Annonce

Les commentaires sont clos.

Stage M2: Driver scene monitoring / analyse de l'environnement de conducteur

24 Novembre 2022


Catégorie : Stagiaire


Titre : Driver scene monitoring / analyse de l'environnement de conducteur

Laboratoire ImViA (Univ. Bourgogne)

Location: Dijon France

Supervisor:

Yannick Benezeth - yannick.benezeth@u-bourgogne.fr - https://sites.google.com/view/ybenezeth

Cédric Demonceaux (cedric.demonceaux@u-bourgogne.fr) https://sites.google.com/view/cedricdemonceaux/home

Houda Rafi (houda.rafi@renault.com)

Keywords: Image and signal analysis, deep learning, scene understanding

If you are interested, send CV and motivation letter to yannick.benezeth@u-bourgogne.fr, cedric.demonceaux@u-bourgogne.fr and houda.rafi@renault.com.

 

(english below)

Le domaine des systèmes d'aide à la conduite s'intéresse de plus en plus à la manière dont l'environnement de conduite affecte l'état émotionnel du conducteur. Alors que certaines études de cas spécifiques montrent une corrélation entre le stress des conducteurs et l'environnement de la voiture, comme les types de routes (ville, autoroute et parking) [1, 2, 3] et les conditions de circulation [4], d'autres recherches ont exploré plus en profondeur la possibilité d'estimer directement le stress ressenti des conducteurs à partir des informations trouvées dans la scène entourant la voiture [5]. L'identification et l'analyse des objets de la scène visuelle et de leur emplacement sont essentielles pour comprendre comment la scène routière affecte le stress du conducteur. Pour atteindre cet objectif, diverses architectures de segmentation sémantique doivent être exploitées afin de surmonter les multiples problèmes qui peuvent survenir lors de l'identification d'objets dans différentes scènes enregistrées dans différents environnements. Les architectures de segmentation sémantique les plus récentes sont SFNet-R18 [6] , PSPNet-101 [7], HRNetV2 + OCR + [8] etc...

L'objectif de ce projet est de rechercher différentes architectures de segmentation sémantique, d'évaluer leur efficacité et d'utiliser les résultats de la segmentation pour déduire et estimer le stress perçu par le conducteur.

Le projet s'inscrit dans le cadre d'une collaboration avec la société Renault. Les travaux seront menés au sein du laboratoire ImViA sur le campus de Dijon.

 

*******************

The field of driver-assistance systems is increasingly interested in determining how the driving environment affects the driver's emotional state. While some specific case studies show a correlation between the drivers' stress and the car environment like the types of roads (e.g. city, highway, and parking) [1, 2, 3] and traffic circumstances [4], other research explored more in-depth the possibility of estimating directly the drivers' subjective stress from the information found in the scene surrounding the car [5]. Identification and analysis of the objects in the visual scene and their locations are crucial to understanding how the road scene affects the driver's stress. For this goal, various architectures of semantic segmentation should be exploited to upsample multiple issues that can occur while identifying objects in different scenes recorded in different environments. Some up-to-date semantic segmentation architectures are SFNet-R18 [6] , PSPNet-101 [7], HRNetV2 + OCR + [8] etc... This project's objective is to research various semantic segmentation architectures, assess their effectiveness, and use the segmentation result to infer and estimate the perceived stress of the driver.

The project is part of a collaboration with the Renault company. The work will be carried out within the ImViA lab on the Dijon campus

 

*******************

[1] O. V. Bitkina et al. “Identifying traffic context using driving stress: A longitudinal preliminary case study,” Sensors, 2019.

[2] J. A. Healey and R. W. Picard, “Detecting stress during real-world driving tasks using physiological sensors,” IEEE Trans. on Intelligent Transportation Systems, vol. 6, no. 2, pp. 156–166, 2005.

[3] N. Elhaouij, J.-M. Poggi, S. Sevestre-Ghalila, R. Ghozi, and M. Ja¨ıdane, “AffectiveROAD system and database to assess driver’s attention,” in Proc. of the 33rd Annual ACM Symposium on Applied Computing, 2018, pp. 800–803.

[4] W.-Y. Chung, T.-W. Chong, and B.-G. Lee, “Methods to detect and reduce driver stress: a review,” Int. Journal of Automotive Technology, vol. 20, no. 5, pp. 1051–1063, 2019

[5] Bustos, Cristina, et al. "Predicting driver self-reported stress by analyzing the road scene." 2021 9th International Conference on Affective Computing and Intelligent Interaction (ACII). IEEE, 2021.

[6] LI, Xiangtai, YOU, Ansheng, ZHU, Zhen, et al. Semantic flow for fast and accurate scene parsing. In : European Conference on Computer Vision. Springer, Cham, 2020. p. 775-793.

[7] ZHAO, Hengshuang, SHI, Jianping, QI, Xiaojuan, et al. Pyramid scene parsing network. In : Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. p. 2881-2890.

[8] YUAN, Yuhui, CHEN, Xiaokang, CHEN, Xilin, et al. Segmentation transformer: Object-contextual representations for semantic segmentation. arXiv preprint arXiv:1909.11065, 2019.