Post-Doc -Evitement de collisions routières par traitement en intelligence artificielle de données à haute fréquence-F/H- sur 12 mois

Description de l'offre

about the role

Votre rôle est d'effectuer un travail de post doc sur « l'évitement de collisions routières par traitement en intelligence artificielle de données à haute fréquence. »

Contexte global du sujet

La ville voit aujourd'hui augmenter une variété de moyens et de services urbains de déplacements. Simultanément, les citoyens demandent une circulation à la fois plus fluide, plus apaisée et plus sûre. Les nouvelles technologies numériques peuvent apporter des solutions à la fois à cette situation et cette demande sociétale [1].

La nouveauté des technologies de communication, notamment les réseaux mobiles 5G, permettent premièrement la communication de masse de données issues de l'infrastructure routière, de ses différents usagers et des objets mobiles variés. Le traitement de ces données donne lieu au raisonnement informatique sur les situations. Deuxièmement, les nouvelles technologies offrent des temps de communication de quelques millisecondes. Cette faible latence permet une coordination sûre des différents usagers de la route. Enfin, le développement de l'intelligence artificielle pourrait permettre le traitement de ces données pour assister les véhicules et des usagers dans de multiples situations.

État de l'art

La protection des usagers vulnérables de la route est adressée depuis plusieurs années par la communauté scientifique [2], [3]. L'avènement du véhicule autonome donne un nouvel angle aux travaux de recherche, car le milieu urbain présente les défis les plus importants à l'autonomie envisagée. Pour devenir une réalité, le comportement des usagers vulnérables doit être appréhendé par les systèmes autonomes [4], [5]. Le comportement d'un piéton dépend de plusieurs facteurs [5][6], comme sa sociologie, la dynamique du trafic, les conditions environnementales, etc. Plus loin, l'usager peut communiquer par des gestes plus ou moins brefs avec l'automobiliste, ce qui permet de conclure dans certains cas sur la propension à traverser de l'usager [7] que l'interaction avec l'automobiliste ou le comportement de la voiture elle-même influence [8]. Le traitement des données spatio-temporelles est également étudié de manière analytique depuis longtemps. Sur des solutions très géométriques [9] et probabilistes [10], des filtres et des réseaux de type bayésiens sont aussi classiquement utilisés [11].

Pour promouvoir le développement des assistants à la conduite, le monde automobile travaille à modéliser un comportement de conducteur adapté aux exigences de sûreté actuelle et au défi de l'arrivée des voitures autonomes. Tout en continuant à améliorer la prise de décision par des calculateurs mathématiques [12], ils introduisent récemment l'apprentissage automatique, les réseaux de neurones [13] et l'apprentissage par renforcement direct ou inversé [14].

Mais tous ces systèmes ne prennent pas en compte l'interdépendance des acteurs mobiles (vulnérables, voitures, …) et fixes (infrastructures, zone de travaux, …) dans leur décision. Ils ignorent alors les co-causalités inhérentes au choix final pris parmi plusieurs possibilités par un humain aujourd'hui. Ainsi le domaine de la mobilité coopérative (Cooperative Connected Automated Mobility) émerge doucement. Se basant fortement sur les travaux précédents [15], elle tente d' « augmenter » les capacités actuelles des véhicules [16].

about you

Vous êtes titulaire d'un doctorat dans au moins un des domaines suivants : Intelligence Artificielle, Génie Logiciel.

Compétences scientifiques, techniques et humaines :

·   Techniques d'apprentissage machine
·   Développement logiciel dans au moins un des langages suivants : Python, C/C++. Expérience en Rust appréciée.
·   Expérimentation de recherches sur des projets visant l'industrie
·   Convictions et motivations sur des sujets de recherche
·   Présentations vers des publics hétérogènes en français et en anglais.

additional information

Peu de travaux impliquent l'utilisation de données spatio-temporelles pour définir finement le futur état à très court terme (moins d'une seconde) pour orchestrer un déplacement collectif, et à moyen terme (moins de 5 secondes) pour éviter une collision ou provoquer une rencontre.

En termes d'intelligence artificielle, le domaine de l'automobile s'intéresse principalement au traitement d'images pour ses capteurs embarqués (sonar, lidar et caméra). Le domaine de l'aéronautique semble plus intéressé aujourd'hui par les réseaux de neurones. Mais les nombreux travaux publiés depuis longtemps [18] s'appliquent à des données en 3 dimensions, sur un grand nombre d'avions (plus de 100) et sur du temps très long (plusieurs minutes). Ces travaux sont au mieux à décliner, au pire inutilisables, pour nos nouvelles opportunités d'analyse en temps réel des situations.

Sur le terrain des données, la précision des positions (plusieurs mètres) et la basse fréquence d'émission (moins de 5 données secondes en 4G) ne permet pas aujourd'hui de faire facilement converger des modèles sur une solution viable et fiable. Les meilleurs modèles se trouvent confrontés à un fort taux d'erreur lors de leur prédiction en temps réel sur des données à nouveau peu exploitables.

L'arrivée de la 5G avec sa faible latence couplée à l'augmentation de la précision des positionnements grâce au réseau alternatif Galiléo et/ou le positionnement 5G cellulaire et/ou les nouveaux protocoles de géolocalisation par satellite (Géolocalisation et Navigation par un Système de Satellites) avec un relai terrestre offrent l'opportunité d'acquérir de nouveaux jeux de données apportant enfin le niveau de qualité nécessaire à leur utilisation en intelligence artificielle.

Le défi proposé consiste à trouver un modèle et une méthode réconciliant les aspects de temporalité et de collaboration dans une même solution gérant l'espace dans la précision demandée par le milieu routier.

department

Au sein des Orange Labs, le département SOFT de Toulouse-Blagnac développe l'expertise du développement logiciel au service de l'innovation des produits et infrastructures stratégiques du Groupe Orange. Il travaille en particulier sur les plateformes cloud et edge de différents domaines : télévision, communications enrichies, Internet des objets. Dans ce dernier domaine, le département adresse l'orchestration de trafic et la fusion de données dans des projets sur la thématique du véhicule connecté autonome.

Cette offre vous permet de travailler aux côtés d'experts en développement logiciel de plateformes de services et au contact de chercheurs sur le thème de l'intelligence artificielle.

Le post-doc vous ouvre un contexte de travail avec l'écosystème externe. Vous contribuez à des projets collaboratifs avec des grands groupes et des PMEs de la région de Toulouse, en particulier dans le projet européen 5GCroCo.

Références

[1] Communication from the Commission to the European Parliament, the Council, the European Economic and Social Committee and the Committee of the Regions, A European strategy on Cooperative Intelligent Transport Systems, a milestone towards cooperative, connected and automated mobility, COM/2016/0766, https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:52016DC0766

[2] J. Cohen, E. Dearnaley, and C. Hansel, “The risk taken in crossing a road”, Journal of the Operational Research Society, vol. 6, no. 3, pp.120-128, 1955.

[3] Étude de la prédiction de chocs véhicule-piéton, Christophe Wakim, Thèse, 2005, HAL Id: tel-00081906

[4] Reliable perception of highly changing environments: implementations for car-to-pedestrian collision avoidance systems, Gwennaël Gate, 2009, English, pastel-00006057

[5] A. Rasouli, J.K. Tsotsos, Autonomous Vehicles That Interact With Pedestrians: A Survey of Theory and Practice, 2019, IEEE Transactions on Intelligent Transportation Systems, 08667866, 1524-9050

[6] A. Rasouli, I. Kotseruba, and J. K. Tsotsos, Understanding pedestrian behavior in complex traffic scenes, 2018, IEEE Transactions on Intelligent Vehicles, vol. 3, no. 1.

[7] A. Rasouli, I. Kotseruba, and J. K. Tsotsos, Agreeing to cross: How drivers and pedestrians communicate, 2017, IEEE Intelligent Vehicle Symposium, pp. 264-269.

[8] Habibovic, A., Malmsten Lundgren, V., Andersson, J., Klingegård, M., Lagström, T., Sirkka, A., Fagerlönn, J., Edgren, C., Fredriksson, R., Krupenia, S., Saluäär, D. and Pontus Larsson, Communicating Intent of Automated Vehicles to Pedestrians, Frontiers in Psychology, P., 2018, 9, Article 1339.

[9] Besse, P., Guillouet, B., Loubes, JM., and Royer, F., Destination Prediction by Trajectory Distribution Based Model, 2017, IEEE Transactions on Intelligent Transportation Systems, ff10.1109/TITS.2017.2749413. Hal-01309337

[10] Probabilistic Decision Making at Road Intersections: Formulation and Quantitative Evaluation, Mathieu Barbier, Christian Laugier, Olivier Simonin, Javier Ibañez-Guzmán, 15th International Conference on Control, Automation, Robotics and Vision, 2018, Singapore, pp.1-8. Hal-01940392

contract

Post Doc