En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Doctorant en Robotique/Vision (H/F)

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR7271-VIVROS-006
Lieu de travail : SOPHIA ANTIPOLIS
Date de publication : lundi 6 mai 2019
Nom du responsable scientifique : Allibert Guillaume
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 2 septembre 2019
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

L'acceptation récente de l'ANR CLARA (CoupLage Apprentissage & Vision pour le ContRôle de Robots Aériens) vise à étendre la navigation autonome des véhicules aériens sans pilote (UAV) dans un environnement complexe tel que l'intérieur d'une forêt. Dans ce genre d'environnements dense et non structuré (branches, broussailles, …), les pilotages autonome et humain deviennent tout aussi impossibles l'un que l'autre de par les multiples contraintes rencontrées, telle que la perte des signaux GPS, rendant la navigation par points de passage très compliquée voire impossible. Néanmoins, l'usage des drones aériens dans ce genre d'environnement est d'un intérêt primordial et peut se décliner en de multiples applications de prévention et/ou de surveillance telles que la détection préventive d'incendie, la recherche de personnes, la cartographie pour l'entretien forestier, etc. Sans signaux GPS, un système de vision à 360 degrés semble essentiel pour naviguer dans ce genre d'environnement. Les techniques d'apprentissage profond (AP) ont considérablement amélioré l'état de l'art dans de nombreux domaines : détection d'objets, reconnaissance vocale, génération de voix, génération de musique, etc. Elles ont produit des résultats comparables à ceux d'experts humains, même parfois supérieurs[1]. Ces méthodes sont également utilisées pour des tâches de navigation et montrent des résultats très intéressants pour la navigation en milieu sauvage[2]. Elles sont maintenant utilisables parce que nous disposons d'une grande quantité de données pour l'apprentissage. Néanmoins, si de nombreuses bases de données ont été produites pour les caméras perspective[3], il n'en existe pas ou peu pour les caméras sphériques. C'est pourquoi les techniques d'AP proposées pour les caméras perspectives ne peuvent pas être facilement utilisées pour les caméras sphériques. Ainsi, l'objectif principal du projet CLARA est d'utiliser les méthodes d'AP pour contrôler un drone dans un environnement complexe en prenant en compte la spécificité des caméras sphériques. Ce projet est un projet de collaboration entre les différents laboratoires français I3S UMR 7271 CNRS, INRIA CHORALE, VIBOT ERL CNRS 6000 et LITIS où nous recrutons des doctorants et Post-Doc pour participer à ce projet collaboratif.
[1] Y Le Cun, Y Bengio, G Hinton, Deep learning, Nature 521 (7553), 436-444, 2015.
[2] A. Giusti, J. Guzzi, D. C. Cireşan, F. L. He, J. P. Rodrı́guez, F. Fontana, M. Faessler, C. Forster, J. Schmidhuber, G. D. Caro, D. Scaramuzza, and L. M. Gambardella. A machine learning approach to visual perception of forest trails for mobile robots. IEEE Robotics and Automation Letters, 1(2):661-667, July 2016.
[3] https://github.com/timzhang642/3D-Machine-Learning
[4] C. Demonceaux, P. Vasseur, and Y. Fougerolle. Central catadioptric image processing with geodesic metric. Image and Vision Computing, 29(12):840-849, 2011.
[5] Y.C. Su, K. Grauman, Learning Spherical Convolution for Fast Features from 360 ◦ Imagery, 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA, 2017.
[6] E. Ilg and N. Mayer and T. Saikia and M. Keuper and A. Dosovitskiy and T. Brox, FlowNet 2.0: Evolution of Optical Flow Estimation with Deep Networks, In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Jully 2017

Contexte de travail

Les objectifs de cette thèse sont doubles :
Premièrement, nous proposons de développer un moyen d'utiliser les bases de données acquises avec des caméras perspectives pour les capteurs sphériques afin d'éviter de générer de nouvelles bases de données. Deux solutions seront étudiées :
A) La première consistera à modifier les données en un espace sphérique pour être cohérent avec l'image sphérique.
B) La deuxième voie consistera à développer une nouvelle convolution adaptée à l'imagerie sphérique et équivalente aux images perspectives [4,5].
Deuxièmement, nous souhaitons étendre les méthodes actuelles d'estimation du flux optique[6] aux images sphériques en tenant compte de la spécificité de ces images. Plus précisément, nous souhaitons utiliser la redondance des informations contenues dans les images sphériques (avant, arrière, droite et gauche) pour mieux estimer le flux optique et le foyer d'expansion (FOE). La modification des réseaux CNN existant est l'un des moyens envisagés pour prendre en compte cette particularité liée aux caméras sphériques. Cette estimation du flux optique pourra également être affinée à partir des capteurs embarqués sur le drone tels que l'IMU.Les algorithmes développés seront ensuite étudiés en simulation puis validés sur une camera sphérique embarquée sur un drone disponible dans l'équipe (d'abord en intérieur avec un système de motion capture puis ensuite en environnement naturel). Ce travail de thèse sera encadré en collaboration avec Guillaume Allibert (I3S-INRIA CHORALE), Pr. Cédric Demonceaux (ERL VIBOT-ImViA) et Pr. Philippe Martinet (INRIA CHORALE). Cette thèse se fera dans les locaux de l'INRIA Sophia Antipolis.

Contraintes et risques

Le poste à pourvoir se situe dans un secteur protégé relevant de la protection du potentiel scientifique et technique (PPST). Cela nécessite conformément à la règlementation que l'arrivée de l'agent soit autorisée par l'autorité compétente du MESR.
La thèse sera rattachée à l'école doctorale STIC de l'Université Côte d'Azur, Nice, France.

Informations complémentaires

Informations complémentaires :
Solide expérience en programmation :C/C++, CUDA, Python, LINUX, ROS, Git, OpenCV, TensorFlow
Connaissance de Matlab/Simulink, Opencv, et PCL.
Grand intérêt pour la recherche scientifique
Curiosité scientifique, automone

On en parle sur Twitter !