Annonce
Post-doctorant en vision et apprentissage : Estimation de la pose d’objets lourds à géométrie complexe pour la manipulation par un bras robotique
13 Juin 2023
Catégorie : Post-doctorant
Informations ________________________________________________
Département/Laboratoire : Département Mathématiques-Informatique, Laboratoire LIRIS
Type de contrat : CDD
Durée du contrat : modulable entre 12 et 24 mois
Date de prise de poste souhaitée : 1 octobre 2023
Quotité : temps plein
Salaire brut mensuel : de 2512€ à 2978€ en fonction de l’expérience
Diplôme requis : Doctorat en Informatique
Expérience souhaitée : Docteur débutant accepté
Lieu d’exercice : Campus d’Ecully
Date limite de candidature : 7 juillet 2023
Contexte de recherche _____________________________________________
Présentation de l’Ecole et du laboratoire
Créée en 1857, l’École Centrale de Lyon figure parmi le top 10 des écoles d'ingénieurs en France. Elle forme plus de 3 000 élèves de 50 nationalités différentes sur ses campus d'Écully et de Saint-Étienne (ENISE, école interne) : ingénieurs généralistes, ingénieurs de spécialités, masters et doctorants. Avec le Groupe des Écoles Centrale, elle dispose de 3 implantations à l’international. La formation dispensée bénéficie de l’excellence de la recherche des 6 laboratoires labellisés CNRS présents sur ses campus, des 2 laboratoires à l’international, des 6 réseaux de recherche internationaux et des 10 laboratoires communs avec des entreprises. Sa recherche d’excellence et son enseignement de très haut niveau lui permettent de nouer des accords de doubles diplômes avec des universités prestigieuses et des partenariats de pointe avec de nombreuses entreprises. Autour des thématiques de sobriété, d’énergie, d’environnement et de décarbonation, Centrale Lyon entend répondre aux problématiques des acteurs socio-économiques sur les grandes transitions.
Ce projet de recherche sera mené au sein du Laboratoire LIRIS (UMR 5205), et en particulier de l’équipe Imagine dont les travaux visent notamment à développer de nouveaux modèles d’apprentissage et de vision pour l’analyse et la compréhension de données visuelles telles que les images et vidéos.
Présentation de la thématique :
Cette mission s’inscrit dans le cadre du projet acROBaTTH associant le LIRIS aux entreprises SETFORGE et INNOVTEC, et dont l’objectif est de proposer de nouvelles technologies pour la robotisation du poste de traitement thermique de pièces forgées. En effet, l’automatisation de certaines opérations de manutention, actuellement réalisées par des opérateurs humains, permettra de réduire la pénibilité du travail et d’éviter les accidents et troubles musculosquelettiques.
Ainsi l’objectif général de la mission sera de développer de nouvelles méthodes de vision et d’apprentissage automatique qui permettront, à partir des images de caméras, d’identifier la pose des objets disposés en vrac dans des bacs afin que le bras robotique puisse les saisir de manière sécurisée, puis de déterminer la meilleure position de dépose de ces objets sur un plateau afin d’optimiser leur placement. A noter que cette mission sera concentrée sur l’analyse des images pour la prédiction de la position de saisie, la trajectoire du bras robotique étant traitée par Innovtec.
Description de la mission
La problématique d’estimation de la pose d’objets (position et orientation dans un espace à trois dimensions) est donc au cœur de cette mission. Les challenges scientifiques sont multiples. Tout d’abord, les images de la scène captées par les caméras seront très bruitées en raison des conditions de chaleur importante et de la poussière de calamine présente sur la surface des pièces forgées et projetée dans l’air lors de leur manipulation. D’autre part, les pièces à saisir pouvant être très lourdes (jusqu’à 250 kg) et de forme complexe, l’estimation de leur pose doit être extrêmement précise afin d’éviter toute chute. Enfin, à partir de la connaissance de la pose de l’objet, son point de saisie par le bras robotique la plus pertinente devra être déterminée afin de permettre la dépose de l’objet dans une position adaptée de manière à optimiser le placement des pièces sur la palette de traitement thermique.
La direction privilégiée est de considérer une approche d’estimation de la pose de type modèle (un modèle 3D de chaque pièce est disponible). La position des prises possibles sera déterminée en amont par un opérateur humain expert sur chaque modèle de pièce. L’objectif sera alors d’estimer la pose des pièces dans le vrac, et de déterminer à chaque étape du dévracage la pièce la plus prenable (la moins recouverte par les autres pièces). Pour cela, il sera envisagé d’adapter à ce contexte de vrac et d’occultation partielle [Grard20] des solutions de l’état de l’art pour l’estimation de pose d’objets telle que PVNet [Peng19], DenseFusion [Wang19], G2L-Net [Chen20] ou encore FS-Net [Chen21]. Ces méthodes devront être étudiées et évaluées afin de proposer une approche adaptée au contexte bruité et permettant d’atteindre une grande précision. Dans un second temps, une amélioration permettant un apprentissage continu devra également être envisagée, de sorte que les nouveaux modèles de pièces puissent être pris en charge au fur et à mesure de leur introduction dans le catalogue.
Références
[Grard20] Matthieu Grard, Emmanuel Dellandréa, Liming Chen, "Deep Multicameral Decoding for Localizing Unoccluded Object Instances from a Single RGB Image", International Journal of Computer Vision, vol. 128(5), pp. 1331-1359, 2020.
[Peng19] Sida Peng, Yuan Liu, Qixing Huang, Xiaowei Zhou, Hujun Bao, "PVNet: Pixel-Wise Voting Network for 6DoF Pose Estimation", Conference on Computer Vision and Pattern Recognition (CVPR), 2019.
[Wang19] Chen Wang, Danfei Xu, Yuke Zhu, Roberto Martín-Martín, Cewu Lu, Li Fei-Fei, Silvio Savarese, "DenseFusion: 6D Object Pose Estimation by Iterative Dense Fusion", Conference on Computer Vision and Pattern Recognition (CVPR), 2019.
[Chen20] Wei Chen, Xi Jia, Hyung Jin Chang, Jinming Duan, and Ales Leonardis, "G2L-Net: Global to Local Network for Real-Time 6D Pose Estimation with Embedding Vector Features", Conference on Computer Vision and Pattern Recognition (CVPR), 2020.
[Chen21] Wei Chen, Xi Jia, Hyung Jin Chang, Jinming Duan, Linlin Shen, Ales Leonardis, "FS-Net: Fast Shape-based Network for Category-Level 6D Object Pose Estimation with Decoupled Rotation Mechanism", Conference on Computer Vision and Pattern Recognition (CVPR), 2021.
Profil recherché / Compétences attendues________________________________
Diplômes : Doctorat en Informatique
Expérience : Niveau docteur débutant accepté
Connaissances requises : Vision par Ordinateurs, Apprentissage automatique, Apprentissage profond
Compétences opérationnelles : Bonne maîtrise du langage Python et de librairies d’apprentissage profond telles que PyTorch, de l’anglais, et bonnes qualités rédactionnelles et de communication orale
Compétencescomportementales : Motivation, rigueur, autonomie, proactivité.
Processus de recrutement_______________________________
Le processus de recrutement se déroule en deux étapes, supervisé par une commission de recrutement, en conformité avec la politique OTMR de Centrale Lyon.
- ·Étude du dossier écrit : CV + lettre de motivation + diplôme de doctorat
- ·Entretien de sélection : en présentiel ou en visioconférence
Date limite de candidature : 7 juillet 2023
Pour postuler________________________________________________
https://ecolecentraledelyon.recruitee.com/
Contact________________________________________________
Emmanuel Dellandréa, Maître de Conférences HDR, emmanuel.dellandrea@ec-lyon.fr