Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

26 septembre 2019

PostDoc (1 an) : Perception 3D robuste par fusion de données caméra/radar par deep learning


Catégorie : Post-doctorant


Description du sujet de recherche :
Une perception précise de l'environnement est essentielle pour les ADAS et les véhicules autonomes L4/L5. Que ce soit pour cartographier ou pour assurer la sécurité, la perception doit fonctionner sous toutes les conditions (pluie, neige, obscurité, brouillard/brume, poussière, etc).
La fusion caméra/radar est un moyen pour atteindre cet objectif. Dans HypOp, nous avons réalisé un capteur RGB-D combinant radar hyperfréquences et caméra grand angle [1,2]. Contrairement aux travaux sur la fusion de données multi-modales, nous avons adopté une démarche « capteur » : réaliser un capteur fournissant directement en sortie une reconstruction 3D + RGB avec une seule acquisition. Après avoir modélisé la géométrie particulière de ce système afin de permettre l’alignement des données nous avons proposé des algorithmes et des matériels pour le calibrage.
La reconstruction 3D requiert la réalisation d’une tâche délicate qui est l’association des données. Les résultats encourageant ont montré sur la difficulté de cette tâche en conditions réelles.
C’est cette tâche que nous comptons améliorer dans le cadre de ce postdoc. Les avancées récentes dans le traitement de données hétérogènes par l’AI, notamment avec les CNN permettront d’améliorer drastiquement les résultats d’appariement et de reconstruction.
Dans un premier temps, les données de chaque capteur seront traitées seules par détection et classification sémantique. Puis à terme, nous pensons implémenter une méthode end-to-end recevant en entrée les données brutes des deux capteurs pour fournir un panorama 3D.
L’apport des CNN permettra de gérer la variabilité de l’environnement en éliminant les informations non pertinentes pour la cartographie (artéfact, piétons,…) mais aussi en opérant un suivi par détection d’objets en mouvement. La fusion permettra également de gérer de façon efficace les occultations.

Références bibliographique :
[1] G. Elnatour, O. Ait-Aider, R. Rouveure et al: Radar and vision sensors calibration for outdoor 3D reconstruction. ICRA’2015
[2] G. Elnatour, O. Ait-Aider, et al: Toward 3D Reconstruction of Outdoor Scenes Using an MMW Radar and a Monocular Vision Sensor. Sensors 2015

Profil :
Le candidat devra avoir soutenu une thèse dans le domaine de la vision par ordinateur et avoir des connaissances en machine learning.

Laboratoire :
Institut Pascal (umr cnrs 6602) http://www.institutpascal.uca.fr
Groupe ISPR - équipe ComSee https://comsee.ispr-ip.fr/

Contact :
(Envoyer CV, références et publications par email)
Omar AIT-AIDER
MCF Institut Pascal/Univ. Clermont Auvergne

Tél 04 73 40 55 67
Email : omar.ait-aider@uca.fr

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2019.