Charles Corbière

Apprentissage profond robuste et multimodal pour la conduite autonome

En dépit du succès croissant des méthodes d’apprentissage profond pour l’analyse d’images et de vidéos, en particulier appliqué à la conduite autonome, de nombreuses questions restent ouvertes pour que Valeo et les autres acteurs du domaine puissent déployer des systèmes de délégation et d’automatisation de la conduite. Nombre d’entre elles ont trait à la performance, la fiabilité, la prévisibilité et l’interprétabilité de la chaîne complète, allant des capteurs aux commandes, ainsi que de ses composants individuels. Des avancées sur ces questions sont cruciales afin d’obtenir la certification par le régulateur des systèmes décisionnels embarqués, mais également pour susciter l’indispensable adhésion des usagers.

Cette thèse explorera différentes façons d’évaluer et améliorer la robustesse de l’analyse de données multi-modales au cœur des systèmes de conduite autonome.

Nous aborderons cette question autour des trois verrous méthodologiques suivants :

— Incertitude décisionnelle pour l’apprentissage profond ;

— Stabilité des réseaux convolutifs profonds ;

— Apprentissage profond sur données hétérogènes et multi-modales.

Sur le plan applicatif, la mise en place de mesures fiables d’incertitude ou de stabilité décisionnelle revêt des enjeux cruciaux dans le domaine de la conduite autonome, permettant par exemple de rendre la main à l’usager humain pour la prise de décision et la commande, ou d’assurer la robustesse à des attaques adverses.

Thèse CIFRE en collaboration avec Valeo.AI (encadrement par Patrick Perez)