PostDoc CEA LETI (Grenoble) : Interprétation de grilles d’occupation 2D/3D par réseaux de neurones
Contexte :
Le poste à pourvoir s’inscrit dans le contexte de la perception de l’environnement pour véhicule autonome. L’environnement du véhicule est représenté par une grille d’occupation, dans laquelle chaque cellule (2D ou 3D) contient la probabilité de présence d’un objet. Cette grille est réactualisée au fil du temps, grâce aux données capteurs (ex LIDAR). Le laboratoire LIALP du CEA Grenoble a développé depuis plusieurs années une grande expertise dans la génération efficace de ce format de donnée (Leti’s SigmaFusion™).
Les algorithmes de plus haut niveau (path planning, évitement d’obstacle, …) raisonnent sur des objets (trajectoire, vitesse, nature). Il faut donc extraire ces objets de la grille d’occupation par des phases de segmentation, clustering, classification, et tracking.
De nombreux travaux abordent ces traitements dans un contexte vision, en particulier grâce au deep learning. Ils montrent par contre une très grande complexité calculatoire, sont limités sur le positionnement 3D des objets, et ne tirent pas parti des spécificités des grilles d’occupation (absence de textures, connaissance a priori des zones d’intérêt …). On souhaite trouver des techniques plus adaptées à ces particularités et plus compatibles avec une implémentation économe en calcul.
Mission:
L’objectif de la mission (12 mois renouvelables) sera, à partir des travaux récents sur l’analyse deep learning de nuage de point (ex Apple’s VoxelNet, Stanford’s PointNet…) de définir une topologie de réseau de neurones permettant un analyse spatio-temporelle de la grille d’occupation 3D, l’objectif final étant d’aboutir à une version temps réel « embarquable » sur véhicule. La phase d’apprentissage du réseau se fera principalement à partir de la base de données Kitti, quant à la phase de validation elle pourra se faire sur véhicule (Renault Zoé) équipée de tous les capteurs (Lidar, Caméra, Radar) nécessaires.
Formation :
Chercheur PhD en Deep Learning/computer vision
Compétences particulières :
Computer Vision, Deep Learning, CNN, RNN, Tensorflow
Qualités adaptées :
Autonomie, Fort esprit d’initiative, Curiosité par rapport aux nouvelles approches de réseaux de neurones artificiels, veille technologique.
Une connaissance des algorithmes de segmentation (FCN) et de détection d’objets (fast R-CNN, Yolo) serait un plus.
Références :
[1] R. Dia, J. Mottin, T. Rakotovao, D. Puschini and S. Lesecq. Evaluation of Occupancy-Grid Resolution through a Novel Approach for Inverse Sensor Modeling. 20th IFAC World Congress. 2017. ([Dia 2017]).
[2] T. Rakotovao, J. Mottin, D. Puschini and C. Laugier. Integration of multisensor occupancy grids into automotive ECUs. 2016 ACM/EDAC/IEEE Design Automation Conference (DAC) ([Rakotovao 2016b]).
[3] T. Rakotovao, J. Mottin, D. Puschini and C. Laugier. Multi-sensor fusion of occupancy grids based on integer arithmetic. 2016 IEEE International Conference on Robotics and Automation (ICRA) ([Rakotovao 2016a]).
[4] PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation (Charles R. Qi, Stanford University Conference on Computer Vision and Pattern Recognition (CVPR) 2017)
[5] VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection (Apple Research, Dec, 2017)
URL :
Location
CEA – Département Architectures Conception et Logiciels Embarqués (LIST-LETI)
Laboratoire Infrastructure et Ateliers Logiciels pour Puces
Contact : GAUGUEY Rémy CEA DRT/DACLE//LIALP-LIST
17 rue des martyrs 38054 Grenoble Cedex
+33 (0)4 38 78 90 73
Rémy GAUGUEY
CEA/DRT/LIST/DACLE/LIALP
MINATEC Campus | 17 rue des Martyrs | 38054 Grenoble Cedex 9
- +33 (0)4 38 78 97 69