Conception d’un senseur intégré multimodal pour l’observation des routes

(fre) L'essor de l'intelligence artificielle, porté par le développement des systèmes embarqués, permet l'analyse de situations réelles de plus en plus complexes. Dans le domaine de l'observation des routes, l'étude multimodale de l'interaction entre les véhicules et les piétons, nécessite de définir une stratégie de détection, de classification et enfin de suivi de cibles multiples, sur base de la prise de données de plusieurs capteurs, pouvant être hétérogènes. Afin d'enregistrer des situations d'interaction entre des piétons et des véhicules, la conception d'un dispositif composé d'une caméra et d'un radar est réalisée. La détection et la classification des usagers de la route se fait à l'aide d'algorithmes tiny-YOLO, entraînés avec les données capturées sur le lieu d'étude. Enfin, la fusion des données et le suivi des cibles sont rendus possible par un filtre probabiliste d'association de données, dérivé du filtre de Kalman. Les données prises sur le lieu d'étude favorisent un entraînement efficace des réseaux tiny-YOLO. Lors de l'étape de détection et de classification, une précision de 88.1 % et 88.2 % est atteinte avec la caméra et le radar, respectivement. La fusion des données sur base d'une estimation de la distance des objets par la caméra, est une limitation majeure de la performance du suivi des cibles. Malgré des résultats de fusion des données et de suivi des cibles encourageants, l'algorithme implémenté ne permet pas d'étudier de manière fiable l'interaction entre les véhicules et les piétons. L'optimisation des paramètres du filtre de Kalman par une méthode d'entraînement non supervisée représente une piste d'amélioration prometteuse. La conception d'un algorithme basée sur un seul réseau de neurones artificiels, partant des données des capteurs et permettant le suivi des cibles, parait pourtant être une méthode plus prometteuse à long terme.

(eng) The rise of artificial intelligence, driven by the development of embedded systems, enables the analysis of real and increasingly complex situations. In the field of road observation, the multimodal study of pedestrians and vehicles interactions imposes to choose a detection and classification strategy as well as a multi-target tracking method, based on the synchronized data capture of potentially heterogeneous sensors. In order to record the situations of interaction between pedestrians and vehicles, a device equipped with the appropriate camera and radar is created. Road users are detected and classified by means of tiny-YOLO algorithms, trained with data collected on the site under investigation. Data fusion and target tracking are made possible by a probabilistic data association filter, derived from the Kalman filter. The data collected allow for an efficient training of the tiny-YOLO networks. During the detection and classification stages, an accuracy of 88.1 % and 88.2 % is achieved for the camera and the radar, respectively. The data fusion - which is based on an estimation of the distance by the camera - is a major limitation of the target tracking performance. Despite encouraging results of the data fusion and the target tracking, the implemented algorithm does not seem to be a reliable measure for the study of the interactions between pedestrians and vehicles. The Kalman parameters optimization with an unsupervised learning method is a promising way of improving the obtained results. Nevertheless, the design of a single neural network algorithm, working from the data sensors to target tracking, seems even more promising in the long term.