Wei Tian, professeur adjoint à l’École des études automobiles de l’Université Tongji.

La compréhension de la capacité cognitive d’un modèle est une tâche très importante dans les systèmes d’apprentissage automatique. Bien que les algorithmes d’apprentissage profond aient été en mesure d’apprendre une variété de relations de cartographie basées sur les données, ces cartographies ne sont pas toujours précis, ce qui entraîne une incertitude des résultats du modèle. Dans la conduite autonome, l’incertitude de perception doit être sérieusement prise en compte, ce qui peut avoir un impact significatif sur les tâches ultérieures telles que la planification et le contrôle du comportement du véhicule. Cette présentation traite des approches de détection d’objets 3D dans l’environnement du trafic en considérant l’incertitude dans les réseaux neuronaux. L’accent est mis sur la modélisation probabiliste de la cartographie entre la représentation visuelle 2D et les attributs spatiaux 3D. L’intégration de contraintes géométriques dans les approches modernes d’apprentissage profond est explorée. La modélisation probabiliste de la représentation intermédiaire profonde des caractéristiques visuelles et leur propagation à travers le processus d’apprentissage de bout en bout est introduite. La performance de pointe sur les benchmarks publics de détection d’objets 3D est également présentée. De plus, la possibilité d’application de l’approche proposée à d’autres tâches connexes telles que l’apprentissage par géométrie est également discutée.
Wei Tian

Mots clés : Conduite automatisée, perception 3D