arrow drop search cross

Maison de la Modélisation, de la Simulation et des Interactions

DeepADAS - Utilisation des réseaux de neurones pour les aides à la conduite


3DRNA - Dynamique de l'organisation spatiale du transcriptome et son rôle dans les fonctions cellulaires

Porteur du projet : Frédéric PRECIOSO

Partenaires du projet : Laboratoire d'Informatique, Signaux et Systèmes de Sophia Antipolis - I3S et Software Labs, Groupe Renault

Le projet DeepAdas, porté par le laboratoire d’informatique I3S en partenariat avec Renault Software Labs, situé à Sophia Antipolis, vise à évaluer l'état de l'art des systèmes d’aide à la conduite avec une technique de Deep Learning. Ce projet explore largement une branche de l'IA appliquée à la conduite autonome, celle des modèles end-to-end basés sur des données d'imagerie. Un modèle end-to-end transforme des données brutes en une décision, sans l’utilisation d'une quelconque connaissance du domaine dans le processus. L'objectif de DeepADAS est de construire un modèle qui traite les images brutes enregistrées avec une caméra montée à l'avant d'une voiture, et de mettre ces images en correspondance avec une décision directe, à savoir comment diriger la voiture (direction et vitesse).

Plusieurs modèles sont capables d’apprendre à conduire une voiture à partir de l'expérience de conduite humaine, en atteignant des performances remarquables après une session de formation basée sur quelques heures de données seulement. L’une des parties du projet vise à identifier, parmi ces modèles, le modèle offrant le meilleur compromis entre précision de la décision et ressources de calcul/temps de calcul. Une autre partie du projet vise à accumuler les modèles d'apprentissage profonds pour gérer la direction avec détection d'obstacles simultanément à la gestion de la vitesse avec reconnaissance de panneaux (30, 50, stop, etc.)..

Afin de mettre en œuvre les résultats de ce travail, une plate-forme embarquée reliée à une voiture RC a été utilisée, à travers laquelle un jeu de données est enregistré. Cet ensemble de données auto-enregistrées est utilisé pour former un modèle d’apprentissage profond, déployé ensuite sur la plate-forme embarquée. Les résultats obtenus montrent qu'il est possible de déployer des modèles d'apprentissage profond efficaces et à la pointe de la technologie sur des architectures de faible puissance, et que le modèle proposé est capable de conduire une voiture sur une piste pendant plusieurs minutes sans accidents, même lorsque des obstacles obstruant partiellement la voie sont placés (puis déplacés au tour suivant) sur la piste.

Dates de début et fin du projet : Avril - Septembre 2018