form of declar­a­tive pro­gram­ming ori­ent­ed towards dif­fi­cult (pri­mar­i­ly NP-hard) search prob­lems. ASP has been suc­cess­ful­ly used in areas such as Knowl­edge Rep­re­sen­ta­tion (KR), Log­ic Pro­gram­ming and Auto­mat­ed Rea­son­ing. In this talk I will present sev­er­al recent of ASP that allow using this for­mal­ism for rep­re­sent­ing and rea­son­ing on dif­fer­ent types of sce­nar­ios such as robot­ics, vir­tu­al real­i­ty, knowl­edge inte­gra­tion, plan­ning, diag­no­sis, bio­log­i­cal sys­tems or sce­nar­ios with uncer­tain information.

Christophe Ambroise

Pro­fesseur, Uni­ver­sité d’Évry Val d’Es­sonne, Lab­o­ra­toire de Math­é­ma­tiques et Mod­éli­sa­tion d’Évry

Le mar­di 9 Avril à 15h, en GI 42

Abstract: The behav­ior of eco­log­i­cal sys­tems main­ly relies on the inter­ac­tions between the species it involves. In many sit­u­a­tions, these inter­ac­tions are not observed and have to be inferred from species abun­dance data. To be rel­e­vant, any recon­struc­tion net­work method­ol­o­gy needs to han­dle count data and to account for pos­si­ble envi­ron­men­tal effects. It also needs to dis­tin­guish between direct and indi­rect inter­ac­tions and graph­i­cal mod­els pro­vide a con­ve­nient frame­work for this purpose.

We intro­duce a gener­ic sta­tis­ti­cal mod­el for net­work recon­struc­tion based on abun­dance data. The mod­el includes fixed effects to account for envi­ron­men­tal covari­ates and sam­pling efforts, and cor­re­lat­ed ran­dom effects to encode species inter­ac­tions. The inferred net­work is obtained by aver­ag­ing over all pos­si­ble tree-shaped (and there­fore sparse) net­works, in a com­pu­ta­tion­al­ly effi­cient man­ner. An out­put of the pro­ce­dure is the prob­a­bil­i­ty for each edge to be part of the under­ly­ing network. 

A sim­u­la­tion study shows that the pro­posed method­ol­o­gy com­pares well with state-of-art approach­es, even when the under­ly­ing net­work strong­ly dif­fers from a tree. The analy­sis of two data sets high­lights the influ­ence of covari­ates on the inferred network.

Prakash Shenoy

Pro­fesseur, Kansas Uni­ver­si­ty, School of business

Le mar­di 2 Avril à 14h, en amphi Gauss

Abstract: I will present some of the the­o­ry and appli­ca­tions of graph­i­cal mod­els using Demp­ster-Shafer­’s (DS) belief func­tion the­o­ry. To empha­size the com­mon­al­i­ties with prob­a­bilis­tic graph­i­cal mod­els, I will first describe the abstract frame­work of val­u­a­tion-based sys­tems, which includes prob­a­bil­i­ty the­o­ry and DS belief func­tion the­o­ry. Next, I will describe the basics of DS belief func­tion the­o­ry, and illus­trate the def­i­n­i­tions using the cap­tain’s prob­lem from Almond’s 1995 mono­graph titled « Graph­i­cal Belief Mod­el­ing. » Using the cap­tain’s prob­lem, I will describe local com­pu­ta­tion in com­put­ing mar­gin­als of joint belief func­tion. This algo­rithm is imple­ment­ed in Belief Func­tion Machine (BFM), an open source Mat­lab code for constructing/solving graph­i­cal mod­els in DS belief func­tions. I will demon­strate the use of BFM in solv­ing the Cap­tain’s prob­lem, the chest clin­ic Bayes net exam­ple from Lau­ritzen-Spiegel­hal­ter’s 1988 arti­cle in JRSS, and a large com­mu­ni­ca­tion net­work reli­a­bil­i­ty exam­ple described in Haen­ni-Lehman­n’s 2002 arti­cle in IJAR.

Amélie Lev­ray

Post-doc­tor­ante, Uni­ver­sité d’Ed­im­burgh, School of informatics

Le mar­di 26 mars à 14h, en GI 42

Abstract: Large-scale prob­a­bilis­tic rep­re­sen­ta­tions, includ­ing sta­tis­ti­cal  knowl­edge bases and graph­i­cal mod­els, are increas­ing­ly in demand. They  are built by min­ing mas­sive sources of struc­tured and unstruc­tured  data, the lat­ter often derived from nat­ur­al lan­guage pro­cess­ing  tech­niques. The very nature of the  enter­prise makes the extract­ed  rep­re­sen­ta­tions prob­a­bilis­tic. In par­tic­u­lar, induc­ing rela­tions and  facts from noisy and incom­plete sources via sta­tis­ti­cal machine  learn­ing mod­els means that the labels are either already  prob­a­bilis­tic, or that prob­a­bil­i­ties approx­i­mate con­fi­dence. While the  progress is impres­sive,  extract­ed rep­re­sen­ta­tions essen­tial­ly enforce  the closed-world assump­tion, which means that all facts in the  data­base are accord­ed the cor­re­spond­ing prob­a­bil­i­ty, but all oth­er  facts have prob­a­bil­i­ty zero. The CWA is deeply prob­lem­at­ic in most  machine learn­ing con­texts. A prin­ci­pled solu­tion is need­ed for  rep­re­sent­ing incom­plete and inde­ter­mi­nate knowl­edge in such mod­els,  impre­cise prob­a­bil­i­ty mod­els such as credal net­works being an exam­ple. In this work, we are inter­est­ed in the foun­da­tion­al prob­lem of  learn­ing such open-world prob­a­bilis­tic mod­els. How­ev­er, since exact  infer­ence in prob­a­bilis­tic graph­i­cal mod­els is intractable, the  par­a­digm of tractable learn­ing has emerged to learn data struc­tures  (such as arith­metic cir­cuits) that sup­port effi­cient prob­a­bilis­tic  query­ing. We show here how the com­pu­ta­tion­al machin­ery under­ly­ing  tractable learn­ing and infer­ence has to be gen­er­alised for impre­cise  prob­a­bil­i­ties. Our empir­i­cal eval­u­a­tions demon­strate that our regime  is also effective.

Khaled Belahcène

Post-doc­tor­ant, Nutri­omics laboratory

Le mar­di 12 mars à 14h, en amphi Gauss (bâti­ment G du cen­tre de recherche)

Abstract: Nous cher­chons à équiper un proces­sus d’aide à la déci­sion d’outils per­me­t­tant de répon­dre aux exi­gences de redev­abil­ité. Nous faisons l’hypothèse d’un proces­sus dialec­tique entre par­ties prenantes de la déci­sion, ce qui per­met d’envisager l’acquisition d’information sur les préférences ain­si que la pos­si­bil­ité d’interroger le bien-fondé ou la loy­auté de la procé­dure de décision/recommandation, voire d’en con­tester les effets. Tech­nique­ment, nous pro­posons d’étudier l’espace des ver­sions d’un mod­èle d’agrégation des préférences issu de la Théorie de la déci­sion, et de for­muler le prob­lème inverse cor­re­spon­dant. Nous ver­rons com­ment cette for­mu­la­tion per­met de représen­ter l’inférence robuste à l’aide de sché­mas d’arguments, et ain­si pro­duire des expli­ca­tions des recom­man­da­tions, si pos­si­ble cor­rectes, com­plètes, facile à cal­culer et à com­pren­dre. Nous illus­trerons cette approche dans le cadre d’une procé­dure col­lec­tive de tri par approbation.

Arthur Van Camp

Post-doc­tor­ant, Uni­ver­sité de Tech­nolo­gie de Com­piègne, Heudi­asyc (équipe CID)

Le mar­di 5 mars en GI42, à 14h

Abstract:

Impre­cise choice func­tions con­sti­tute a very gen­er­al and sim­ple math­e­mat­i­cal frame­work for mod­el­ling choice under uncer­tain­ty. In par­tic­u­lar, they rep­re­sent the set-val­ued choic­es that typ­i­cal­ly arise from apply­ing deci­sion rules to impre­cise-prob­a­bilis­tic uncer­tain­ty mod­els. Choice func­tions can be giv­en a clear behav­iour­al inter­pre­ta­tion in terms of atti­tudes towards gam­bling.  I will intro­duce choice func­tions as a tool to mod­el uncer­tain­ty, and con­nect them with oth­er, less gen­er­al, belief mod­els used in the the­o­ry of impre­cise prob­a­bil­i­ties, such as sets of desir­able gam­bles, and sets of probabilities.

Présen­ta­tion

Marc Cavaz­za

Pro­fesseur, Chef du Départe­ment Infor­ma­tique à l’U­ni­ver­sité de Greenwich

Le mar­di 26 févri­er dans l’am­phi du Cen­tre d’In­no­va­tion, à 14h

Résumé :

Les tech­niques de Nar­ra­tion Inter­ac­tive se sont dévelop­pées depuis les années 2000 prin­ci­pale­ment dans le but de fournir un con­tenu nar­ratif plus évolué aux médias inter­ac­t­ifs, pour des appli­ca­tions plus ludiques qu’éducatives. Avec le développe­ment de représen­ta­tions des con­nais­sances plus sophis­tiquées et d’approches plus cog­ni­tives de la nar­ra­tion, il existe de nou­velles oppor­tu­nités pour utilis­er des tech­niques nar­ra­tives dans le cadre de la sim­u­la­tion et de la for­ma­tion. Cette ten­dance rejoint au niveau nar­ratif le développe­ment du domaine des « Jeux Sérieux ». Nous présen­tons plusieurs exem­ples d’utilisation de tech­niques nar­ra­tives dans des appli­ca­tions non ludiques, basées sur une util­i­sa­tion de tech­niques de plan­i­fi­ca­tion par oper­a­teurs ou par tâches.

Dans le domaine de la for­ma­tion ou de l’éducation des patients, la con­ver­sion de mod­èles en con­nais­sances en frag­ments nar­rat­ifs scé­nar­isés peut être util­isée pour créer une diver­sité de sit­u­a­tions résul­tant de l’interaction entre des con­nais­sances génériques et des don­nées per­son­nelles. Nous présen­terons égale­ment une approche cog­ni­tive de la nar­ra­tion qui vise à con­trôler le phénomène de com­préhen­sion nar­ratif, et qui a pu être util­isée pour explor­er la com­préhen­sion causale chez l’enfant.

Tim­o­th­ée Tabouy

Doc­tor­ant à AgroParisTech

Le mar­di 8 jan­vi­er en GI42, à 14h

Résumé :

The pur­pose here is to deal with non-observed dyads dur­ing the sam­pling of a net­work and con­sec­u­tive issues in the Sto­chas­tic Block Mod­el (SBM) infer­ence. We’ll review sam­pling designs and recov­er Miss­ing At Ran­dom (MAR) and Not Miss­ing At Ran­dom (NMAR) con­di­tions for SBM. We’ll intro­duce sev­er­al vari­ants of the vari­a­tion­al EM (VEM) algo­rithm for infer­ring the SBM under var­i­ous sam­pling designs (MAR and NMAR). Mod­el selec­tion cri­te­ria based on Inte­grat­ed Clas­si­fi­ca­tion Like­li­hood (ICL) are derived for select­ing both the num­ber of blocks and the sam­pling design. We’ll inves­ti­gate the accu­ra­cy and the range of applic­a­bil­i­ty of these algo­rithms with sim­u­la­tions. We’ll final­ly explore one real-world net­works from biol­o­gy (pro­tein-pro­tein inter­ac­tion net­work), where the inter­pre­ta­tions con­sid­er­ably depends on the sam­pling designs considered.

Dester­cke Sébastien

Chercheur CNRS au lab­o­ra­toire Heudiasyc

Le mar­di 22 jan­vi­er 2018 à 14h en GI16

Résumé :

In this talk, we will present a gener­ic mean to han­dle pref­er­ences of an indi­vid­ual user taint­ed with uncer­tain­ty, with belief func­tions used as an uncer­tain­ty mod­el. We will illus­trate the approach on a clas­si­cal weight­ed aver­age. We will dis­cuss the poten­tial inter­ests of such an appraoch, as well as its pos­si­ble limits.

Emmanuel Ramas­so

Maître de con­férence à l’ENS­MM de Besançon

Le jeu­di 20 décem­bre en GI42, à 11h

« Mon­i­tor­ing of engi­neered systems »


Résumé :

The pre­sen­ta­tion will first start with a glob­al view of some mon­i­tor­ing method­olo­gies devel­oped in our team to detect and track a degra­da­tion on engi­neered sys­tems. Illus­tra­tions will con­cern tur­bo­fan engines, rolling bear­ings, milling and car­bon pipes.

The method­olo­gies rely on pat­tern recog­ni­tion algo­rithms ded­i­cat­ed to those appli­ca­tions and fed by time-series and by a pri­ori knowl­edge. One of the com­mon points of those algo­rithms con­cerns the man­age­ment of uncer­tain­ty and for that we used dif­fer­ent formalisms:

  • belief func­tions applied to online learn­ing with evolv­ing models,
  • com­pu­ta­tion­al geom­e­try based on poly­gons for sim­i­lar­i­ty based mon­i­tor­ing and prognostics,
  • and con­sen­sus clus­ter­ing in unsu­per­vised learn­ing for reverse engineering.

The sec­ond part will be ded­i­cat­ed to Evi­den­tial Hid­den Markov Mod­els for the sta­tis­ti­cal rep­re­sen­ta­tion of time-series using belief func­tions. Infer­ence and learn­ing in those mod­els will be detailed and discussed.

Stéphane Car­don

Maître de con­férence à Écoles de Saint-Cyr Coëtquidan

Le mar­di 18 décem­bre 2018 en Amphi Gauss, à 14h

Résumé :

Le pre­mier jeu à avoir util­isé la plan­i­fi­ca­tion comme IA pour ses per­son­nages non joueurs est First Encounter Assault Recon (F.E.A.R) en 2005. Le résul­tat était sai­sis­sant et a incité à se pos­er une ques­tion : Peut-on plan­i­fi­er en temps réel des cen­taines d’IAs dans un jeu ou une sim­u­la­tion tac­tique ? La réponse, en cours de développe­ment et pour l’in­stant pos­i­tive, se base sur un plan­i­fi­ca­teur de type STRIPS et la pro­gram­ma­tion GPU. Cepen­dant, la plan­i­fi­ca­tion ne s’arrête pas là. Avec la bonne mod­éli­sa­tion, elle pour­rait per­me­t­tre de déstruc­tur­er un champ de bataille ou encore pro­pos­er une séquence de cour­tes sim­u­la­tions immer­sives, les deux sit­u­a­tions ayant un but formateur.

Zied Bouraoui

Maître de con­férence à l’u­ni­ver­sité d’Artois

Le mar­di 4 décem­bre en GI42, à 14h

Résumé :

Con­sid­er­able atten­tion has recent­ly been devot­ed to the prob­lem of auto­mat­i­cal­ly extend­ing knowl­edge bases by apply­ing some form of induc­tive rea­son­ing. While the vast major­i­ty of exist­ing work is cen­tred around so-called knowl­edge graphs, in this talk I will con­sid­er a set­ting where the input con­sists of a set of (exis­ten­tial) rules. I will present some Bayesian mod­els to find plau­si­ble miss­ing rules which are inspired by cog­ni­tive mod­els for cat­e­go­ry based induc­tion. Unlike many exist­ing approach­es, we learn rules by direct­ly exploit­ing reg­u­lar­i­ties in the giv­en rule base, and do not require that a data­base with con­cept and rela­tion instances is giv­en. As a result, the pro­posed meth­ods can be applied to a wide vari­ety of ontologies.

Xuhong (Jacques) Li

Doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 16 octo­bre 2018 à 14h30 en GI42

Résumé :

In induc­tive trans­fer learn­ing, fine-tun­ing pre-trained con­vo­lu­tion­al net­works sub­stan­tial­ly out­per­forms train­ing from scratch. When using fine-tun­ing, the under­ly­ing assump­tion is that the pre-trained mod­el extracts gener­ic fea­tures, which are at least par­tial­ly rel­e­vant for solv­ing the tar­get task, but would be dif­fi­cult to extract from the lim­it­ed amount of data avail­able on the tar­get task. How­ev­er, besides the ini­tial­iza­tion with the pre-trained mod­el and the ear­ly stop­ping, there is no mech­a­nism in fine-tun­ing for retain­ing the fea­tures learned on the source task. In this paper, we inves­ti­gate sev­er­al reg­u­lar­iza­tion schemes that explic­it­ly pro­mote the sim­i­lar­i­ty of the final solu­tion with the ini­tial mod­el. We show the ben­e­fit of hav­ing an explic­it induc­tive bias towards the ini­tial mod­el. We even­tu­al­ly rec­om­mend that the base­line pro­to­col for trans­fer learn­ing should rely on a sim­ple $L^2$ penal­ty using the pre-trained mod­el as a reference.

Yonatan Alar­con

Doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 16 octo­bre 2018 à 14h00 en GI42

Résumé :

Dans cette présen­ta­tion, nous présen­terons des pre­miers résul­tats con­cer­nant l’ex­ten­sion de l’analyse linéaire dis­crim­i­nante impré­cise (une méth­ode clas­sique d’ap­pren­tis­sage) au cas impré­cis, qui per­met de pro­duire des pré­dic­tions pru­dentes en cas de manque d’in­for­ma­tion et/ou d’in­for­ma­tions con­flictuelles quand à la vraie classe.

Cesar Tacla

Pro­fesseur à Uni­ver­si­dade Tec­no­log­i­ca Fed­er­al Do Parana

Le jeu­di 4 octo­bre 2018 à 10h en GI42

Résumé :

La pre­mière par­tie con­cerne les con­cepts fon­da­men­taux de l’argumentation.

Ensuite, je présente un usage de l’ar­gu­men­ta­tion rhé­torique qui englobe appels, men­aces et récom­pens­es dans des dia­logues entre agents. Il s’ag­it d’un mod­èle pour le cal­cul de la force de argu­ments basé sur l’é­tat de l’ob­jec­tif que l’émet­teur veut attaquer/faire avancer et sur la crédi­bil­ité de l’émet­teur pour accom­plir ses men­aces, récom­pens­es et appellations. 

Le deux­ième usage con­cerne la prise de déci­sion con­sen­suelle. Des agents veu­lent choisir une option entre plusieurs options envis­age­ables (par exem­ple, quel lan­gage de pro­gram­ma­tion pour un cer­tain pro­jet). Chaque agent a sa pro­pre base de croy­ances qui peu­vent amen­er a des argu­ments con­tra­dic­toires lorsque ils dia­loguent a pro­pos d’une option (ex. lan­gage X). A par­tir d’un dia­logue il est pos­si­ble de con­stru­ire un graphe d’at­taques entre les argu­ments. L’op­tion choisie est celle qui a le sup­port des argu­ments les plus forts: ceux qui gar­dent des infor­ma­tions les plus répan­dues par­mi les agents. 

Ines Couso

Le ven­dre­di 28 sep­tem­ber 2018 à 11h en GI42

Pro­fesseur à l’U­ni­ver­sité d’Oviedo

Résumé :

Impre­cise Dirich­let Process-based tests (IDP-tests, for short) have been recent­ly intro­duced in the lit­er­a­ture by Benavoli et al. Those tests over­come the prob­lem of decid­ing how to select a sin­gle pri­or in Bayesian hypoth­e­sis test­ing, in the absence of pri­or infor­ma­tion. They make use of a “near-igno­rance” mod­el, that behaves a pri­ori as a vac­u­ous mod­el for some basic infer­ences, but it pro­vides non-vac­u­ous pos­te­ri­or infer­ences. The authors per­formed an empir­i­cal study com­par­ing the behav­iour of a clas­si­cal fre­quen­tist test and its IDP-based coun­ter­part. They con­clud­ed that IDP-based test are capa­ble of iso­lat­ing instances (sam­ples) where the fre­quen­tist test is vir­tu­al­ly “guess­ing at ran­dom”.  We per­form addi­tion­al empir­i­cal stud­ies that aim at shed­ding more light on the issue. We con­sid­er in par­tic­u­lar the Wilcox­on rank sum test, and its IDP-based exten­sion. We show that the upper and low­er pos­te­ri­or prob­a­bil­i­ties can be expressed as tail prob­a­bil­i­ties based on the val­ue of the U sta­tis­tic, and that there­fore there is a one-to-one cor­re­spon­dence between those upper and low­er prob­a­bil­i­ties and the p‑value of the fre­quen­tist test. We con­struct an impre­cise fre­quen­tist-based test that repro­duces the same deci­sion rule as the the IDP test. It con­sid­ers a neigh­bour­hood around the U‑statistic val­ue. If all the val­ues in the neigh­bour­hood belong to the rejec­tion zone (resp. to the accep­tance region), the null hypoth­e­sis is reject­ed (resp. accept­ed). Oth­er­wise, the judge­ment is sus­pend­ed. This con­struc­tion puts a step for­ward in the rec­on­cil­i­a­tion between fre­quen­tist and Bayesian hypoth­e­sis test­ing: this kind of impre­cisi­a­tion over the set of pri­ors seems to pro­duce sim­i­lar effects on the deci­sion mech­a­nisn as an impre­cisi­a­tion of data around the observations.

Cas­sio P. de Campos

Pro­fesseur à l’u­ni­ver­sité d’Utrecht

Le ven­dre­di 28 sep­tem­bre 2018 à 10h en GI42

Sum­ma­ry :

Sum-prod­uct net­works are an increas­ing­ly pop­u­lar fam­i­ly of prob­a­bilis­tic graph­i­cal mod­els for which mar­gin­al infer­ence can be per­formed in poly­no­mi­al time. They have been shown to achieve state-of-the-art per­for­mance in sev­er­al tasks. When learn­ing sum-prod­uct net­works from scarce data, the obtained mod­el may be prone to robust­ness issues. In par­tic­u­lar, small vari­a­tions of para­me­ters could lead to dif­fer­ent con­clu­sions. We dis­cuss the char­ac­ter­is­tics of sum-prod­uct net­works as clas­si­fiers and study the robust­ness of them with respect to their para­me­ters. Using a robust­ness mea­sure to iden­ti­fy (pos­si­bly) unre­li­able deci­sions, we build a hier­ar­chi­cal approach where the clas­si­fi­ca­tion task is deferred to anoth­er mod­el if the out­come is deemed unre­li­able. We apply this approach on bench­mark clas­si­fi­ca­tion tasks and exper­i­ments show that the robust­ness mea­sure can be a mean­ing­ful man­ner to improve clas­si­fi­ca­tion accuracy.

Dester­cke Sébastien

Chercheur CNRS au lab­o­ra­toire Heudiasyc

Le mar­di 10 juil­let 2018 à 14h en GI42

Résumé :

In this talk, we will be inter­est­ed in the prob­lem of ordi­nal regres­sion, i.e., in pre­dict­ing dis­crete­ly, ordered val­ues (such as rat­ing scores of web­sites, sever­i­ty lev­els of dis­eases, degra­da­tion lev­els of com­po­nents , eval­u­a­tion lev­els of papers, …) from a giv­en set of attrib­ut­es and train­ing data. More par­tic­u­lar­ly, we will be inter­est­ed in the prob­lem of pro­duc­ing cau­tious pre­dic­tions (i.e. sets of pos­si­ble val­ues rather than sin­gle ones) when infor­ma­tion does not allow us to make pre­cise ones. We pro­pose to do so by con­sid­er­ing an impre­cise prob­a­bili­tis­tic set­ting, the basics of which we will recall.

We will then present two strate­gies to per­form ordi­nal regres­sion, based on bina­ry decom­po­si­tions of the ini­tial prob­lem: the first one based on a tree decom­po­si­tion, the sec­ond on a cumu­la­tive decomposition.

Lingx­ue Yang

Doc­tor­ante en infor­ma­tique aux lab­o­ra­toires Heudi­asyc et Costech

Le lun­di 11 juin 2018 à 9h30 en CR C.203 (bâti­ment C, UTC)

Résumé :

In recent years, the advances made in com­put­er tech­nol­o­gy have made human-com­put­er inter­ac­tion (HCI) pen­e­trat­ed into almost all areas of human activ­i­ties. As the car­ri­er of the inter­ac­tion between human and infor­ma­tion, the user inter­face is a key part that influ­ences the sys­tems and human per­for­mance. Espe­cial­ly for busi­ness soft­ware such as ana­lyt­ic appli­ca­tions behind which there are com­pli­cat­ed log­ics. There­fore, the improp­er infor­ma­tion design and inter­face design will hin­der users’ under­stand­ing, learn­ing and the use of the inter­ac­tive sys­tems, caus­ing cog­ni­tive bar­ri­ers, such as mem­o­ry over­load. Inter­ac­tion design is close­ly relat­ed to human cog­ni­tion. In ana­lyt­ic appli­ca­tions, the user’s main task is to acquire the use­ful infor­ma­tion that allows him/her to iden­ti­fy the root caus­es of a busi­ness ques­tion for deci­sion mak­ing. It requires a large num­ber of stor­age of human work­ing mem­o­ry to process the infor­ma­tion need­ed for com­plet­ing an ana­lyt­i­cal task. As the work­ing mem­o­ry is lim­it­ed in capac­i­ty, not all the infor­ma­tion can be stored in once. Our work­ing mem­o­ry only stores the most recent infor­ma­tion for the cur­rent acti­vat­ed task. One con­se­quence is that when the task is inter­rupt­ed or sus­pend­ed, to han­dle a sec­ondary task (inter­rupt­ing task), the work­ing mem­o­ry will free up some space for pro­cess­ing the infor­ma­tion need­ed for this sec­ondary task. When the user returns to the pri­ma­ry task (inter­rupt­ed task), he/she has to recall the released infor­ma­tion. It takes time, over­charges the work­ing mem­o­ry and con­sumes much men­tal effort of the user. The result is the loss of time, and reduced task per­for­mance. There­fore, it is nec­es­sary to design user inter­face and inter­ac­tion con­sid­er­ing these lim­its of work­ing mem­o­ry. The research of ana­lyt­ic prove­nance focus­es on retriev­ing users’ inter­ac­tion his­to­ry, rein­stat­ing their rea­son­ing process so that they can quick­ly resume an inter­rupt­ed or sus­pend­ed task. The designed tools through ana­lyt­ic prove­nance serve as an exter­nal mem­o­ry. Lenay’s two modes of inter­ac­tion: “put down” and “in hand” allow us to address this prob­lem in two per­spec­tives: mem­o­ry sub­sti­tu­tion (put down) and mem­o­ry sup­ple­men­ta­tion (in hand). Mem­o­ry sub­sti­tu­tion con­sid­ers a mem­o­ry tool as an object in the envi­ron­ment. Mem­o­ry sup­ple­men­ta­tion sees a mem­o­ry tool as a cou­pling device between the user and the task, and it extends the user’s capa­bil­i­ty of per­ceiv­ing the prob­lem-solv­ing as a sup­ple­men­ta­tion of their per­cep­tu­al sys­tems. The exist­ing solu­tions are more about the design for the for­mer one, they lack a con­sid­er­a­tion for the lat­ter one. In this research, we try to pose a prob­lem which may improve design con­sid­er­a­tions in resolv­ing the imbal­ance between user inter­face and human cog­ni­tion from the mem­o­ry sup­ple­men­ta­tion point of view. We have devel­oped a tool, based on a “his­to­ry path”, using the con­cept of ana­lyt­ic prove­nance. It per­mits to show, in a spe­cif­ic win­dow of the user inter­face, some of the steps of a pre­vi­ous res­o­lu­tion task that a user has per­formed dur­ing pre­vi­ous expe­ri­ence (or to sim­u­late a res­o­lu­tion task inter­rup­tion). We have set up a sim­ple (min­i­mal­ist) prob­lem-solv­ing task the res­o­lu­tion of which was record­ed (screen, voice, eyes move­ments, time of res­o­lu­tion, etc.), to test if it is pos­si­ble to design a tool for mem­o­ry sup­ple­men­ta­tion. We exper­i­ment two dif­fer­ent tools, based on two his­to­ry path rep­re­sen­ta­tions, a sta­t­ic one, and a dynam­ic one. The sta­t­ic his­to­ry path shows, at the same time, all the attemps made dur­ing a pre­vi­ous expe­ri­ence to resolve a giv­en task. The dynam­ic his­to­ry path shows only the attemps of the pre­vi­ous expe­ri­ence, which are close to the cur­rent task res­o­lu­tion step. We will present the first results of this expe­ri­ence, which aim at eval­u­at­ing to what extent a sta­t­ic his­to­ry path or a dynam­ic his­to­ry path can help the user for tasks resolution.

Syl­vain Lagrue

Maitre de con­férences en infor­ma­tique au lab­o­ra­toire CRIL, de l’Uni­ver­sité d’Artois

Le mar­di 22 mai 2018 à 14h en GI042 (bâti­ment Blaise Pas­cal, UTC)

Résumé :

Nous présen­tons dans cet exposé dif­férents for­mal­ismes que nous avons créés, util­isés ou enrichis dans le cadre de recherch­es académiques ou dans des pro­jets plus appliqués. Ces for­mal­ismes ont comme point com­mun de per­me­t­tre de mieux pren­dre en compte les con­cepts de fia­bil­ité de l’information, d’évolution du monde, d’inférence plau­si­ble, de fusion et de révi­sion ou encore de prise de déci­sion. Nous faisons tout d’abord un tour d’hori­zon des dif­férentes méth­odes abor­dées, leurs éventuels liens et plusieurs appli­ca­tions pos­si­bles. Puis, nous nous intéres­sons plus par­ti­c­ulière­ment aux prob­lèmes d’in­com­pa­ra­bil­ité et d’in­com­men­su­ra­bil­ité dans le cadre de logiques pondérées et leur appli­ca­tion à la révi­sion, à la fusion de croy­ances et aux logiques de descrip­tion légères. Nous présen­tons plus en détail des général­i­sa­tions de la logique pos­si­biliste aux ordres par­tiels et aux inter­valles. Nous nous intéres­sons ensuite à nos travaux con­cer­nant le Gen­er­al Game Play­ing. L’objectif de ce dernier est de dévelop­per des pro­grammes capa­bles de jouer de manière con­va­in­cante à n’importe quel jeu sans inter­ven­tion humaine. Nous présen­tons nos résul­tats basés sur les réseaux de con­traintes sto­chas­tiques. Enfin, nous présen­tons suc­cincte­ment divers travaux en cours et per­spec­tives, dont cer­tains directe­ment liés à la préser­va­tion du pat­ri­moine immatériel de l’hu­man­ité et plus spé­ci­fique­ment aux mar­i­on­nettes sur eau du Vietnam.

Samir Loud­ni

Maitre de con­férences en infor­ma­tique au lab­o­ra­toire GREYC, de l’Uni­ver­sité de Caen Normandie

Le mar­di 15 mai 2018 à 10h30 en GI042 (bâti­ment Blaise Pas­cal, UTC)

Par­tie 1

Résumé :

La pro­gram­ma­tion par con­trainte (PPC) offre un cadre générique et flex­i­ble pour résoudre des prob­lèmes d’op­ti­mi­sa­tion sous con­traintes. L’utilisation de la PPC pour exprimer des prob­lèmes de fouille de don­nées pos­sède de nom­breux avan­tages. Le pre­mier est d’of­frir à l’u­til­isa­teur un moyen sim­ple et déclaratif pour mod­élis­er ses prob­lèmes. Le sec­ond est de pro­pos­er une approche générique de réso­lu­tion qui per­met à l’u­til­isa­teur de ne plus devoir se préoc­cu­per de l’écri­t­ure d’un algo­rithme spé­ci­fique pour chaque tâche de fouille. Dans cette pre­mière par­tie de l’ex­posé je présen­terai de manière suc­cincte quelques con­tri­bu­tions con­cer­nant les apports de la PPC pour la fouille de don­nées ori­en­tée motifs et plus par­ti­c­ulière­ment sur l’ex­trac­tion de motifs séquen­tiels et de motifs Pare­to.

Par­tie 2

Résumé :

Un prob­lème récur­rent en extrac­tion de motifs est la sélec­tion de motifs per­ti­nents par­mi le grand ensem­ble de motifs décou­verts. Pour réduire le nom­bre de motifs extraits et donc de faciliter l’analyse du résul­tat de la fouille est l’ex­trac­tion de motifs de plus haut niveau reposant sur des car­ac­téris­tiques qui impliquent plusieurs motifs locaux. Ces motifs sont appelés ensem­bles de motifs ou pat­tern sets. Extraire le meilleur ensem­ble de motifs rel­a­tive­ment à une mesure don­née per­met de mieux cibler le proces­sus d’extraction vers les meilleurs motifs mais rend la tâche plus ardue, notam­ment en rai­son de la taille impor­tante de l’e­space de recherche et le manque de tech­niques d’éla­gage effi­caces pour ce type de prob­lèmes. La plu­part des approches exis­tantes (sou­vent heuris­tiques) sac­ri­fient la preuve d’op­ti­mal­ité au détri­ment de solu­tions approchées. Toute­fois, la qual­ité de solu­tions obtenues par ces approches reste très vari­able.

La PLNE (Pro­gram­ma­tion Linéaire en Nom­bres Entiers) est un au cadre générique qui pro­cure un haut niveau de flex­i­bil­ité et d’expressivité pour com­pos­er dif­férentes types de con­traintes. L’u­til­i­sa­tion de la PLNE pour la mod­éli­sa­tion de tâch­es d’optimisation en fouille de don­nées est un domaine qui a été très peu exploré.

Dans cette sec­onde par­tie de l’ex­posé, je vais mon­tr­er com­ment la PLNE peut être util­isée pour mod­élis­er dif­férentes con­traintes por­tant sur des ensem­bles de motifs. Out­re le cadre général de l’extraction d’ensem­bles de motifs, je vais illus­tr­er l’intérêt de cette approche sur un prob­lème bien con­nu en fouille de don­nées: le clus­ter­ing con­ceptuel. Enfin, je ter­min­erai par quelques résul­tats récents sur l’u­til­i­sa­tion des moyennes ordon­nées pondérées (com­muné­ment appelées OWA pour Ordered Weight­ed) afin de trou­ver un équili­bre opti­mal sur la taille des clus­ters du clus­ter­ing conceptuel.

Fichiers de présentation

Olivi­er Spanjaard

Maitre de con­férences au LIP6 de l’UPMC

Le jeu­di 12 avril 2018 à 14 h en GI042 (Bâti­ment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie de Compiègne).

Par­tie 1 : Une intro­duc­tion à la théorie de la déci­sion algo­rith­mique

Résumé :

La théorie de la déci­sion algo­rith­mique porte sur l’é­tude sous l’an­gle algo­rith­mique de prob­lèmes issus de la théorie de la déci­sion, de la théorie des jeux et de la théorie du choix social. La plu­part des travaux réal­isés dans ces domaines jusqu’à récem­ment focal­i­saient prin­ci­pale­ment sur des résul­tats de car­ac­téri­sa­tion, l’aspect com­pu­ta­tion­nel (i.e., la cal­cu­la­bil­ité effec­tive des con­cepts
intro­duits) étant sou­vent lais­sé au sec­ond plan. C’est ce deux­ième aspect qui fait la spé­ci­ficité de la théorie de la déci­sion algo­rith­mique, et qui est étudié par une com­mu­nauté d’in­for­mati­ciens en intel­li­gence arti­fi­cielle et en recherche opéra­tionnelle depuis un peu plus d’une dizaine d’an­nées. Une brève intro­duc­tion à ce domaine sera pro­posée lors de cet exposé.

Par­tie 2 : Quelques con­tri­bu­tions en théorie de la déci­sion algo­rith­mique

Résumé :

Lors de cet exposé, je présen­terai quelques con­tri­bu­tions récentes en déci­sion séquen­tielle dans l’in­cer­tain lorsque les préférences suiv­ent un mod­èle alter­natif à l’u­til­ité espérée, et j’abor­derai égale­ment quelques prob­lé­ma­tiques en déci­sion collective

Fichiers de présentation

Eti­enne COME

Chargé de recherche à l’IFSTTAR

Le mar­di 20 mars 2018 à 14 h en GI042 (Bâti­ment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie Compiègne)

Résumé :

Par­tie 1: Analyse exploratoire de traces numériques de mobil­ité. Quelques résul­tats sur les sys­tèmes de vélos en libre ser­vice et de trans­ports en Com­mun.

Les sys­tèmes de mobil­ités mod­ernes génèrent un nom­bre impor­tant de traces numériques qu’il con­vient d’analyser pour com­pren­dre et opti­miser le fonc­tion­nement de ces sys­tèmes. Ces don­nées se dis­tingues des sources clas­sique­ment util­isées pour appréhen­der les com­porte­ment de mobil­ité et leur évo­lu­tion (enquête glob­ale trans­port, enquête ménage déplace­ment) et néces­site donc des méth­odes nou­velles pour essay­er de tir­er par­tie de l’information qu’elles recè­lent. Après avoir présen­té ce con­texte générale et les par­tic­u­lar­ités des traces numériques par rap­port aux don­nées d’enquête clas­siques, nous détaillerons dif­férents travaux exploratoires menés dans ce con­texte pour mieux cern­er ces nou­velles sources et leurs poten­tial­ités. Nous ver­rons en par­ti­c­uli­er com­ment les don­nées de stocks des sys­tèmes de Vélos en Libre Ser­vice (VLS) peu­vent être mobil­isées pour résumer le com­porte­ment de ces sys­tèmes et faciliter leurs com­para­isons. Nous présen­terons égale­ment des travaux d’analyse exploratoire et de visu­al­i­sa­tion des don­nées de flux voyageurs. Celles-ci offrent en effet, des per­spec­tives intéres­santes pour l’analyse fine des usages et de la dynamique des orig­ines / des­ti­na­tions effec­tuées par les usagers de trans­port en com­mun. Nous présen­terons des résul­tats sur l’exploration de ces don­nées mas­sives aus­si bien dans le con­texte des VLS que dans celui des trans­ports en com­mun (métro / RER).

Par­tie 2: Mod­èle de mélange et don­nées de comp­tage, sélec­tion de mod­èle, régu­lar­i­sa­tion et esti­ma­tion.

Dans cette présen­ta­tion, nous nous intéresserons aux méthodolo­gies util­isées pour déter­min­er le nom­bre de com­posantes d’un mod­èle de mélange lorsque les don­nées sont des don­nées de comp­tage. Nous nous intéresserons plus par­ti­c­ulière­ment aux mod­èles util­isés pour analyser des graphes (Sto­chas­tic Block Mod­el et vari­ante) où les comp­tages cor­re­spon­dent à des nom­bres d’interaction entre paire d’objet , ou des « textes » (Mix­ture of Uni­gram et Pois­son mix­ture) où les comp­tages cor­re­spon­dent au nom­bre d’occurrences d’un mot. Nous ver­rons com­ment le prob­lème d’estimation du nom­bre de com­posantes est traité clas­sique­ment dans un cadre fréquen­tiste et Bayésien aux tra­vers de critères tels que BIC ou ICL. Une atten­tion par­ti­c­ulière sera portée aux aspects algo­rith­miques du prob­lème où l’on dis­cutera des avan­tages et incon­vénients des solu­tions clas­siques basées sur l’utilisation de l’algorithme EM et des vari­antes vari­a­tion­nelles ou bien sur des approches de type MCMC. Nous présen­terons dans ce con­texte un algo­rithme d’estimation con­jointe de la par­ti­tion des don­nées et du nom­bre de com­posantes basé sur l’optimisation glou­tonne d’un critère Bayésien cor­re­spon­dant à L’ICL exacte. Ce critère peut en effet être cal­culé de manière exacte pour cette famille de mod­èle lorsque les lois a pri­ori sur les paramètres sont adéquate­ment choisies. Nous ver­rons ensuite com­ment cette approche peut être éten­due pour extraire une struc­ture hiérar­chique de solu­tions imbriquées lorsque l’on fait vari­er le degré de régularisation.

Fichiers de présentation

Meltem OZTURK

Maître de con­férences au LAMSADE, uni­ver­sité Paris

Le lun­di 12 mars 2018, à 14 h en GI042 (Bâti­ment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie Compiègne)

Résumé :

Par­tie 1: Présen­ta­tion générale des travaux de recherche autour des préférences dans les mod­èles déci­sion­nels.

Les préférences sont au coeur des mod­èles déci­sion­nels (deci­sion col­lec­tive, mul­ti­critère ou dans l’in­cer­tain) et appa­rais­sent dans les dif­férents étapes des proces­sus déci­sion­nels (definition/description du prob­lème, mod­éli­sa­tion, réso­lu­tion et validation/argumentation).
Dans cette pre­mière par­tie de l’ex­posé je vous par­lerai de mes travaux de recherche qui con­cer­nent ces dif­férents étapes (avec des résul­tats théoriques mais aus­si avec des appli­ca­tions indus­triels):

- définition/description du prob­lème:

apport des travaux expéri­men­taux pour mieux com­pren­dre le com­porte­ment des décideurs et util­i­sa­tion de leur résul­tats pour trou­ver des mod­èles adap­tés.
Exem­ples des proces­sus d’élicitation/apprentissage des préférences.

- mod­éli­sa­tion :

com­ment obtenir un cadre général pour la mod­éli­sa­tion des préférences ? Com­ment rep­re­sen­ter d’une manière com­pacte les préférences ?

- réso­lu­tion :

com­ment se servir des logiques non clas­siques ou une mod­éli­sa­tion par sat­is­fac­tion de con­traintes pour l’a­gré­ga­tion des préférences ?

- appli­ca­tion indus­triel: trou­ver la nou­velle ligne grande vitesse entre Paris-Nor­mandie (pro­jet avec la SNCF Réseau)

Par­tie 2: Résul­tats sur la par­tie mod­éli­sa­tion des préférences

Quand on tra­vaille avec des décideurs/experts on s’aperçoit rapi­de­ment que les orders totaux ou les préor­dres totaux que l’on utilise sou­vent dans des approches formels appa­rais­sent très forts/contraignants pour représen­ter leur préférences. Pour cela des struc­tures de préférences
plus sou­ples ont été pro­posées dans la lit­téra­ture. Les semi­or­dres, les ordres d’in­ter­valles ou les ordres par­tiels sont les plus con­nus. Ces struc­tures de préférences « sophis­tiquées » ont été étudiées par dif­férents chercheurs venant de dif­férents domains de recherche et man­quaient un cadre général uni­fi­ca­teur. Je vous présen­terai donc un cadre que nous avons défi­ni qui donne un lan­guage com­mun à ces struc­tures et qui nous aident à en pro­pos­er de nou­velles. Le cadre se base sur une axioma­ti­sa­tion sim­ple et cou­vre la majorité des struc­tures de préférences con­nues dans la lit­téra­ture.

Références de la par­tie 2 :

M. Öztürk, Coher­ence con­di­tions for pref­er­ence mod­el­ing with ordered points, Jour­nal of Math­e­mat­i­cal Psy­chol­o­gy, Vol­ume 79, 2017, pages 44–52.

M. Öztürk , M. Pir­lot et A. Tsouk­iàs, Rep­re­sent­ing pref­er­ences using inter­vals, Arti­fi­cial Intel­li­gence Jour­nal, 175, pages 1194–1222, 2011

Fichiers de présentation

Elsa NEGRE
Maître de con­férences HDR, UMR Lam­sade, Uni­ver­sité Paris Dauphine

Le mar­di 6 févri­er 2018 à 14 h en GI042(Bâtiment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie Compiègne)

Résumé :

Nos travaux s’ar­tic­u­lent autour de l’ex­trac­tion et de l’analyse de don­nées issues de sources hétérogènes pour les ren­dre facile­ment acces­si­bles et exploita­bles par les utilisateurs/décideurs. En effet, il devient de plus en plus dif­fi­cile de savoir quelles sont les don­nées à rechercher et où les trou­ver lorsque la masse de données/informations s’ac­croît. Des tech­niques infor­ma­tiques exis­tent pour faciliter cette recherche et per­me­t­tre une extrac­tion per­ti­nente des données/informations. L’une d’en­tre elles est la recom­man­da­tion qui guide l’u­til­isa­teur lors de son explo­ration, en cher­chant pour lui les infor­ma­tions sus­cep­ti­bles d’être per­ti­nentes. Un enjeu intéres­sant est de pro­pos­er un sys­tème de recom­man­da­tion capa­ble de s’adapter à dif­férents cas d’ap­pli­ca­tions, avec de bonnes per­for­mances du point de vue de l’utilisateur/décideur et pal­liant cer­tains man­ques des sys­tèmes de recom­man­da­tion exis­tants. Dans le cadre de nos travaux, l’ensem­ble des don­nées à explor­er peut provenir de dif­férents domaines (les envi­ron­nements de tra­vail col­lab­o­ratif, les plate­formes d’ap­pren­tis­sage en ligne, les entre­pôts de don­nées, les villes intel­li­gentes, les sys­tèmes d’alertes pré­co­ces, …) et l’u­til­isa­teur à aider peut être un indi­vidu isolé ou une entité mul­ti­ple à visée publique. Con­scients que la masse de données/informations à explor­er dans de tels cas peut être très impor­tante, com­plexe et var­iée, il nous est apparu néces­saire de pro­pos­er des sys­tèmes de recom­man­da­tion appro­priés pour y faire face. Nous pro­posons donc une approche générique de recom­man­da­tion, en rup­ture com­plète avec les travaux exis­tants, que nous instan­cions pour per­me­t­tre de recom­man­der soit des élé­ments, soit des util­isa­teurs, sous forme de recom­man­da­tions indi­vidu­elles ou à visée publique dans dif­férents domaines. Puis, nous nous intéres­sons à l’é­val­u­a­tion des (sys­tèmes de) recom­man­da­tions. Afin d’as­sur­er la per­ti­nence des recom­man­da­tions du point de vue de l’utilisateur/décideur, nous pro­posons des méth­odes pour éval­uer sub­jec­tive­ment d’une part le sys­tème de recom­man­da­tion et d’autre part les recom­man­da­tions retournées. Enfin, mal­gré de bonnes per­for­mances, par­fois, les recom­man­da­tions ne sont pas con­sid­érées comme suff­isam­ment per­ti­nentes. Nous pro­posons donc des tech­niques pour amélior­er les (sys­tèmes de) recom­man­da­tions. Elles con­cer­nent l’amélio­ra­tion des don­nées d’en­trée, le démar­rage à froid et l’a­jout de données/sources externes (notam­ment le con­texte de l’utilisateur/décideur). Nos propo­si­tions ont été validées par la par­tic­i­pa­tion à dif­férents pro­jets ain­si que le co-encadrement de thès­es de Doc­tor­at et le suivi de travaux de Mas­ter Recherche.

Mots clés : Sys­tèmes de recom­man­da­tion, Analyse de don­nées, Aide à la déci­sion, Sys­tèmes d’Information

Jonathan DEKHTIAR
Doc­tor­ant au lab­o­ra­toire Rober­val, UTC

Le mar­di 30 jan­vi­er 2018 à 10h15 en GI042 (Bâti­ment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie Compiègne)

Résumé :

The man­u­fac­tur­ing indus­try is always try­ing to auto­mate many of its engi­neer­ing tasks and work­flows. Apply­ing Machine/Deep Learn­ing in such an indus­tri­al con­text is chal­leng­ing for dif­fer­ent rea­sons : Con­trary to the GAFAM (Google, Apple, Face­book, Ama­zon, Microsoft) and BATX (Baidu, Aliba­ba, Ten­cent and Xiao­mi), the man­u­fac­tur­ing indus­try use on a day-to-day basis high­ly com­plex data which comes, most of the time, in pro­pri­etary for­mats (e.g. 3D Mod­els). More­over, data are not avail­able in large quan­ti­ties (impos­si­bil­i­ty to rely on a big data scale) and most of the time in insuf­fi­cient quan­ti­ties to train any Deep Learn­ing mod­el to per­form any com­put­er vision task. How­ev­er, Machine Learn­ing can still be applied using var­i­ous tips and tricks, fre­quent­ly with good results. Trans­fer Learn­ing is one effec­tive solu­tion, nev­er­the­less this pre­sen­ta­tion will not focus on the lat­ter which is already well cov­ered in the lit­er­a­ture [Y. Ben­gio, 2012] – [M. Oquab, 2014]. Inspired by research in anom­aly detec­tion for neu­ro-imagery [K. Wang, 2016] – [T. Schlegel, 2017] and for patrol robots [W. Law­son, 2017], we have stud­ied the effec­tive­ness of Deep Gen­er­a­tive Net­works and Deep Auto Encoder, name­ly GANs (Gen­er­a­tive Adver­sar­i­al Net­works) and VAE (Vari­a­tion­al AutoEn­coders). This pre­sen­ta­tion aims to present the speci­fici­ties and basics of GANs/VAEs and an overview of the whole process we devel­oped with a lim­it­ed amount of data (1000 images) and obtain 92% of accu­ra­cy and 85% of IOU (Inter­sec­tion over Union) for the machined sur­face defect local­i­sa­tion. The pro­posed approach is able to adapt itself with­out any change in the struc­ture or hyper-para­me­ter set­tings to dif­fer­ent indus­tri­al sit­u­a­tions offered by the chal­lenge dataset pro­vid­ed by DAGM 2007. In sum­ma­ry, the strength of the pro­posed solu­tion is the fol­low­ing : High­ly adapt­able with lim­it­ed re-engi­neer­ing costs, reduced train­ing time (+/- 3 hours on one GPU), Weak­ly Super­vised Approach thus hav­ing a very reduced deploy­ment cost.

Sylvie Le Hegarat Mascle

Pro­fesseur des uni­ver­sités à l’Université de Paris Sud, Poly­tech Paris Sud.

Le mar­di 3 Mars à 14H, en GI 42

Abstract:

The Demp­ster-Shafer the­o­ry of belief func­tions is a for­mal frame­work for mod­el­ing and rea­son­ing with uncer­tain­ty. It is based on the rep­re­sen­ta­tion of inde­pen­dent pieces of evi­dence by belief func­tions, and on their com­bi­na­tion by an oper­a­tor called Dempster’s rule. In this talk, we show that the weight­ed sum and soft­max oper­a­tions per­formed in logis­tic regres­sion clas­si­fiers and, for instance, in the out­put lay­er of feed­for­ward neur­al net­works can be inter­pret­ed in terms of evi­dence aggre­ga­tion using Demp­ster’s rule of com­bi­na­tion. From that per­spec­tive, the out­put prob­a­bil­i­ties com­put­ed by such clas­si­fiers (includ­ing also sup­port vec­tor machines) can be seen as being derived from  some belief func­tions, which can be laid bare and used for deci­sion mak­ing or clas­si­fi­er fusion. This find­ing sug­gests that the links between machine learn­ing and belief func­tions are clos­er than is usu­al­ly assumed, and that Demp­ster-Shafer the­o­ry pro­vides a suit­able frame­work for devel­op­ing new machine learn­ing algorithms.

Ala-Eddine Yahiaoui, chercheur post-doc HEC Montréal

Vin­cent Fagnon, ATER, uni­ver­sité de Lorraine

Estia Maliqari (doc­tor­ante équipe SCOP) 

Antho­ny Lam­bert, ORANGE

Ste­fano Demarchi, doc­tor­ant uni­ver­sité de Gênes 

Mohamed Sal­lak, MCF équipe SCOP

Michaël Mahamat, doc­tor­ant équipe SCOP

Guil­laume Jou­bert, doc­tor­ant équipe SCOP

Guil­laume Beduneau, doc­tor­ant équipe SCOP

Pro­jet ANR MAPSYD

Rim Louhichi, doc­tor­ante équipe SCOP

Sémi­naire présen­té par qua­tre can­di­dats au poste de maitre de con­férences « Réseaux » :

  • OMAR Mawloud
  • Evan­ge­los Bampas
  • Jun Zhang
  • Gha­da Jaber

Stéphane GERONIMI

Ingénieur expert ADAS chez PSA

Le mar­di 23 avril 2019 à 14h en amphi Col­com­bet (Cen­tre de trans­fert – UTC)

Résumé :

Les com­mu­ni­ca­tions quo­ti­di­ennes autour des activ­ités de l’autonomie (pro­to­types roulants, flottes d’expérimentations… mais aus­si évo­lu­tions de la régle­men­ta­tion…) mon­trent une grande effer­ves­cence autour des ques­tion du véhicule automatisé/autonome.

Au-delà de la sim­ple fais­abil­ité tech­nique, la matu­rité tech­nique de l’automatisation des véhicules a‑t-elle atteinte un niveau com­pat­i­ble d’un prochain déploiement notam­ment au regard de la ques­tion de la sureté de fonctionnement.

Cette présen­ta­tion fera l’état actuel des ques­tions tech­niques soulevées par l’automatisation des véhicules en met­tant en évi­dence la ques­tion de la « safety ».

Azade FOTOUHI

Doc­tor­ante à l’UNSW de Sydney

Le mar­di 10 avril 2018 à 14 h en GI042 (Bâti­ment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie Compiègne)

Résumé :

There have been increas­ing inter­ests in employ­ing unmanned aer­i­al vehi­cles (UAVs) such as drones for telecom­mu­ni­ca­tion pur­pose. In such net­works, UAVs act as base sta­tions (BSs) and pro­vide down­load­ing ser­vice to users. Com­pared with con­ven­tion­al ter­res­tri­al base sta­tions, such UAV-BSs can dynam­i­cal­ly adjust their loca­tions to improve net­work per­for­mance. How­ev­er, there exists impor­tant issues in UAV net­works that must be con­sid­ered. For exam­ple, the UAV deploy­ment, intro­duces a new tool for radio resource man­age­ment, since BS posi­tions are open for net­work opti­miza­tion. More­over, drones have prac­ti­cal agili­ty con­straints in terms of fly­ing speed, turn­ing angles, and ener­gy con­sump­tion. The aim of this pre­sen­ta­tion is to overview the inte­gra­tion of UAVs in cel­lu­lar net­works, exist­ing issues and poten­tial solu­tions for assist­ing cel­lu­lar com­mu­ni­ca­tions with UAV-based fly­ing relays and base sta­tions. Towards that end, a pro­posed mobil­i­ty con­trol method based on the SNR mea­sure­ment and game the­o­ry approach will be pre­sent­ed. The results demon­strate that the UAV-BSs mov­ing accord­ing to our pro­posed algo­rithm sig­nif­i­cant­ly improve the net­work per­for­mance in terms of pack­et through­put and spec­tral effi­ca­cy com­pared to a base­line scenario.

02/07/2024 – SYRI and CID Col­lab­o­ra­tive Work­shop
- Sta­tis­ti­cal guar­an­tees for object detec­tion
- Har­ness­ing Super­class­es for Learn­ing from Hier­ar­chi­cal Data­bas­es
- Enhanc­ing Local­iza­tion through Per­cep­tion: Appli­ca­tions of Vec­tor Maps
- Intro­duc­tion à des archi­tec­tures de réseaux de neu­rone de traite­ment des événe­ments
- Esti­ma­tions d’in­cer­ti­tudes pour le cal­i­brage entre cap­teurs par appren­tis­sage pro­fond
- Présen­ta­tion de début de thèse: Esti­ma­tion de l’in­cer­ti­tude et de l’in­tégrité pour les sys­tèmes de per­cep­tion basés sur l’ap­pren­tis­sage automatique

21/05/2024 – Minh Quan Dao (INRIA ACENTAURI)
« Toward Solv­ing Occlu­sion and Spar­si­ty in Deep Learn­ing-Based 3D Object Detec­tion Through Col­lab­o­ra­tive Per­cep­tion »

16/05/2024 – Robin Con­dat (Uni­ver­sité de Picardie Jules Verne, Lab­o­ra­toire MIS)
« Con­tri­bu­tion à l’amélio­ra­tion de la robustesse de sys­tèmes de per­cep­tion fondés sur des réseaux de neu­rones pro­fonds mul­ti­modaux »

15/05/2024 – Jor­dan Cara­cotte (Uni­ver­sité de Picardie Jules Verne, Lab­o­ra­toire MIS)
« Recon­struc­tion 3D par stéréopho­tométrie pour la vision omni­di­rec­tion­nelle »

14/05/2024 - Achref Elouni (Uni­ver­sité Cler­mont Auvergne, Insti­tut Pas­cal, Remote­ly)
« Appren­tis­sage pro­fond et IA pour l’amélioration de la robustesse des tech­niques de local­i­sa­tion par vision arti­fi­cielle »

19/03/2024 - Zong­wei Wu (chercheur post-doc­tor­al à l’u­ni­ver­sité de Würzburg)
« Sin­gle-Mod­el and Any-Modal­i­ty for Video Object Track­ing »

19/03/2024 - Pur­va Joshi (doc­tor­ante à l’u­ni­ver­sité d’Eind­hoven)
« Effi­cient­ly Nav­i­gat­ing Autonomous Vehi­cles Around Intersections »

13/02/2024 - Gré­goire Richard (doc­tor­ant Heudi­asyc)
« Hap­tic feed­back for embod­ied and social inter­ac­tions in vir­tu­al reality »

05/12/2023 - Mario Cer­vantes (sta­giaire Heudi­asyc)
« Hexa­ro­tor with Tilt­ed Motors and PD Con­trol: From Con­cept to Real-Time Flight Test » 

05/12/2023 - Ser­van­do Enci­na (sta­giaire Heudi­asyc)
« Quad-rotor tra­jec­to­ry following » 

05/12/2023 - Alber­to Varela and Diego Gan­dul­fo (sta­giaires Heudi­asyc)
« Quater­nion-observ­er con­trol for aer­i­al drones: appli­ca­tion to object pickup. » 

27/06/2023 - Maciej Michalek (Poz­nan Uni­ver­si­ty of Tech­nol­o­gy, Pologne)
« Auto­mat­ed Artic­u­lat­ed Vehi­cles – Mod­el­ling, Prop­er­ties and Control » 

07/02/2023 - Work­shop Per­cep­tion
Vision mul­ti cap­teurs | Incer­ti­tude de perception 

Présen­ta­tion

13/12/2022 - Bertrand Ducourthial (pro­fesseur Heudi­asyc).
« Les réseaux de com­mu­ni­ca­tion dynamiques »

25/10/2022 – Emmanuel Alao (doc­tor­ant Heudi­asyc).
« Uncer­tain­ty-aware Nav­i­ga­tion in Crowd­ed Envi­ron­ment »

13/09/2022 – Bruno Bar­bosa (Uni­ver­sité Fédérale de Lavras, Brésil, Depart­ment of Auto­mat­ics).
« Appli­ca­tion of Arti­fi­cial Intel­li­gence in Sys­tems Iden­ti­fi­ca­tion and Intel­li­gent Vehi­cles »

04/07/2022 – Hiroshi Fuji­mo­to (pro­fesseur, Uni­ver­sité de Tokyo)
« Advanced con­trol of elec­tric vehi­cles and devel­op­ment of wire­less in-wheel motors »

21/06/2022 – Arman­do Ala­torre Sevil­la (doc­tor­ant Heudi­asyc)
« Dynam­ic tra­jec­to­ry for land­ing an aer­i­al vehi­cle on a mobile plat­form »

21/06/2022 – Ali Ham­dan (doc­tor­ant Heudi­asyc)
« Tran­si­tion Man­age­ment Between an Autonomous Vehi­cle and a Real Human Dri­ver, in a Con­text of Take-Over Request »

21/06/2022 – Maxime Escour­rou (doc­tor­ant Heudi­asyc)
« Decen­tral­ized Col­lab­o­ra­tive Local­iza­tion with Map Update using Schmidt-Kalman Fil­ter »

14/06/2022 – Joëlle Al Hage (maitre de con­férences Heudi­asyc)
« Robust stu­den­t’s t‑filter for a tight­ly cou­pled data fusion: Eval­u­a­tion of integri­ty and accuracy »

31/05/2022 – Diego Mer­ca­do-Rav­ell (chercheur vis­i­teur en prove­nance du CIMAT-Zacate­ca au Mex­ique)
« Nav­i­ga­tion, per­cep­tion and con­trol of autonomous vehi­cles »

10/05/2022 – Arman­do Ala­torre. (doc­tor­ant Heudi­asyc)
« Land­ing of a fixed-wing unmanned aer­i­al vehi­cle in a lim­it­ed area »

05/04/2022 – Thibaud Duhaut­bout (doc­tor­ant Heudi­asyc)
« Plan­i­fi­ca­tion de tra­jec­toire pour véhicule autonome en milieu urbain »

22/03/2022 – Jorge Ariza­ga (doc­tor­ant à l’U­ni­ver­sité Tec­nológi­co de Mon­ter­rey au Mex­ique)
« Observ­er-Based Tra­jec­to­ry Adap­tive Con­trol for Sus­pend­ed Pay­load Swing Damp­ing on a Ful­ly-Actu­at­ed Hexa­copter UAV »

04/03/2022 – Johann Lacon­te (doc­tor­ant Insti­tut Pas­cal)
« Lamb­da-Field : une nou­velle méth­ode pour l’é­val­u­a­tion de risque dans les grilles d’oc­cu­pa­tion. »

02/03/2022 – Pierre Nem­ry (man­ag­er technique,Septentrio)
« Activ­ités menées au sein de l’entreprise Septen­trio, fab­ri­cant de récep­teurs GNSS, dans le cadre du pro­jet européen ERASMO. »

23/02/2022 – Dmytro Bobkov (ingénieur en com­put­er vision et AI chez Artisense)
« Solu­tion de local­i­sa­tion basée vision de l’entreprise alle­mande Artisense. »

15/02/2022 – Jos­sué Car­iño
« Drone fleet in coop­er­a­tion for pur­su­ing an intrud­er drone »

04/01/2022 – Edouard Capel­li­er (ancien doc­tor­ant, actuelle­ment à Motion­al Sin­gapour)
« Présen­ta­tion de Motion­al en général, du chal­lenge nuScenes, de nuPlan »

Présen­ta­tion

Gildas BAYARD, Stéphane BONNET et Thier­ry MONGLON

Ingénieurs au lab­o­ra­toire Heudiasyc

Le mar­di 15 décem­bre 2020 à 14h00

Résumé : Retour sur la for­ma­tion « Safe­ty driver »

Présen­ta­tion

Luc Jaulin

Pro­fesseur, ENSTA-Bretagne

Le ven­dre­di 11 décem­bre 2020 à 15h30

Résumé : I will present a com­mon work with Julien Damers (phd stu­dent) and Simon Rohou (co-super­vi­sor).
In robot­ics, local­iza­tion and SLAM prob­lems gen­er­al­ly have some sym­me­tries (trans­la­tion, rota­tion, scales, time invari­ance, etc).
More­over, as for many state esti­ma­tion prob­lems, we gen­er­al­ly need a reli­able prop­a­ga­tion of uncer­tain­ties through non­lin­ear dif­fer­en­tial equa­tions.
In this talk, I will show that sym­me­tries make it pos­si­ble to dras­ti­cal­ly improve the accu­ra­cy of these prop­a­ga­tions.
As an illus­tra­tion, the inter­val prop­a­ga­tion will be con­sid­ered, but a par­ti­cle approach could be used as well.

Hélène Piet-Lahanier

Adjointe sci­en­tifique, ONERA

Le ven­dre­di 11 décem­bre 2020 à 14h30

Résumé : Les appli­ca­tions des flottes de drones se sont large­ment dévelop­pées ces dernières années. L’une de ces appli­ca­tions est la recherche, la détec­tion et le suivi de cibles mobiles sur un domaine poten­tielle­ment vaste. L’ef­fi­cac­ité de la stratégie choisie pour la recherche dépend de la disponi­bil­ité, de la qual­ité et de la fia­bil­ité des infor­ma­tions recueil­lies par les drones. L’es­ti­ma­tion des emplace­ments des cibles n’est pos­si­ble que lorsqu’elles appar­ti­en­nent au champ de vue du cap­teur embar­qué sur un drone don­né. Dans la plu­part des cas, les incer­ti­tudes de mesure sur de tels cap­teurs sont mod­élisées comme un bruit addi­tif, générale­ment sup­posé être gaussien à moyenne nulle, avec une vari­ance traduisant la qual­ité de la mesure. Les per­for­mances de local­i­sa­tion résul­tantes peu­vent s’avér­er sen­si­bles aux hypothès­es a pri­ori sur les fonc­tions de den­sité de prob­a­bil­ité (pdfs) décrivant les bruits de proces­sus et de mesure.
Une alter­na­tive à la descrip­tion prob­a­biliste con­siste à représen­ter les incer­ti­tudes et mécon­nais­sances sous forme de bornes et d’ex­ploiter cette infor­ma­tion pour iden­ti­fi­er les zones con­tenant des cibles, et celles n’en con­tenant pas.
Les approches présen­tées ici exploitent ce type de représen­ta­tion des incer­ti­tudes pour déter­min­er des straté­gies de déplace­ments des drones afin d’ex­plor­er une zone, de détecter des cibles et de les suiv­re de façon coopéra­tive et dis­tribuée. Elles tien­nent compte des pos­si­bil­ités de com­mu­ni­ca­tion, de la présence d’ob­sta­cles et de leur­res, c’est-à-dire d’ob­jets pou­vant dans cer­taines con­di­tions être con­fon­dus avec une véri­ta­ble cible.

Le mar­di 01 sep­tem­bre 2020 à 14h

  • IV (19 octo­bre – 13 novem­bre 2020) : Ste­fano Masi, Fed­eri­co Camarda
  • iROS (25 octo­bre – 25 novem­bre 2020) : Antho­ny Welte

Antoine LIMA

Doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 24 novem­bre 2020 à 14h00

Résumé : In dynam­ic local­iza­tion prob­lems, the obser­va­tions used from exte­ro­cep­tive sen­sors are usu­al­ly obtained from a sin­gle mea­sure­ment. How­ev­er, there are cas­es where the cur­rent mea­sure­ment is not suf­fi­cient to detect the ref­er­enced land­mark or to get a suf­fi­cient lev­el of accu­ra­cy. In this study, a point cloud accu­mu­la­tion strat­e­gy is used to improve the res­o­lu­tion of a LiDAR sen­sor along its sparse axis. In par­tic­u­lar, we are inter­est­ed in the detec­tion of mark­ings trans­verse to the road axis in order to improve the accu­ra­cy of local­iza­tion of an autonomous vehi­cle when approach­ing inter­sec­tions or round­abouts. We present a method that allows the con­struc­tion of an accu­rate obser­va­tion with an asso­ci­at­ed obser­va­tion mod­el based on a High-Def­i­n­i­tion (HD) map through an accu­mu­la­tion of scans as the vehi­cle moves, by com­pen­sat­ing the vehi­cle motion. The para­me­ters of the accu­mu­la­tor are stud­ied in terms of detec­tion and accu­ra­cy. The qual­i­ty of the obser­va­tions and their impact on the local­iza­tion qual­i­ty are ana­lyzed using real exper­i­ments car­ried out with an exper­i­men­tal vehi­cle equipped with a low-cost GNSS receiv­er, dead-reck­on­ing sen­sors and a ground truth system.

Michaël MORDEFROY

Ingénieur de recherche au lab­o­ra­toire Heudiasyc

Le mar­di 17 novem­bre 2020 à 14h00

Résumé : Présen­ta­tion de la plate­forme de datasets du laboratoire.

Le mar­di 22 sep­tem­bre 2020 à 14h dans l’am­phi Colcombet

  • ECCV (23–28 août 2020) : Julien More­au, Vin­cent Brebion
  • ICUAS (9–12 juin 2020) : Julio Betancourt

Cristi­no DE SOUZA JUNIOR

Doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 23 juin 2020 à 14h00

Résumé : In this sem­i­nar, we will talk about my main the­sis sub­ject: The design of mul­ti-agents strate­gies for track­ing and inter­cep­tion of a non-coop­er­a­tive agent and its appli­ca­tion to mobile robots.
The main moti­va­tion of this work is the grow­ing require­ment in anti-drone solu­tions, once intrud­er drones fly­ing over restrict­ed areas, such pow­er plants and air­ports has become a com­mon news head­line in the last years.
We will talk about the cur­rent tech­nics of mul­ti-agents and about our main con­tri­bu­tion: the use of Guid­ance laws as chas­ing behav­ior for the drones. Final­ly, I will expose some exper­i­men­tal results and the talk about future work and applications.

Julio BETANCOURT

Doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 02 juin 2020 à 16h00

Résumé : One of the moti­va­tions of this the­sis is to ana­lyze  the per­for­mance of a quad­copter when fol­lows a mobile tar­get  in unknown envi­ron­ments.
The chal­lenge will be also the vehi­cle  avoids sta­t­ic and mobiles obsta­cles.  For this, it is nec­es­sary to devel­op algo­rithms fast enough to detect
and track­ing mobile tar­get but at the same time con­sum­ing less mem­o­ry and com­pu­ta­tion­al  resources. Thus, a scheme for aer­i­al visu­al ser­vo­ing of a mobile
ground robot track­ing a smooth vec­tor field is pro­posed. The  scheme is based on struc­tur­al prop­er­ties and con­straints of  both sys­tems, such as
a non-holo­no­my, non­lin­ear dynam­ics  and under­ac­tu­a­tion. The result is aer­i­al sur­veil­lance of an  autonomous vehi­cle mim­ic­k­ing how we dri­ve a real vehi­cle by
redefin­ing local­ly smooth veloc­i­ty field toward the next tar­get  through admis­si­ble paths.

Alex­is OFFERMANN

Doc­tor­ant CIFRE au lab­o­ra­toire Heudiasyc

Le mar­di 26 mai 2020 à 13h00

Résumé : Quick devel­op­ment of drone tech­nolo­gies allows qual­i­ta­tive screen­shot from the sky. To devel­op tech­ni­cal per­spec­tives, a project was start­ed to bring tools direct­ly with­in con­tact of build­ings. For that, an inno­v­a­tive kind of aer­i­al vehi­cle has been devel­oped.
the par­tic­u­lar­i­ty of this robot is that the sys­tem can morph from a con­ven­tion­al quad (or octo) – copter into a sys­tem with a tilt­ed body with a tool in its kern. This allows to keep con­stant posi­tion in the iner­tial frame and give access to ful­ly inde­pen­dent degree of free­dom (from 4 for a reg­u­lar drone into 6 for this hybrid form). 8 actu­a­tors have been used mak­ing the sys­tem over-actu­at­ed. A non­lin­ear dynam­ic mod­el is obtained and final­ly the sys­tem is con­trolled by feed­back lin­eariza­tion tech­nique to obtain a lin­ear sys­tem. Mul­ti­ple con­trol tech­niques are applied to guar­an­tee sta­bil­i­ty in all states simul­ta­ne­ous­ly.
A pro­to­type has been devel­oped and real-time exper­i­ments val­i­date the behav­ior of the robot. A very visu­al and user-friend­ly plat­form has also been designed to help in exhaus­tive tests.

Antho­ny WELTE

Doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 19 mai 2020 à 14h00

Résumé : Local­iza­tion is crit­i­cal for the safe­ty of autonomous vehi­cles. Accu­rate local­iza­tion can be reached thanks to per­cep­tion sen­sors such as Lidars and cam­eras and using high­ly accu­rate maps (HD maps). Local­iza­tion with such sen­sors is, how­ev­er, dif­fi­cult as accu­rate match­ing needs to be obtained between obser­va­tions and map fea­tures. More­over, maps can be incom­plete or become out­dat­ed when the envi­ron­ment changes.

In this the­sis, we study using tem­po­ral buffers and maps to improve local­iza­tion. In par­tic­u­lar, using a state esti­mate buffer and an obser­va­tions buffer has been found to be help­ful to match obser­va­tions to map fea­tures as it pro­vides a more detailed rep­re­sen­ta­tion of the envi­ron­ment there­fore reduc­ing the match­ing ambi­gu­i­ties that can occur.

Addi­tion­al­ly, keep­ing states and obser­va­tions in mem­o­ry enables to eval­u­ate the accu­ra­cy of map fea­tures. The fea­tures for which obser­va­tion resid­u­als are high­er that expect­ed can be detect­ed to either be dis­card­ed in the esti­ma­tion or be cor­rect­ed for lat­er use.

Présen­ta­tion

Belem ROJAS

Doc­tor­ante au lab­o­ra­toire Heudiasyc

Le mar­di 12 mai 2020 à 16h30

Résumé : In this the­sis, a remote oper­a­tion sys­tem of a quadro­tor is stud­ied. The goal of the project is to feed­back to the user with states infor­ma­tion of the sys­tem dur­ing flights, to make deci­sions or chang­ing the mis­sion. To address this prob­lem, a tele­op­er­a­tion sys­tem using a vir­tu­al envi­ron­ment was devel­oped and imple­ment­ed. This vir­tu­al envi­ron­ment con­tains visu­al feed­back from the real drone for help­ing the user in the flight task. Dur­ing the flight tests, delays into the data trans­mis­sion were observed imply­ing could dete­ri­o­rate the closed-loop sys­tem per­for­mance and pro­duce the crash of the vehi­cle. An analy­sis of the sys­tem was done, and a pre­dic­tor-based con­troller is cur­rent­ly devel­op­ing. This scheme allows recov­er­ing the states of the sys­tem and hold­ing the sta­bil­i­ty of the sys­tem. Numer­i­cal results are car­ried-out to val­i­date the per­for­mance of the pro­posed predictor.

Présen­ta­tion

Maxime CHAVEROCHE

Doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 5 mai 2020 à 14h00

Résumé : Recent­ly, we have been wit­ness­es of acci­dents involv­ing autonomous vehi­cles and their lack of suf­fi­cient infor­ma­tion at the right time. One way to tack­le this issue is to ben­e­fit from the per­cepetion of dif­fer­ent view points, name­ly coop­er­a­tive per­cep­tion. While set­ting extra pieces of road infra­struc­ture to help autonomous vehi­cles could be imag­ined, this would require a lot of invest­ments and lim­its its usage to some areas in the world. Talk­ing about cen­tral­ized coop­er­a­tive per­cep­tion in par­tic­u­lar, this also fea­tures the dis­ad­van­tage of mak­ing the agents broad­cast their entire per­cep­tion, which can be heavy on the means of com­mu­ni­ca­tion and com­pu­ta­tion and give rise to delays. Decen­tral­ized coop­er­a­tion, how­ev­er, does not require any extra infra­struc­ture to work and offers the poss­bil­i­ty to make the agents active in their quest for full per­cep­tion, i.e. mak­ing them ask for spe­cif­ic areas in their sur­round­ings on which they would like to know more, instead of always broad­cast­ing every­thing, opti­miz­ing a trade-off between the max­i­miza­tion of knowl­edge about mov­ing objects in its vicin­i­ty and the min­i­miza­tion of the infor­ma­tion received from oth­ers. To this end, we pro­pose to cou­ple a Deep recur­rent gen­er­a­tive mod­el com­bined with evo­lu­tion strategies.

Fed­eri­co CAMARDA

Doc­tor­ant CIFRE au lab­o­ra­toire Heudi­asyc et à Renault

Le mar­di 28 avril 2020 à 14h00

Résumé : Lane detec­tion plays a cru­cial role in any autonomous dri­ving sys­tem. Cur­rent­ly com­mer­cial­ized vehi­cles offer lane keep assist and lane depar­ture warn­ing via inte­grat­ed smart cam­eras, deployed for road mark­ings detec­tion. These sen­sors alone, how­ev­er, do not gen­er­al­ly ensure ade­quate per­for­mance for high­er auton­o­my lev­els.
In the pre­sent­ed work, a mul­ti-sen­sor track­ing approach for gener­ic lane bound­aries is pro­posed. This solu­tion is based on well-estab­lished fil­ter­ing tech­niques and sup­ports a flex­i­ble clothoid spline rep­re­sen­ta­tion. It relies on fine-tuned mea­sure­ment mod­els, tai­lored on col­lect­ed data from both off-the-shelf and pro­to­type smart sen­sors. The imple­men­ta­tion takes into account real-time con­straints and ADAS ECUs scarci­ty of resources. The result is final­ly val­i­dat­ed against lane-lev­el ground truth and exper­i­men­tal data acquisitions.

Ste­fano MASI

Doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 21 avril 2020 à 16h00

Résumé : Although autonomous vehi­cle tech­nol­o­gy has evolved sig­nif­i­cant­ly in recent years, self-dri­ving vehi­cles nav­i­ga­tion in urban areas is still an open issue. One of the major chal­lenges in these con­di­tions is the safe nav­i­ga­tion of autonomous vehi­cles on roads open to pub­lic traf­fic. The main issue is the inter­ac­tion of the autonomous vehi­cle with reg­u­lar traf­fic because behav­iors and inten­tions of human-dri­ven vehi­cles are hard to pre­dict and under­stand. The goal of the Tor­na­do project, which regroups both indus­tri­als and aca­d­e­m­ic researchers, is to imple­ment an autonomous shut­tle ser­vice in an urban area. One of the most chal­leng­ing sce­nar­ios for autonomous dri­ving is rep­re­sent­ed by com­plex zones as inter­sec­tions, road merg­ings and round­about. In this work, we pro­pose a method to make an autonomous shut­tle able to cross safe­ly a mul­ti-lane round­about. Fur­ther­more, we also pro­pose strate­gies to han­dle vehi­cles inter­ac­tions (e.g. nav­i­ga­tion in par­al­lel lanes) into mul­ti-lane round­abouts. Our approach relies on High-Def­i­n­i­tion (HD) maps with lane lev­el descrip­tion. This for­mal­ism allows to pre­dict at lane lev­el the future sit­u­a­tion thanks to the con­cept of vir­tu­al vehi­cles. Our method han­dles safe­ly col­li­sion avoid­ance and guar­an­tees that no pri­or­i­ty con­straint is vio­lat­ed dur­ing the inser­tion maneu­ver. More­over, the method pro­vides a not be over­ly cau­tious inser­tion pol­i­cy, i.e. it not makes the autonomous vehi­cle wait for a long time before the inser­tion. The per­for­mance of our strat­e­gy has been eval­u­at­ed with the SUMO sim­u­la­tion frame­work. To bet­ter eval­u­ate the com­plex­i­ty of the sim­u­la­tion sce­nario, a high­ly inter­ac­tive vehi­cles flow has been gen­er­at­ed in SUMO using real dynam­ic traf­fic data con­tained into the INTERACTION dataset. Final­ly, we report how our approach behaves in terms of safe­ty and traf­fic flow under such com­plex sce­nar­ios con­sid­er­ing both sim­u­lat­ed envi­ron­ments and real tests effec­tu­at­ed with some exper­i­men­tal self-dri­ving vehi­cles on a dri­ving circuit.

Présen­ta­tion

Antoine LIMA

Doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 17 décem­bre 2019 à 14h00 en salle GI-043

Résumé : In this talk, sev­er­al com­mu­ni­ca­tion stan­dards and mes­sages devel­oped in the con­text of ITS are con­tex­tu­al­ized and explained. We will focus on the Euro­pean side of stan­dards and more pre­cise­ly on the work that has been done in the last decade on col­lec­tive aware­ness and per­cep­tion. After an intro­duc­tion on the com­mu­ni­ca­tion medi­um, three mes­sage con­tents will be detailed: the Col­lec­tive Aware­ness Mes­sage, Decen­tral­ized Envi­ron­men­tal Noti­fi­ca­tion Mes­sage and the Col­lec­tive Per­cep­tion Mes­sage. This talk is intend­ed as a quick intro­duc­tion for these mes­sages that might become wide­ly used in com­ing years, in order to under­stand their potential.

Alber­to CASTILLO FRASQUET

Le mar­di 10 décem­bre 2019 à 14h00 en salle GI-042

Abstract : The work is focused on devel­op­ing algo­rithms that pre­dict the future state of a sys­tem that is affect­ed by unknown dis­tur­bances. In the case of no dis­tur­bances, this is nor­mal­ly solved by cre­at­ing a sys­tem math­e­mat­i­cal mod­el and mea­sur­ing some state vari­ables so that, with the mod­el and the mea­sure­ments, one is able to pre­dict its future state, e.g. the future posi­tion of a mov­ing car, or the future glu­cose con­cen­tra­tion of a dia­bet­ic patient. How­ev­er, when­ev­er unknown dis­tur­bances (i.e. wind gusts, ocean cur­rents, fric­tion, loads vari­a­tion, etc) affect to the sys­tem, its future state is also depen­dent on the dis­tur­bance. The pre­vi­ous meth­ods are no longer valid in this sce­nario and they should be rede­fined in order to con­tem­plate for the dis­tur­bance effect.

Jos­sué Car­iño Escobar

Le mar­di 10 décem­bre 2019 à 14h00 en salle GI-042

Abstract : This work presents con­tri­bu­tions to the state-of-the-art in UAV con­trol for the pur­pos­es of coop­er­a­tive pay­load trans­porta­tion. Con­ven­tion­al coop­er­a­tive con­trol schemes rely on an infor­ma­tion communication/sensor net­work in order to design the con­trol law of each agent. How­ev­er, in coop­er­a­tive trans­porta­tion schemes these types of con­trollers can desta­bi­lize if the topol­o­gy of the net­work changes. Because of this, there has been a ten­den­cy to take advan­tage of the phys­i­cal con­nec­tion of the agents to the load by con­sid­er­ing its effects as a form of implic­it com­mu­ni­ca­tion. The pro­posed solu­tion of this work imple­ments a decen­tral­ized coop­er­a­tive con­trol scheme for slung-load trans­porta­tion based on the con­cept of pas­siv­i­ty and implic­it communication.

Nico­las PITON

Ingénieur Inno­va­tion / Respon­s­able plate­forme pro­to­ty­page rapide.

Le mar­di 03 décem­bre 2019 à 14h00 en salle GI-042

Résumé : Nico­las PITON, je suis Respon­s­able de la plate­forme de pro­to­ty­page. J’ai déjà eu l’occasion de tra­vailler avec cer­tains d’entre vous au sein du lab­o­ra­toire Heudi­asyc pour le développe­ment de prototype.

L’objectif de cette présen­ta­tion est de vous apporter à tous le même niveau d’information sur les pos­si­bil­ités offertes par la plate­forme en ter­mes de matériel et de fonc­tion­nement. A l’issue de cette présen­ta­tion, nous pour­rons échang­er sur les pos­si­bil­ités de col­lab­o­ra­tion et vos éventuels besoins.

Thomas FUHRMANN

Ibeo Auto­mo­tive Sys­tems GmbH

Le jeu­di 26 sep­tem­bre 2019 à 11h00 en salle GI-042

Résumé : La tech­nolo­gie Lidar sol­id-state est très atten­due par de nom­breuses indus­tries, notam­ment celle de l’au­to­mo­bile. L’ob­jet de la con­férence est de présen­ter plusieurs tech­nolo­gies exis­tantes pour les Lidar sol­id-state, avec un zoom sur le NEXT, Lidar sol­id-state dévelop­pé par Ibeo Auto­mo­tive Sys­tems GmbH.

Le mar­di 16 juil­let 2019 à 14h en salle GI-042

  • Laval Vir­tu­al (22–26 avril 2019) : I. Thou­venin, B. Wojtkows­ki, Q. Duchemin, F. Boucaud
  • ICRA (20–24 mai 2019) : A. Welte
  • IV (9–12 juin 2019) : beau­coup de monde
  • Tech­Days (24–25 juin 2019) : G. Bayard, G. Sanahu­ja, C. De Souza junior
  • FUSION (2–5 juil­let 2019) : J. Al Hage

Edouard CAPELLIER

Doc­tor­ant CIFRE au lab­o­ra­toire Heudi­asyc et à Renault.

Le mar­di 02 juil­let 2019 à 14h00 en salle GI-043

Résumé : In tra­di­tion­al LIDAR pro­cess­ing pipelines, a point-cloud is split into clus­ters, or objects, which are clas­si­fied after­wards. This sup­pos­es that all the objects obtained by clus­ter­ing belong to one of the class­es that the clas­si­fi­er can rec­og­nize, which is hard to guar­an­tee in prac­tice. We thus pro­pose an evi­den­tial end-to-end deep neur­al net­work to clas­si­fy LIDAR objects. The sys­tem is capa­ble of clas­si­fy­ing ambigu­ous and inco­her­ent objects as unknown, while only hav­ing been trained on vehi­cles and vul­ner­a­ble road users. This is achieved thanks to an evi­den­tial refor­mu­la­tion of gen­er­al­ized logis­tic regres­sion clas­si­fiers, and an online fil­ter­ing strat­e­gy based on sta­tis­ti­cal assump­tions. The train­ing and test­ing were real­ized on LIDAR objects which were labelled in a semi-auto­mat­ic fash­ion, and col­lect­ed in dif­fer­ent sit­u­a­tions thanks to an autonomous dri­ving and per­cep­tion platform.

Elwan HERY

Doc­tor­ant au lab­o­ra­toire Heudiasyc.

Le mar­di 02 juil­let 2019 à 14h00 en salle GI-043

Résumé : La local­i­sa­tion reste un enjeu majeur pour les véhicules autonomes. Une local­i­sa­tion pré­cise par rap­port à la route et par rap­port aux autres véhicules est essen­tielle pour de nom­breuses tâch­es de nav­i­ga­tion, en par­ti­c­uli­er pour la nav­i­ga­tion en con­voi où les par­tic­i­pants coopèrent pour amélior­er leurs local­i­sa­tions mutuelles. Nous présen­tons une méth­ode de local­i­sa­tion coopéra­tive dis­tribuée basée sur l’échange de cartes locales dynamiques (CLD). Chaque CLD con­tient des infor­ma­tions dynamiques sur la pose et la ciné­ma­tique de tous les agents en coopéra­tion. Dif­férentes sources d’in­for­ma­tion telles que les vitesses lon­gi­tu­di­nale et de rota­tion du bus CAN, les pos­es GNSS, les mesures LiDAR et la détec­tion des bor­ds de voie sont fusion­nées à l’aide d’une stratégie de fil­tre de Kalman asyn­chrone. Les CLD d’autres véhicules reçues par la com­mu­ni­ca­tion sont fusion­nées à l’aide d’un fil­tre par inter­sec­tion de covari­ance pour éviter la con­san­guinité de don­nées. Les résul­tats expéri­men­taux de ces travaux sont éval­ués sur des scé­nar­ios de con­duite en con­voi. Ils mon­trent l’im­por­tance d’une local­i­sa­tion rel­a­tive pré­cise en util­isant la per­cep­tion LiDAR pour amélior­er cette local­i­sa­tion. La local­i­sa­tion rel­a­tive entre les véhicules est améliorée dans toutes les CLD, y com­pris pour les véhicules qui ne sont pas capa­bles de percevoir les véhicules envi­ron­nants, mais qui sont perçus par les autres.

Romain GUYARD

Doc­tor­ant au lab­o­ra­toire Heudiasyc.

Le mar­di 18 juin 2019 à 14h00 en salle GI-043

Résumé : Les véhicules intel­li­gents pos­sè­dent de plus en plus de cap­teurs utile à l’aide à la con­duite. Cepen­dant, ces cap­teurs ont des capac­ités lim­itées, ce qui peut impacter la prise de déci­sion. Une méth­ode pour amélior­er la pré­ci­sion de la per­cep­tion des véhicules est de met­tre en com­mun les don­nées générées par plusieurs véhicules obser­vant le même envi­ron­nement. La méth­ode priv­ilégiée actuelle­ment est de cen­tralis­er les don­nées sur un serveur, de faire les cal­culs de fusion de don­nées et de ren­voy­er les résul­tats aux véhicules (cloud com­put­ing). Cette méth­ode néces­site donc l’en­voi de don­nées per­son­nelles à un tiers et sup­pose une con­nex­ion inter­net per­ma­nente. Pour éviter ces con­traintes, nous pro­posons une méth­ode de fusion de don­nées dis­tribuée où les véhicules com­mu­niquent directe­ment entre eux des résul­tats de fusion ne révélant pas les valeurs internes des cap­teurs aux voisins. L’al­go­rithme utilise le cadre des  fonc­tions de croy­ances pour gér­er les impré­ci­sions des cap­teurs et incer­ti­tudes dues au manque de con­fi­ance dans les don­nées des autres véhicules. Pen­dant cette dernière année nous avons con­cen­tré nos efforts sur l’élab­o­ra­tion d’un scé­nario simulé qui per­met de met­tre en appli­ca­tions plusieurs sché­mas de fusion pro­posés. Cette appli­ca­tion con­siste en la recherche du chemin opti­mal dans une ville en prenant en compte l’oc­cu­pa­tion des routes. Une carte d’oc­cu­pa­tion des routes dis­tribuée est cal­culé par tous les véhicules qui peu­vent ain­si choisir le meilleur chemin pour arriv­er le plus rapi­de­ment à destination.

Abbas CHOKOR

Doc­tor­ant au lab­o­ra­toire Heudiasyc.

Le mar­di 18 juin 2019 à 14h00 en salle GI-043

Résumé : In this talk, I will present our work in the field of  Glob­al Chas­sis Con­trol (GCC) whose goal is to improve the over­all vehi­cle per­for­mance by coor­di­nat­ing the Active Front Steer­ing, Direct Yaw Con­trol and Active Sus­pen­sion con­trollers. A  mul­ti­lay­er GCC archi­tec­ture is devel­oped. It con­tains a local con­trol lay­er and a deci­sion lay­er. The local objec­tives for the sub-con­trollers in the con­trol lay­er con­cern explic­it­ly: maneu­ver­abil­i­ty, lat­er­al sta­bil­i­ty, rollover avoid­ance, and ride com­fort. The sub-con­trollers are designed based on the super-twist­ing slid­ing mode the­o­ry. The deci­sion lay­er is devel­oped to promote/attenuate the local objec­tives of the sub-con­trollers, in order to remove the con­flicts among the dif­fer­ent objec­tives and extract the max­i­mum ben­e­fit from the coor­di­na­tion using some eval­u­a­tion cri­te­ria. This lay­er mon­i­tors the dynam­ics of the vehi­cle, cal­cu­lates and sends sched­uled gains to the sub-con­trollers, based on fuzzy log­ic rules and a sta­bil­i­ty cri­te­ri­on. Final­ly, the pro­posed Glob­al Chas­sis Con­troller is val­i­dat­ed on Matlab/Simulink using a vehi­cle mod­el val­i­dat­ed on the pro­fes­sion­al vehi­cle sim­u­la­tor « SCANeR Stu­dio ». The results show the effec­tive­ness of the pro­posed strategy.

Angel Gabriel ALATORRE VAZQUEZ

Doc­tor­ant au lab­o­ra­toire Heudiasyc.

Le mar­di 04 juin 2019 à 14h00 en salle GI-042

Shri­ram JUGADE

Doc­tor­ant au lab­o­ra­toire Heudiasyc.

Le mar­di 04 juin 2019 à 14h00 en salle GI-042

Résumé :

The field of ADAS has been con­tin­u­ous­ly evolv­ing for the bet­ter and safer dri­ving expe­ri­ence. Cur­rent­ly, the road map for the future devel­op­ments is tar­get­ed to have ful­ly autonomous/­self-dri­ving vehi­cles. Human dri­vers are still going to play an impor­tant part from an over­all per­for­mance aspect. One impor­tant issue still exist i.e. How will the tran­si­tion between man­u­al dri­ving mode and autonomous dri­ving mode take place? Also, the autonomous dri­ving encounter var­i­ous dri­ving issues and need to be resolved with the help of human dri­ver. One of the approach to address these issues is shared dri­ving con­trol authority.

In this project, the shared con­trol author­i­ty is devel­oped through the fusion of the dri­ving inputs of both the dri­vers. The use of fusion sys­tem approach removes the need of direct inter­ac­tion between human and autonomous dri­ving sys­tem. Fusion is achieved by resolv­ing the con­flict between the two dri­vers using non-coop­er­a­tive game the­o­ry and is based on fea­tures like dri­ving deci­sion admis­si­bil­i­ty, future pre­dic­tions of dri­ving pro­files, indi­vid­ual dri­ving inten­tions com­par­i­son (based on a sim­i­lar­i­ty mea­sure) etc. A two play­er non-coop­er­a­tive game is defined incor­po­rat­ing the dri­ving deci­sion admis­si­bil­i­ty and inten­tions. Con­flict res­o­lu­tion is achieved through an opti­mal bar­gain­ing solu­tion giv­en by Nash Equi­lib­ri­um. The final dri­ving com­mand for the vehi­cle is derived from the bar­gain­ing solu­tion. The rel­e­vant infor­ma­tion is fed back to the human dri­ver from the fusion sys­tem to avoid any con­fu­sion. The val­i­da­tion is car­ried out on a test rig inte­grat­ed with the soft­ware like IPG Car­Mak­er and Simulink. Var­i­ous fea­tures of the fusion sys­tem such as col­li­sion avoid­ance, human cen­tric etc are ana­lyzed in the val­i­da­tion process.

Anand Sánchez-Orta

Anand Sánchez-Orta received his M.Sc. degree in Auto­mat­ic Con­trol from the Autonomous Uni­ver­si­ty of Nue­vo León (UANL), Mex­i­co and Ph.D. degree in Infor­ma­tion and Sys­tems Tech­nolo­gies from the Uni­ver­si­ty of Tech­nol­o­gy of Com­piègne (UTC), France, in 2001 and 2007, respec­tive­ly. He joined the Robot­ics and Advanced Man­u­fac­tur­ing Divi­sion of the Cen­ter for Research and Advanced Stud­ies (CINVESTAV) in 2009, where he is cur­rent­ly a Research Pro­fes­sor. His research inter­ests include con­trol the­o­ry, state esti­ma­tion and visu­al ser­vo­ing with appli­ca­tions to robotics.

Le jeu­di 23 mai 2019 à 14h00 en salle GI-043

Résumé : Nowa­days, robot­ic sys­tems, such as mobile robots, manip­u­la­tor arms, under­wa­ter robots and UAVs, have a great poten­tial in a wide vari­ety of appli­ca­tions. In recent years, they sig­nif­i­cant­ly increased their per­for­mance, main­ly thanks to tech­no­log­i­cal inno­va­tions which facil­i­tate their con­struc­tion and con­trol. How­ev­er, to increase their degree of auton­o­my, it is nec­es­sary to find more effi­cient solu­tions for such sys­tems. In this talk I will present the syn­the­sis of robust esti­ma­tion and con­trol algo­rithms with respect to endoge­nous and exoge­nous dis­tur­bances for the autonomous nav­i­ga­tion of robot­ic sys­tems. In par­tic­u­lar, dis­tur­bances that are not nec­es­sar­i­ly dif­fer­en­tiable in the usu­al sense (inte­ger order) are con­sid­ered. Exper­i­men­tal results will be presented.

Lou­nis Adouane

Maître de con­férences à POLYTECH Clermont-Ferrand.

Le jeu­di 23 mai 2019 à 11h30 en salle GI-043

Résumé : This talk makes the focus on the way to increase grad­u­al­ly the auton­o­my of a sin­gle vehi­cle as well as mul­ti-vehi­cle sys­tems to achieve autonomous nav­i­ga­tion in com­plex envi­ron­ments (e.g., clut­tered, uncer­tain and/or dynam­ic). Its main objec­tive is to give an overview of the devel­oped gener­ic con­trol archi­tec­tures (main­ly decision/action aspects), and their dif­fer­ent com­po­nents, in order to enhance the safe­ty, flex­i­bil­i­ty and the reli­a­bil­i­ty of autonomous nav­i­ga­tion. First, it is giv­en a short overview of the main mechanisms/components char­ac­ter­iz­ing the pro­posed Mul­ti-Con­troller Archi­tec­tures (MCA), which allow to have gener­ic and bot­tom-up con­struc­tion of the vehi­cle’s nav­i­ga­tion func­tions. MCA have been devel­oped based on reli­able ele­men­tary con­trollers (obsta­cle avoid­ance, tar­get reaching/tracking, for­ma­tion main­tain­ing and recon­fig­u­ra­tion, etc.), but also on the propo­si­tion of appro­pri­ate mech­a­nisms to man­age the con­trollers » inter­ac­tions. Fur­ther, MCA have been devel­oped through three close­ly relat­ed ele­ments: task mod­el­ing; plan­ning/re-plan­ning and final­ly the con­trol aspects based main­ly on Lya­punov sta­bil­i­ty analy­sis. The talk will high­light sum­mar­i­ly some com­ple­men­tary com­po­nents, such as the link between opti­mal plan­ning, con­trol and flex­i­ble nav­i­ga­tion through sequen­tial way­points. Sec­ond­ly, the talk will empha­sis how MCA have been extend­ed to embed a reli­able deci­sion-mak­ing process to deal with risky and uncer­tain situations/environments (e.g., over­tak­ing in high­way or coop­er­a­tive inter­sec­tion cross­ing). More pre­cise­ly, the talk will show both: the pro­posed prob­a­bilis­tic-based approach­es for risk assess­ment and man­age­ment, and the devel­oped new met­ric in order to enhance the safe­ty of autonomous vehi­cles. Sev­er­al sim­u­la­tions and exper­i­ments high­light the dif­fer­ent devel­oped works. 

Lydie NOUVELIERE

Maître de Con­férences de l’U­ni­ver­sité d’Evry-Val-d’Es­sonne, Lab­o­ra­toire d’In­for­ma­tique, BioIn­for­ma­tique et Sys­tèmes Com­plex­es (IBISC).

Le lun­di 20 mai 2019 à 14h00 en salle GI-043

Résumé : Il n’est plus sur­prenant, en 2018, d’en­ten­dre par­ler de la voiture autonome dans les média. Et oui, nous y sommes, ou presque… ! Depuis 20 ans, beau­coup de développe­ments ont été pro­duits pour aider le con­duc­teur à mieux con­duire en ter­mes de sécu­rité et de flu­id­i­fi­ca­tion du traf­ic. Pour autant, depuis la COP21, la con­som­ma­tion d’én­ergie des véhicules est au cen­tre des déci­sions européennes en ter­mes de normes auto­mo­biles. L’idée, ici, est donc de con­cevoir des tra­jec­toires sécu­ri­taires, effi­caces et économiques en réal­isant le meilleur com­pro­mis tout en ten­ant compte des actions du con­duc­teur et de l’en­vi­ron­nement (avec appli­ca­tion expéri­men­tale en temps réel).

Ala MHALLA

Doc­teur en infor­ma­tique de l’Université Cler­mont Auvergne, France. Post­doc­tor­ant à l’In­sti­tut Pas­cal, Clermont-Ferrand.

Le jeu­di 16 mai 2019 à 16h00 en salle GI-043

Résumé : Les travaux de recherche pro­posés relèvent de la thé­ma­tique de l’intelligence arti­fi­cielle appliquée au monde de la sécu­rité et de la sur­veil­lance de traf­ic routiers. Plus par­ti­c­ulière­ment, il s’agit de dévelop­per des approches auto-super­visées pour spé­cialis­er automa­tique­ment des mod­èles pour la détec­tion et le suivi d’objets routiers dans des séquences vidéo. La détec­tion et le suivi automa­tique d’ob­jets 2D dans des séquences vidéo est un prob­lème ancien, qui a con­nu des pro­grès majeurs ces dernière années mais qui est encore loin d’être com­plète­ment résolu. C’est dans ce cadre très com­péti­tif que nous nous sommes intéressés à deux prob­lé­ma­tiques cen­trales : la spé­cial­i­sa­tion de mod­èles neu­ronaux pro­fonds pour la détec­tion mul­ti-objets par « trans­fert d’apprentissage » et « appren­tis­sage pro­fond », et le suivi mul­ti-objets basée sur un mod­èle spa­tio-tem­porel « entrelacement ». 

Julien MOREAU

Doc­teur en infor­ma­tique de l’UTBM, lab­o­ra­toires IRTES-SET, Belfort, et IFSTTAR-COSYS-LEOST, Villeneuve‑d’Ascq. Post­doc­tor­ant à l’U­ni­ver­sité Catholique de Lou­vain, Image and Sig­nal Pro­cess­ing Group, Belgique.

Le jeu­di 16 mai 2019 à 13h30 en salle GI-043

Résumé:

- Étude d’une méth­ode d’amélio­ra­tion de la local­i­sa­tion GNSS du véhicule en envi­ron­nement urbain, impli­quant un ensem­ble de proces­sus pour estimer un mod­èle 3D local à par­tir de vision fish­eye du point de vue du toit du véhicule et ori­en­tée vers le ciel. 

- Per­cep­tion mul­ti­modale RVB, ther­mique, et lidar, embar­quée sur un drone pour l’ex­plo­ration et la recon­struc­tion 3D d’une pièce en con­di­tions dégradées (obscu­rité, fumée d’incendie). 

- Con­tri­bu­tion à des archi­tec­tures de réseaux de neu­rones pro­fonds dans le but de l’analyse séman­tique en temps réel d’im­ages panoramiques de match de basket-ball.

Jason CHEVRIE

Doc­teur de l’Université de Rennes 1, IRISA. Chercheur post­doc­tor­al à l’In­sti­tut Ital­ien de Tech­nolo­gie (Isti­tu­to Ital­iano di Tec­nolo­gia, IIT), Gênes, Italie.

Le mer­cre­di 15 mai 2019 à 16h15 en salle GI-043

Résumé : Robot­ic assis­tance is a field of research that can have appli­ca­tions in var­i­ous domains, like in health­care or in the indus­try. In this talk, I will present an overview of the research activ­i­ties I car­ried out in robot­ic assis­tance for health­care appli­ca­tions at the Ital­ian Insti­tute of Tech­nol­o­gy (IIT), Genoa, Italy and at IRISA/Inria, Rennes, France. The first part will cov­er the activ­i­ties per­formed in IIT in domes­tic assis­tance on the R1 humanoid robot, tar­get­ed for exam­ple for the help of elder­ly or dis­abled peo­ple. For this, sev­er­al issues need to be tack­led due to the robot evolv­ing and inter­act­ing in a dynam­ic and unstruc­tured human envi­ron­ment. The sec­ond part will cov­er my activ­i­ties at IRISA/Inria focused on sur­gi­cal ges­ture assis­tance, in par­tic­u­lar for nee­dle inser­tions, which are med­ical pro­ce­dures com­mon­ly per­formed for the treat­ment or the diag­no­sis of tumors. I will briefly describe the dif­fer­ent aspects that need to be con­sid­ered to per­form an auto­mat­ic nee­dle inser­tion in soft tis­sues, as well as the inte­gra­tion of a human oper­a­tor in the con­trol loop via a hap­tic interface.

Mohamad Motasem NAWAF

Doc­teur en infor­ma­tique, Lab­o­ra­toire Hubert Curien, Uni­ver­sité Jean Mon­net, Saint-Eti­enne. Chercheur Post­doc­tor­al, Lab­o­ra­toire LIS, Aix-Mar­seille Université.

Le mer­cre­di 15 mai 2019 à 11h30 en salle GI-043

Résumé : We pro­vide details of hard­ware and soft­ware con­cep­tion and real­iza­tion of a stereo embed­ded sys­tem for under­wa­ter sur­vey. The main con­tri­bu­tion is a light visu­al odom­e­try method adapt­ed to under­wa­ter con­text. The pro­posed method runs on a sur­face com­put­er and uses the cap­tured stereo image stream to pro­vide real-time nav­i­ga­tion and site cov­er­age map which is nec­es­sary to con­duct a com­plete under­wa­ter sur­vey. The visu­al odom­e­try uses a sto­chas­tic pose rep­re­sen­ta­tion and semi-glob­al opti­miza­tion approach to han­dle large sites and pro­vides long-term auton­o­my. A nov­el stereo match­ing approach adapt­ed to under­wa­ter imag­ing and sys­tem attached light­ing allows fast pro­cess­ing and suit­abil­i­ty to low com­pu­ta­tion­al resources sys­tems. The sys­tem is test­ed in a real con­text and showed its robust­ness and promis­ing fur­ther perspectives.

Yann SOULLARD

Post­doc­tor­ant à l’U­ni­ver­sité de Rouen Nor­mandie, LITIS.

Le ven­dre­di 10 mai 2019 à 13h30 en salle GI-043

Résumé:

La recon­nais­sance de gestes est générale­ment réal­isée par l’emploi d’un mod­èle de séquences (mod­èles de Markov à états cachés, réseaux de neu­rones, …) per­me­t­tant la prise en compte de l’évo­lu­tion tem­porelle de la gestuelle pour la déci­sion. On s’in­téressera ici aux mod­èles de Markov à états cachés (HMMs). Les gestes tech­niques sont des gestes par­ti­c­uliers et pré­cis dont la recon­nais­sance automa­tique peut être une tâche dif­fi­cile due au petit nom­bre de don­nées super­visées, à des don­nées poten­tielle­ment bruitées et à des class­es déséquili­brées. Les esti­ma­tions faites au sein des HMMs peu­vent être biaisées par de telles don­nées. Nous pro­posons une exten­sion des HMMs à la théorie des prob­a­bil­ités impré­cis­es en con­sid­érant d’une part une infor­ma­tion a pri­ori sur les class­es et d’autre part des ensem­bles con­vex­es de prob­a­bil­ités pour ren­forcer la fia­bil­ité du mod­èle en prédiction. 

La détec­tion de lignes de texte dans des images est une étape cen­trale de l’analyse d’un doc­u­ment. En effet, les sys­tèmes actuels de recon­nais­sance automa­tique d’écri­t­ure trait­ent des images de lignes de texte pour en extraire les car­ac­tères. Cette recon­nais­sance per­met par la suite de rechercher des mots, d’ex­traire de l’in­for­ma­tion ou de caté­goris­er le doc­u­ment. Nous présen­tons une méth­ode d’i­den­ti­fi­ca­tion de lignes de texte dans des images par appren­tis­sage automa­tique. Cette approche s’ap­puie sur un réseaux de neu­rones totale­ment con­vo­lu­tif (FCN) pro­duisant un éti­que­tage au niveau pix­el. Alors que les archi­tec­tures usuelles de FCN néces­si­tent une étape de recon­struc­tion pour obtenir une sor­tie de la même dimen­sion que l’im­age d’en­trée, nous pro­posons de con­tourn­er cette étape par l’emploi de con­vo­lu­tions dilatées.

Mohammed CHADLI

Maître de con­férences au lab­o­ra­toire MIS de l’U­ni­ver­sité de Picardie Jules Verne.

Le jeu­di 09 mai 2019 à 14h00 en salle GI-043

Car­los MATEO

Post­doc­tor­ant à l’In­sti­tut Pas­cal UMR 6602 CNRS/UCA/SIGMA, Cler­mont-Fer­rand, France.

Le lun­di 06 mai 2019 à 13h30 en salle GI-043

Résumé:

3D Visu­al per­cep­tion has been a fun­da­men­tal tool in many robot manip­u­la­tion meth­ods. The idea is sim­ple and nat­ur­al: per­ceive a tar­get object and fol­low its sur­face shape while it is being manip­u­lat­ed. Although nowa­days, it is been play­ing a big roll data dri­ven strate­gies, like is the case of Con­vo­lu­tion­al Neu­ronal Net­works (CNN) or Gen­er­a­tive Adver­sar­i­al Net­works (GAN) in object recog­ni­tion and recon­struc­tion. Tra­di­tion­al­ly, the 3D visu­al per­cep­tion was gov­erned by the geo­met­ric analy­sis of sur­faces object sur­faces. The main sub­ject of the pre­sen­ta­tion is to show a series of algo­rithms and pipelines for 3D object recog­ni­tion, their needs and how can be used not just for object manip­u­la­tion but also in oth­er fields like object/map recon­struc­tion. The method­ol­o­gy is suit­able for dual robot arms install in fixed plat­forms or in a mobile-robot sys­tem. In both cas­es the sys­tem should avoid auto-col­li­sion or col­li­sion with oth­er actors and pro­vide robust visu­al infor­ma­tion. There may arise three types of prob­lems: visu­al per­cep­tion uncer­tain­ties, local min­i­ma in the robot pose opti­miza­tion and sin­gu­lar con­fig­u­ra­tions. Dur­ing the pre­sen­ta­tion these prob­lems will be dis­cussed. Dur­ing object manip­u­la­tion track­ing non-rigid object sur­faces is cru­cial and cur­rent­ly presents a chal­lenge, not just because state-of-arts meth­ods are restric­tives in terms of com­pu­ta­tion­al cost and mem­o­ry man­age­ment but also because most of the cur­rent works tends to fail in open move­ments. Prob­lems of non-rigid recon­struc­tion, sur­face track­ing and active per­cep­tion for opti­mize cam­era pose will also be dis­cussed dur­ing the presentation.

Thibaut RAHARIJAONA

Maître de Con­férences HDR, ISM Insti­tut des Sci­ences du Mou­ve­ment Eti­enne Jules Marey (UMR 7287)

Le mar­di 02 avril 2019 à 14h en salle GI-042

Résumé:

La présen­ta­tion abor­de le développe­ment d’une stratégie de pilotage pour le véhicule autonome et la robo­t­ique mobile. Cette stratégie vise à syn­thé­tis­er des lois de com­mande robustes peu coû­teuses en temps de cal­cul pour garan­tir le niveau de per­for­mances souhaitées du véhicule en envi­ron­nement incer­tain et per­tur­bé. En envi­ron­nement intérieur, un nou­veau cap­teur et un algo­rithme sont pro­posés pour robus­ti­fi­er la local­i­sa­tion et la nav­i­ga­tion. La nav­i­ga­tion du véhicule autonome ou du robot mobile pour­ra être égale­ment améliorée grâce à l’utilisation du flux optique pour l’odométrie.

Prof. Barys SHYROKAU

Pro­fes­sor at the Intel­li­gent Vehi­cles group at the Depart­ment of Cog­ni­tive Robot­ics, Delft Uni­ver­si­ty of Technology

Le jeu­di 17 jan­vi­er 2019 à 14h30 en Amphi Gauss (Cen­tre de Recherche)

Le mar­di 27 novem­bre 2018 à 14h en salle GI-042

  • iROS (1–5 octo­bre 2018) : Elwan Héry
  • ITSC (4–7 novem­bre 2018) : Shri­ram Jugade, Edouard Capellier
  • ITSNT (13–16 novem­bre 2018) : Joelle Al-Hage
  • ICARCV (18–21 novem­bre 2018) : Abdel­hak Loukkal, Gabriel Frisch, Philippe Xu

Cyra­no VASEUR

Doc­tor­ant vis­i­teur au lab­o­ra­toire Heudiasyc

Le mar­di 13 novem­bre 2018 à 14 h en N104 (PG2 – UTC)

Résumé :

Cur­rent­ly, we are work­ing on the imple­men­ta­tion of a high-accu­ra­cy body and road angles esti­ma­tor into a vir­tu­al sens­ing envi­ron­ment. Body angles are used for cor­rec­tion of IMU data to get accu­rate mea­sure­ments (in the road frame). This is espe­cial­ly favor­able when esti­mat­ing vehi­cle veloc­i­ty from mea­sured accel­er­a­tions. Road angles are required to cor­rect for the grav­i­ty com­po­nent when esti­mat­ing tire forces.
Assum­ing avail­able sus­pen­sion stroke mea­sure­ment, body angles can be recon­struct­ed kine­mat­i­cal­ly. In this case, sus­pen­sion strokes are mea­sured with onboard poten­tiome­ters. Com­mer­cial­ly, these are used in the adap­tive head­lights func­tion­al­i­ty of the test vehi­cle, Evoque. The road angles are esti­mat­ed in an Extend­ed Kalman Fil­ter esti­ma­tion struc­ture. Here­by a decou­pled pitch and roll mod­el is used. Future work involves using cou­pled mod­els based on sus­pen­sion dynam­ics.
Addi­tion­al­ly, some focus is on ver­ti­cal tire force esti­ma­tion. Tra­di­tion­al qua­si-sta­t­ic load trans­fer mod­els have lim­it­ed accu­ra­cy for esti­mat­ing ver­ti­cal tire forces, espe­cial­ly dur­ing tran­sient motion. In this approach, the ver­ti­cal tire forces are cal­cu­lat­ed from an elab­o­rate cou­pled pitch-roll dynam­ics mod­el with non-lin­ear sus­pen­sion char­ac­ter­is­tics. Here­by it is assumed that these char­ac­ter­is­tics are known. In this case, the char­ac­ter­is­tics are iden­ti­fied from mea­sured ver­ti­cal tire forces and sus­pen­sion strokes on the test vehicle.

Présen­ta­tion

Mar­co VIEHWEGER

Doc­tor­ant vis­i­teur au lab­o­ra­toire Heudiasyc

Le mar­di 13 novem­bre 2018 en N104 (PG2 – UTC)

Résumé :

Part I : Intro­duc­tion to project ‘ITEAM’

Part II : State Esti­ma­tion for Vehi­cle Dynamics

The esti­ma­tion of vehi­cle states, e.g. sideslip angles and tire forces, is a key fac­tor for improv­ing vehi­cle dri­ving safe­ty, espe­cial­ly in times of advanced dri­ver assis­tance sys­tems (ADAS) and autonomous dri­ving (AD). The vir­tu­al sens­ing approach enables the retrieval of infor­ma­tion which can­not be mea­sured direct­ly or only with expen­sive sen­sor equip­ment.
We are focus­ing our work on cre­at­ing an exten­sive state esti­ma­tion plat­form. There­fore, mul­ti­ple soft­ware tools like MATLAB, Siemens LMS AMES­im, IPG Car­Mak­er are used. Addi­tion­al­ly, real-world mea­sure­ment data is employed to check the accu­ra­cy of the vir­tu­al sen­sors.
Cur­rent­ly, we are work­ing on the imple­men­ta­tion of a high-accu­ra­cy body and road angles esti­ma­tor into the vir­tu­al sens­ing environment.

Part III : Con­cept Car Platform

Intend­ed as a research plat­form for test­ing and val­i­da­tion of auto­mo­tive vir­tu­al sens­ing approach­es KU Leuven’s MOD group devel­oped a Con­cept Car plat­form with a mod­u­lar pow­er­train archi­tec­ture. This project is in coop­er­a­tion with the Bel­gian indus­tri­al part­ner Punch Pow­er­train who is expe­ri­enced in the field of CVT gear­box­es, hybrid, and elec­tric pow­er­trains.
The devel­op­ment process was start­ed on the basis of the Master’s the­ses of six KU Leu­ven stu­dents. In teams of two they took care of:

  • Design of a tubu­lar frame (man­u­fac­tured by Engie Fabricom);
  • Inte­gra­tion of pow­er­train com­po­nents, includ­ing bat­tery pack development;
  • Ener­gy con­sump­tion minimization.

The sem­i­nar will briefly cov­er these aspects giv­ing insight into some specifics of the project hop­ing to spark some ideas for research collaborations.

Luis Rodol­fo GARCIA CARRILLO

Assis­tant Pro­fes­sor with the Depart­ment of Elec­tri­cal Engi­neer­ing at Texas A&M Uni­ver­si­ty – Cor­pus Christi

Le mar­di 03 juil­let 2018 à 14 h en salle GI-042

Résumé :

The pro­lif­er­a­tion of autonomous robots evi­dence forth­com­ing envi­ron­ments where mul­ti­ple autonomous sys­tems (MAS) will be inter­act­ing with each oth­er, as well as with human beings, to per­form com­plex tasks at a lev­el nev­er imag­ined before. Con­ven­tion­al meth­ods for improv­ing MAS per­for­mance address very spe­cif­ic chal­lenges, but not gen­er­al prob­lems. Learn­ing-based con­trollers offer adapt­abil­i­ty and robust­ness against uncer­tain­ties, how­ev­er, the com­pu­ta­tion­al com­plex­i­ty of these solu­tions is often not prac­ti­cal­ly fea­si­ble. These draw­backs lim­it the applic­a­bil­i­ty and penal­ize the per­for­mance of cur­rent MAS con­trol meth­ods. Recent­ly, cog­ni­tive sci­en­tists advo­cate that “a sin­gle occur­rence of an emo­tion­al­ly sig­nif­i­cant sit­u­a­tion is remem­bered far more vivid­ly and for a longer peri­od than a task, which is repeat­ed fre­quent­ly”. This high­lights that emo­tion­al pro­cess­ing is able to devel­op an effect that sus­tained sen­so­ry input is not able to achieve. In this talk, we present con­ven­tion­al and adap­tive dis­trib­uted con­sen­sus algo­rithms for MAS. Next, a descrip­tive and a math­e­mat­i­cal mod­el of emo­tion pro­cess­ing in the mam­malian brain is intro­duced, which is then mod­i­fied to devel­op a hier­ar­chi­cal feed­back con­trol for MAS. Pre­lim­i­nary results show how the basic fea­tures of the emo­tion­al learn­ing sys­tem in com­bi­na­tion with the MAS con­troller can help to effec­tive­ly con­trol a group of robots in real-time, in pres­ence of sys­tem uncertainties.

Bio : 

Luis Rodol­fo Gar­cia Car­ril­lo was born in Duran­go, Mex­i­co in 1980. He received the Licen­ciatu­ra in Elec­tron­ic Engi­neer­ing in 2003, and the M.Sc. in Elec­tri­cal Engi­neer­ing in 2007, both from the Insti­tu­to Tec­no­logi­co de La Lagu­na, in Coahuila, Mex­i­co. He received his Ph.D. in Con­trol Sys­tems from the Uni­ver­si­ty of Tech­nol­o­gy of Com­pieg­ne, France, in 2011, where he was advised by Pro­fes­sor Roge­lio Lozano. From 2012 to 2013, he was a post­doc­tor­al researcher at the Cen­ter for Con­trol, Dynam­i­cal Sys­tems and Com­pu­ta­tion at the Uni­ver­si­ty of Cal­i­for­nia, San­ta Bar­bara, where he was work­ing with Pro­fes­sor Joao Hes­pan­ha. He cur­rent­ly holds an Assis­tant Pro­fes­sor posi­tion with the Depart­ment of Elec­tri­cal Engi­neer­ing at Texas A&M Uni­ver­si­ty – Cor­pus Christi. His cur­rent research inter­ests include mul­ti-agent con­trol sys­tems, intel­li­gent con­trollers, and vision-based control.

Ari­ane Spaenlehauer

Doc­tor­ante au lab­o­ra­toire Heudiasyc

Le mar­di 26 juin 2018 à 14 h dans l’am­phi Col­com­bet (Cen­tre de Trans­fert, uni­ver­sité de tech­nolo­gie de Compiègne)

Résumé :

Over the last few years, mobile robot­ics has gained an increas­ing pop­u­lar­i­ty in aca­d­e­m­ic research and indus­try both for the under­ly­ing sci­en­tif­ic chal­lenges and the eco­nom­ic ben­e­fits. On the behalf of the Labex MS2T, the DIVINA chal­lenge team explores the design pos­si­bil­i­ties of Tech­no­log­i­cal Sys­tem-of-Sys­tems to cre­ate an autonomous fleet of het­ero­ge­neous UAVs using visu­al-sens­ing mainly.

Nes­rine Mahdoui

Doc­tor­ante au lab­o­ra­toire Heudiasyc

Le mar­di 26 juin 2018 à 14 h dans l’am­phi Col­com­bet (Cen­tre de Trans­fert, uni­ver­sité de tech­nolo­gie de Compiègne)

Résumé :

In the robot­ic com­mu­ni­ty, a grow­ing inter­est for mul­ti-robot sys­tems has appeared in the last decades. This is main­ly due to new large-scale appli­ca­tions requir­ing such sys­tem of sys­tems fea­tures in areas like secu­ri­ty, dis­as­ter sur­veil­lance, inun­da­tion mon­i­tor­ing, search and res­cue, infra­struc­ture inspec­tion, and so on. In such mis­sions, one of the fun­da­men­tal task – addressed in this work – is the coor­di­nat­ed explo­ration of an unknown envi­ron­ment sensed by a team of Micro-Aer­i­al Vehi­cle (MAV) with embed­ded vision.  The key prob­lem is to coop­er­a­tive­ly choose spe­cif­ic regions of the envi­ron­ment to be simul­ta­ne­ous­ly explored and mapped by each robot in an opti­mized man­ner, in order to reduce explo­ration time and, con­se­quent­ly, ener­gy con­sump­tion.  The tar­get goals – select­ed from the com­put­ed fron­tier points lying between free and unknown areas – are assigned to robots by con­sid­er­ing a trade-off between fast explo­ration and get­ting detailed grid maps. For deci­sion mak­ing pur­pose, MAVs usu­al­ly exchange a copy of their local map, how­ev­er, the nov­el­ty in this work is to exchange map fron­tier points instead, which allow to save com­mu­ni­ca­tion bandwidth.

Présen­ta­tion

Ser­gio Salazar

Pro­fesseur invité de l’U­MI LAFMIA CINVESTAV

Le mar­di 12 juin 2018 à 14 h dans l’am­phi Col­com­bet (Cen­tre de Trans­fert, uni­ver­sité de tech­nolo­gie de Compiègne)

Résumé :
Ser­gio Salazar (pro­fesseur invité de l’U­MI) nous présen­tera ses travaux de recherche sur des véhicules autonomes aériens, ter­restres, sous-marins et exosquelettes dévelop­pés dans l’U­MI LAFMIA CINVESTAV, notam­ment sur la robustesse, l’op­ti­mi­sa­tion, le vol mul­ti-agents et la nav­i­ga­tion de précision.

Ger­ar­do ORTIZ-TORRES

Doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 15 mai 2018 à 14 h dans l’am­phi Col­com­bet (Cen­tre de Trans­fert, uni­ver­sité de tech­nolo­gie de Compiègne)

Résumé :
In the last years mul­ti-rotors con­fig­u­ra­tions for Unmanned Aer­i­al Vehi­cles (UAVs) have become promis­ing mobile plat­forms capa­ble of nav­i­gat­ing (semi) autonomous­ly in uncer­tain envi­ron­ments. Numer­ous appli­ca­tions for this kind of vehi­cles have been pro­posed, as aer­i­al pho­tog­ra­phy, sur­veil­lance, crop spray­ing, oil spill detec­tion, sup­ply deliv­ery, agri­cul­tura assess­ment, among oth­ers. Among them, the quad­copter con­fig­u­ra­tion, has proved to be suit­able for these appli­ca­tions due to the fact that it can take-off and land­ing in shorts spaces, and it is essen­tial­ly sim­pler to build, com­pared with a con­ven­tion­al heli­copter. The quad­copter aer­i­al vehi­cle is also sen­si­tive to aero­dy­nam­ic and exter­nal dis­tur­bances that can lead to dif­fer­ent faults, such as actu­a­tor stuck, loss of a pro­peller or a motor, actu­a­tor degra­da­tion, volt­age con­trol fail­ure, struc­tur­al dam­age, phys­i­cal aging, and fatigue, which inevitably influ­ence the states of the vehi­cle. As a result, the sta­bil­i­ty, reli­a­bil­i­ty, and safe­ty could be affect­ed dur­ing the fight enve­lope. In order to iden­ti­fy mal­func­tions at any time and to improve reli­a­bil­i­ty and safe­ty in the quad­copter, Fault Tol­er­ant Con­trol (FTC) meth­ods can be considered.

The FTC tech­niques are clas­si­fied into two types: pas­sive and active. In the active tech­niques the con­troller para­me­ters are adapt­ed or recon­fig­ured accord­ing to the fault using the infor­ma­tion of the Fault Detec­tion and Diag­no­sis (FDD) sys­tem, so that the sta­bil­i­ty and accept­able per­for­mance of the sys­tem can be main­tained. An active FTC scheme for a quad­copter vehi­cle is pre­sent­ed. The actu­a­tor FDD method pro­posed in this work con­sid­ers the rota­tion­al dynam­ics of the vehi­cle. Par­tial and total actu­a­tor faults are con­sid­ered. The design pro­ce­dure can be explained as follows:

1) a nom­i­nal con­troller, that has been pre­vi­ous­ly designed, is con­sid­ered to track the 3D posi­tion and atti­tude dynam­ics of the quad­copter ensur­ing a desired per­for­mance in a fault-free case;

2) a Pro­por­tion­al-Inte­gral Observ­er (PIO) applied to the rota­tion­al dynam­ics is pro­posed for per­form­ing actu­a­tor fault esti­ma­tion. The fault detec­tion is done by com­par­ing the fault esti­ma­tion sig­nal with a pre­de­fined thresh­old. Fault iso­la­tion is achieved by ana­lyz­ing the sign of the fault esti­ma­tion sig­nal. Suf­fi­cient con­di­tions for the exis­tence of the observ­er is giv­en in terms of Lin­ear Matrix Inequalities;

3) an analy­sis of sta­t­ic con­trol­la­bil­i­ty is applied using the attain­able con­trol set in order to test the per­for­mance degra­da­tion of the quad­copter vehi­cle under par­tial and total faults; 4)finally, the par­tial fault accom­mo­da­tion con­trol law is gen­er­at­ed using the nom­i­nal con­troller and the fault esti­ma­tion sig­nal for retain­ing close to nom­i­nal fault-free per­for­mance despite par­tial actu­a­tor fault. The total fault recon­fig­u­ra­tion is done by chang­ing the para­me­ters of the nom­i­nal con­troller, los­ing the con­trol­la­bil­i­ty in yaw posi­tion but con­trol­ling the yaw veloc­i­ty around z‑axis. The pro­posed fault con­trol scheme is val­i­dat­ed in dif­fer­ent cas­es of fight tests for illus­trat­ing their fea­si­bil­i­ty and efectiveness.

Présen­ta­tion

Franck LI

Doc­tor­ant au lab­o­ra­toire Heudi­asyc (CIFRE Renault)

Le mar­di 15 mai 2018 à 14 h dans l’am­phi Col­com­bet (Cen­tre de Trans­fert, uni­ver­sité de tech­nolo­gie de Compiègne)

Résumé :
Le domaine des véhicules intel­li­gents est en con­stante évo­lu­tion. Les pro­grès tech­niques, notam­ment en ter­mes de cap­teurs, ren­dent pos­si­ble des fonc­tion­nal­ités de plus en plus avancées. Ces cap­teurs per­me­t­tent au sys­tème de recueil­lir des infor­ma­tions sur son envi­ron­nement direct. Une autre source d’information est la car­togra­phie, four­nissant des infor­ma­tions a pri­ori sur le réseau routi­er. Les cartes routières haute-déf­i­ni­tion com­men­cent peu à peu à faire leur appari­tion, mais l’exploitation de leur grande pré­ci­sion est lim­itée par la pré­ci­sion des sys­tèmes de posi­tion­nement disponibles, mis à rude épreuve notam­ment en envi­ron­nement urbain. Cet exposé présente une méth­ode de diag­nos­tic d’utilisabilité du sys­tème de posi­tion­nement. L’algorithme de map-match­ing  sur lequel elle est basée est présen­té. Il exploite le car­ac­tère mul­ti-hypothès­es d’un fil­tre par­tic­u­laire afin de gér­er les sit­u­a­tions ambigües. Puis le principe du test de cohérence déter­mi­nant un critère « Use/Don’t  Use » est exposé.

Présen­ta­tion

Osamah SAIF

Post-doc­tor­ant au lab­o­ra­toire Heudiasyc

Le mar­di 10 avril 2018 à 14 h en GI042 (Bâti­ment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie Compiègne)

Résumé :
Les appli­ca­tions de quadriro­tors autonomes aug­mentent rapi­de­ment dans notre vie réelle. La sur­veil­lance, la vidéo et la pho­togra­phie sont les domaines d’ac­tiv­ité essen­tiels de véhicules aériens sans pilote (UAV). Actuelle­ment, les chercheurs et les sci­en­tifiques se con­cen­trent sur le déploiement mul­ti-drones pour l’inspection et la sur­veil­lance de vastes zones. C’est dans cet esprit que je par­lerai dans ma présen­ta­tion de mes activ­ités de recherche qui s’inscrivent dans le pro­jet FUI AIRMES « Drones Hétérogènes Coopérants en Flot­tille ». Ce pro­jet a pour objec­tif de per­me­t­tre le déploiement de flot­tilles de drones hétérogènes pour per­me­t­tre la sur­veil­lance des instal­la­tions fer­rovi­aires et élec­triques.  Ma mis­sion dans ce pro­jet est d’assurer le développe­ment des algo­rithmes de vol en for­ma­tions per­me­t­tant aux drones de nav­iguer suiv­ant des plans de vol tout en gérant leurs prox­im­ités et en main­tenant une dis­tance de sécu­rité entre eux.

Présen­ta­tion

Azade FOTOUHI

Doc­tor­ante à l’UNSW de Sydney

Le mar­di 10 avril 2018 à 14 h en GI042 (Bâti­ment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie Compiègne)

Résumé :

There have been increas­ing inter­ests in employ­ing unmanned aer­i­al vehi­cles (UAVs) such as drones for telecom­mu­ni­ca­tion pur­pose. In such net­works, UAVs act as base sta­tions (BSs) and pro­vide down­load­ing ser­vice to users. Com­pared with con­ven­tion­al ter­res­tri­al base sta­tions, such UAV-BSs can dynam­i­cal­ly adjust their loca­tions to improve net­work per­for­mance. How­ev­er, there exists impor­tant issues in UAV net­works that must be con­sid­ered. For exam­ple, the UAV deploy­ment, intro­duces a new tool for radio resource man­age­ment, since BS posi­tions are open for net­work opti­miza­tion. More­over, drones have prac­ti­cal agili­ty con­straints in terms of fly­ing speed, turn­ing angles, and ener­gy con­sump­tion. The aim of this pre­sen­ta­tion is to overview the inte­gra­tion of UAVs in cel­lu­lar net­works, exist­ing issues and poten­tial solu­tions for assist­ing cel­lu­lar com­mu­ni­ca­tions with UAV-based fly­ing relays and base sta­tions. Towards that end, a pro­posed mobil­i­ty con­trol method based on the SNR mea­sure­ment and game the­o­ry approach will be pre­sent­ed. The results demon­strate that the UAV-BSs mov­ing accord­ing to our pro­posed algo­rithm sig­nif­i­cant­ly improve the net­work per­for­mance in terms of pack­et through­put and spec­tral effi­ca­cy com­pared to a base­line scenario.

Les inter­venants peu­vent dis­cuter de recherch­es récentes ou à un stade pré­coce qu’ils ont entre­pris­es, ou sig­naler d’autres types d’ac­tiv­ités pro­fes­sion­nelles. Cer­tains sujets cor­re­spon­dent étroite­ment à nos ori­en­ta­tions de recherche actuelles, alors que d’autres représen­tent des domaines d’in­térêt pour notre com­mu­nauté scientifique.

02/07/2024 – SYRI and CID Col­lab­o­ra­tive Work­shop
- Sta­tis­ti­cal guar­an­tees for object detec­tion
- Har­ness­ing Super­class­es for Learn­ing from Hier­ar­chi­cal Data­bas­es
- Enhanc­ing Local­iza­tion through Per­cep­tion: Appli­ca­tions of Vec­tor Maps
- Intro­duc­tion à des archi­tec­tures de réseaux de neu­rone de traite­ment des événe­ments
- Esti­ma­tions d’in­cer­ti­tudes pour le cal­i­brage entre cap­teurs par appren­tis­sage pro­fond
- Présen­ta­tion de début de thèse: Esti­ma­tion de l’in­cer­ti­tude et de l’in­tégrité pour les sys­tèmes de per­cep­tion basés sur l’ap­pren­tis­sage automatique

Miguel Angel SOTELO

Mar­di 12 novem­bre 2019 à 15 h en GI 042 (Bâti­ment Blaise Pas­cal – UTC)

Pro­fes­sor Miguel Angel SOTELO (Fel­low IEEE) received the Ph.D. degree in Elec­tri­cal Engi­neer­ing in 2001 from the Uni­ver­si­ty of Alcalá, Spain. He is Head of the INVETT Research Group and Vice-Pres­i­dent for Inter­na­tion­al Rela­tions at the Uni­ver­si­ty of Alcalá. He had served as Edi­tor-in-Chief of IEEE Intel­li­gent Trans­porta­tion Sys­tems Mag­a­zine (2014–2016) and Asso­ciate Edi­tor of IEEE Trans­ac­tions on Intel­li­gent Trans­porta­tion sys­tems (2008–2015). He is cur­rent­ly the Pres­i­dent of the IEEE Intel­li­gent Trans­porta­tion Sys­tems Society.

Résumé :

Self-dri­ving cars have expe­ri­enced a boom­ing devel­op­ment in the lat­est years, hav­ing achieved a cer­tain degree of matu­ri­ty. Their scene recog­ni­tion capa­bil­i­ties have improved in an impres­sive man­ner, espe­cial­ly thanks to the devel­op­ment of Deep Learn­ing tech­niques and the avail­abil­i­ty of immense amount of data con­tained in well-orga­nized pub­lic datasets. But still, self-dri­ving cars exhib­it lim­it­ed abil­i­ty to deal with cer­tain types of sit­u­a­tions that do not pose a great chal­lenge to human dri­vers, such as enter­ing a con­gest­ed round-about, deal­ing with cyclists, or giv­ing way to a vehi­cle that is aggres­sive­ly merg­ing onto the high­way from a ramp lane. All these tasks require the devel­op­ment of advanced pre­dic­tion capa­bil­i­ties in order to pro­vide the most like­ly tra­jec­to­ries for all traf­fic agents around the ego-car, name­ly vehi­cles and vul­ner­a­ble road users, in a giv­en time hori­zon. This talk will ana­lyze the cur­rent state-of- the-art of the most advanced pre­dic­tion sys­tems for vehi­cles and vul­ner­a­ble road users and will dis­cuss their impact on the future of autonomous dri­ving. At the same time, it will present some inno­v­a­tive solu­tions for effi­cient­ly incor­po­rat­ing con­tex­tu­al infor­ma­tion and expe­ri­ence in the learn­ing process.

Sanaz Mostaghim

Pro­fesseur en infor­ma­tique à l’In­sti­tut des sys­tèmes de coopéra­tion intel­li­gents (IKS) de l’U­ni­ver­sité de Magde­bourg en Allemagne

Le ven­dre­di 22 févri­er 2019 10h30 en GI042 (Bâti­ment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie Compiègne)

Résumé :

Intel­li­gent tech­ni­cal sys­tems are becom­ing more and more ubiq­ui­tous and their influ­ence on our lives grows dai­ly. In the last years, com­pu­ta­tion­al intel­li­gence meth­ods have – more than ever – exten­sive­ly con­tributed to the lat­est sci­en­tif­ic break­through in devel­op­ing such intel­li­gent sys­tems. Nev­er­the­less, one major chal­lenge con­cerns the real-time reac­tions of intel­li­gent sys­tems to the unknown dynam­ics in their envi­ron­ments which is con­sid­ered to be among the grand chal­lenges in this area. This talk is about mul­ti-objec­tive deci­sion mak­ing algo­rithms and will give an overview about the design issues for prob­lems with a large num­ber of deci­sion vari­ables and the chal­lenges in real-time appli­ca­tions such as in robot­ics and com­put­er games. In most of such appli­ca­tions, the deci­sion mak­ers (robots or agents) must find and select one pos­si­ble opti­mal solu­tion in a very lim­it­ed time frame. This is very chal­leng­ing, when the envi­ron­ment dynam­i­cal­ly changes as the deci­sion mak­er needs to re-opti­mize and decide on the fly.

Takashi OGUCHI & Koichi SAKAI

Pro­fesseur et directeur du cen­tre ITS à Tokyo & Maître de con­férences au cen­tre ITS

Le jeu­di 31 jan­vi­er 2019 11h30 en GI042 (Bâti­ment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie Compiègne)

Résumé :

The Advanced Mobil­i­ty Research Cen­ter (ITS Cen­ter) in the Insti­tute of Indus­tri­al Sci­ence (IIS), The Uni­ver­si­ty of Tokyo, is the first research orga­ni­za­tion among uni­ver­si­ties in Japan for ITS with inter­fac­ul­ty col­lab­o­ra­tion, includ­ing civil/traffic, mechanical/control, and information/communication engi­neer­ing. A Mem­o­ran­dum of Under­stand­ing has been signed recent­ly to facil­i­tate aca­d­e­m­ic coop­er­a­tion between IIS and UTC. You are all very wel­come to attend the seminar.

Chris­t­ian WOLF

Maître de con­férences HDR, LIRIS, INSA Lyon

Le jeu­di 5 juin 2018 à 14h00 en GI042 (Bâti­ment Blaise Pas­cal, uni­ver­sité de tech­nolo­gie Compiègne)

Résumé :

We address human action recog­ni­tion from RGB data and study the role of artic­u­lat­ed pose and of visu­al atten­tion mech­a­nisms for this appli­ca­tion. In par­tic­u­lar, artic­u­lat­ed pose is well estab­lished as an inter­me­di­ate rep­re­sen­ta­tion and capa­ble of pro­vid­ing pre­cise cues rel­e­vant to human motion and behav­ior. We describe two dif­fer­ent meth­ods which use pose in dif­fer­ent ways, either dur­ing train­ing and test­ing, or dur­ing train­ing only.

The first method uses a train­able glimpse sen­sor to extracts fea­tures on a set of pre­de­fined loca­tions spec­i­fied by the pose stream, name­ly the 4 hands of the two peo­ple involved in the activ­i­ty. We show that it is of high inter­est to shift the atten­tion to dif­fer­ent hands at dif­fer­ent time steps depend­ing on the activ­i­ty itself. The mod­el not only learns to find choic­es rel­e­vant to the task, but also to draw away atten­tion from joints which have been incor­rect­ly locat­ed by the pose mid­dle­ware.

A sec­ond method has been designed to explic­it­ly remove the depen­den­cy on pose dur­ing train­ing, mak­ing the method more broad­ly applic­a­ble in sit­u­a­tions where pose is not avail­able. Instead, a sparse rep­re­sen­ta­tion of focus points is cal­cu­lat­ed by a dynam­ic visu­al atten­tion mod­el and passed to a set of dis­trib­uted recur­rent neur­al work­ers. State-of-the-art results are achieved on sev­er­al datasets, among which is the largest dataset for human activ­i­ty recog­ni­tion, name­ly NTU-RGB+D.

Anciens sémi­naires (2011/2017)