Ce projet vise à améliorer les techniques d’apprentissage automatique des systèmes des véhicules autonomes.
Pour qu’un véhicule autonome fonctionne, il faut commencer par lui apprendre à conduire. La technique utilisée est l’apprentissage automatique (machine learning) qui consiste à apprendre au «cerveau» de la voiture à reconnaître tout ce qui l’entoure. Pour cela, on lui fournit quantité d’images de multiples situations possibles. Le plus il y en a, le mieux. Mais pour être efficace, l’apprentissage nécessite que ces images soient annotées manuellement afin d’expliquer au cerveau de la voiture ce qu’elles représentent. Un travail long et fastidieux.
L’objectif de ce projet est donc de réduire le besoin en annotations par l’humain en élaborant un modèle d’apprentissage auto-supervisé. En particulier, l’utilisation d’images générées par ordinateur permet d’obtenir les annotations correspondantes de façon automatique. Cependant, il faut alors modifier le processus d’apprentissage avant de pouvoir utiliser de vraies images à la place de celles générées. Dans ce cadre, le Laboratoire d’intelligence visuelle pour les transports (VITA) travaillera à de nouvelles stratégies d’apprentissage pour l’adaptation de domaine non supervisée qui utilisent des informations privilégiées supplémentaires sur le domaine synthétique pendant l’apprentissage pour améliorer le transfert vers le domaine réel.
| Investigateur principal | Prof. Alexandre Alahi |
|---|---|
| Sponsor | Valeo |
| Période | 2019-2021 |
| Laboratoire | VITA |