Avertissement Ce site n'est pas recommandé pour les navigateurs Internet Explorer. Veuillez utiliser un autre navigateur Web pour profiter d'une meilleure expérience.

Adaptation de modèles de perception aux intempéries pour la conduite autonome hors route F/H

Publié
Mathématiques et Algorithmes Magny-les-hameaux , Ile de France , France Stage Temps complet BAC+5 Jeune diplômé-e/Première expérience
Publié

Parlons de votre future mission

Safran est un groupe international de haute technologie, équipementier de premier rang dans les domaines de l'Aéronautique, de l'Espace, de la Défense et de la Sécurité. Au sein du Département des Sciences et Technologies du Numérique de Safran Tech (le centre de R&T du groupe), l'équipe Confiance, Autonomie, Simulation et Perception a en charge la conception algorithmique des briques d'autonomie et de vision artificielle pour les produits de SAFRAN. A ce titre, l'équipe travaille en particulier sur des solutions à base d'apprentissage profond (deep learning).
Dans le cadre des technologies développées pour la conduite autonome de véhicules militaires, les bases existantes de segmentation sémantique sont capturées soit dans des environnements hors route en conditions nominales [1], soit dans des conditions météorologiques difficiles en milieu urbain [2]. Pour la conduite autonome, les algorithmes de perception s'appuient majoritairement sur des modèles à base de réseau de neurones et requièrent donc une quantité de données importantes pour être entraîner correctement. Pour la segmentation sémantique, la phase d'annotation est coûteuse puisque chaque pixel doit être labélisé, ainsi qu'extrêmement fastidieuse et chronophage. Le déploiement de solutions de segmentation sémantique pour la conduite autonome exige pourtant que l'algorithme soit robuste aux écarts de distribution des données réelles du terrain pour garantir la sécurité.
Dans ce contexte, le stage portera sur le développement de méthodes d'adaptation de domaine non supervisée d'algorithmes de segmentation sémantique à des conditions météorologiques difficiles (brouillard, pluie, neige, nuit). L'adaptation de domaine non supervisée permet de s'affranchir de la nécessité d'annoter le domaine cible, ici les images en conditions météorologiques difficiles. Les méthodes récentes [3] ont permis de réduire drastiquement l'écart entre les modèles adaptés et les modèles supervisés, en particulier les Transformers s'avèrent être d'excellent candidat à l'adaptation. De plus, l'adaptation à des domaines adverses permet de régulariser le modèle pour les conditions nominales [2]. La méthodologie d'évaluation des méthodes d'adaptation et d'analyse des performances pourra s'inspirer des benchmarks de l'état de l'art.

Et en complément ?

Le stage se décomposera en quatre parties :
• Etudier la bibliographie des méthodes d'apprentissage semi-supervisée et d'adaptation de domaine de la segmentation sémantique à des conditions météorologiques difficiles et prendre en main les algorithmes déjà identifiés
• Créer un benchmark de segmentation sémantique à partir d'une base de données Safran de scènes hors route acquises avec conditions météorologiques variables et effectuer une étude comparative des méthodes d'adaptation sélectionnées
• Analyser les performances pour les classes rares et des cas les plus difficiles et proposer de améliorations de l'algorithme
• Proposer des stratégies d'apprentissage s'adaptant à des conditions météorologiques non-stationnaires et évolutives
Bibliographie :
[1] Wigness, Maggie, et al. "A rugd dataset for autonomous navigation and visual perception in unstructured outdoor environments." 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2019.
[2] Sakaridis, Christos, Dengxin Dai, and Luc Van Gool. "ACDC: The adverse conditions dataset with correspondences for semantic driving scene understanding." Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021.
[3] Hoyer, Lukas, Dengxin Dai, and Luc Van Gool. "Daformer: Improving network architectures and training strategies for domain-adaptive semantic segmentation." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022.

Parlons de vous

Dernière année d'école d'ingénieur ou M2
Programmation : Python (librairies scientifiques), PyTorch/TensorFlow
Disciplines : Deep Learning, Computer Vision
Langues : Anglais

76 800
collaborateurs dans le monde
27
pays dans lesquels Safran est présent
35
familles de métiers
  • © Safran