Actualités

Arthur Gaudron a le plaisir de vous inviter à sa soutenance de thèse le mercredi 1 juillet à 14h00 (sous réserve d’acceptation des rapporteurs).

La soutenance aura lieu à MINES ParisTech (60 boulevard Saint-Michel, 75006) dans l’amphithéâtre L109, mais elle pourra aussi être suivie par visioconférence. Au regard de la situation sanitaire, il est difficile d’accueillir du public, ainsi nous vous prions de privilégier la visioconférence.

Pour recevoir directement le lien vers la visioconférence, nous vous invitons à ajouter votre adresse e-mail à la liste de diffusion de la Chaire Logistique Urbaine (vous pouvez vous désabonner à tout moment). De plus, vous serez informés des événements futurs de la Chaire.

La conférence sera accessible via zoom : https://mines-paristech.zoom.us/j/97653027814?pwd=Y2xmM1phbjJQSXRYZFVhVWVDVkg3Zz09

ID de réunion : 976 5302 7814

Mot de passe : 653938

La thèse, qui sera défendue en français, s’intitule « Méthodologie du modèle ouvert pour la conception d’un système d’aide la décision stratégique : le cas de la logistique urbaine ».

Le jury sera composé de :

• — M. Jésus Gonzalez-Feliu — Professeur, Excelia Group La Rochelle Business School (Rapporteur)
• — M. Olivier Péton — Professeur, IMT Atlantique (Rapporteur)
• — M. Éric Ballot — Professeur, MINES ParisTech (Examinateur)
• — Mme Laetitia Dablanc — Directrice de recherche, Université Gustave Eiffel (Examinatrice)
• — Mme Milena Janjevic — Chargée de recherche, Massachusetts Institute of Technology (Examinatrice)
• — Mme Hélène Wiedemann — Ingénieur, Renault (Examinatrice)
• — M. Arnaud de La Fortelle — Professeur, MINES ParisTech (Directeur de thèse)

Résumé :
Le transport de marchandises, ou logistique urbaine, est un système complexe tant par la diversité de ses parties prenantes (ville, transporteurs, commerçants, etc.) que par l’intrication de leurs interactions. Chacun de ces acteurs a des objectifs qui lui sont propres mais dont les effets des décisions pour y parvenir se répercutent à un niveau global. Piloter cette activité représente donc un réel défi : non seulement modéliser précisément le système – passé ou présent – pose de réelles difficultés (en termes de complexité et des données nécessaires), mais cette modélisation ne permet que difficilement d’augurer des effets des décisions prises sur celui-ci. Son pilotage demande la capacité de projeter et se représenter les effets de décisions, non-encore observées, sur celui-ci. Pour que les décisions de la logistique urbaine soient pertinentes, elles doivent s’appuyer sur des modèles qui devront intégrer une vision plus fine de l’activité, au niveau microscopique, c’est-à-dire des opérations, vers un niveau macroscopique qui primait jusque-là. Pour cela, nous proposons donc de nous appuyer sur des outils de simulation mathématique qui ont pour objectif de simuler les effets macroscopiques de différentes décisions (p. ex. interdiction de certaines motorisations), en prenant en compte les interactions microscopiques de la logistique comme la prévisible modification d’une organisation logistique et l’impact sur les indicateurs associés (p. ex. le niveau de pollution d’une rue ou le coût de la livraison).

C’est pourquoi nous proposons la « méthodologie du modèle ouvert » dont l’objectif est de concevoir et valider un modèle qui pourra être utilisé par les acteurs de la logistique urbaine lors de leur prise de décision stratégique. Au cœur de cette méthodologie se tient la question de l’intégration du savoir expert dans un modèle de simulation. Une telle question agite la communauté scientifique au moins depuis la création de l’IA comme discipline : d’abord avec les systèmes experts, dont l’échec est lié à l’impossibilité de mécaniser le savoir expert ; à présent avec les avancées extrêmement prometteuses de l’apprentissage automatique, qui entre autres tentent d’apprendre par des données les raisonnements des experts, mais dont les modèles se heurtent à des problèmes de disponibilité de la donnée, de validation et d’explicabilité. Nous pensons que cette méthodologie permet de réconcilier la science des données et les sciences de gestion de manière à ce que dans des environnements complexes, la décision puisse être assistée par des simulations qui permettent de plus précisément maîtriser cette complexité. De plus, en supposant une certaine disponibilité de la donnée, et la volonté de la mise en place d’un pilotage data-driven (donc plus automatisé), ce modèle pourrait servir comme une première base de validation de modèles plus complexes d’apprentissage automatique.

as a part of his PhD thesis, Grégoire de Dinechin has developed a Platform for non VR experts : it allows the easy capture and exploration of real scenes for VR.

We are happy to announce that we released COLIBRI VR, our open source platform for image based rendering for Unity ! It is made to be simple :

• 1) take pictures
• 2) process it in Colibri VR
• 3) experience your 3D scene* in VR.

*including complex view dependent effects such as reflexions and refractions.

Tutorials and Download : https://caor-mines-paristech.github.io/colibri-vr/
Paper : https://hal.archives-ouvertes.fr/hal-02492896/document

Use it for anything you want : capture every day scenes, objects, create training scenarios, tell stories, create an online museum … Great work from Grégoire Dupont de Dinechin within his PhD thesis ! Cheers Grégoire !

Marion Pilté, doctorante Cifre du centre de robotique entre 2015 et 2018, en partenariat avec l’entreprise Thales, et encadrée par Silvère Bonnabel, a reçu le Thales PhD Award 2019 des mains de Bernhard Quendt, directeur technique de Thales. Ce prix récompense deux lauréats sur environ 70 thèses Cifre soutenues au sein de l’entreprise.

The Chair Drive for All is pleased to invite you to a seminar on “Large-scale simulations for automated mobility in Zurich and Paris”. We have the honor to receive Sebastian Hörl from the Institute for Transport Planning and Systems within the Swiss Federal Institute of Technology in Zurich (ETHZ).

It will take place:

• on Wednesday 26 February 2020 14:00 – 15:00
• in the Board room (salle Vendôme) of MINES ParisTech
• 60, Boulevard Saint-Michel 75006 Paris
• Luxembourg station on RER line B

This seminar is public and free of charge but registration is mandatory.

Abstract

In recent years Autonomous Mobility on Demand (AMoD) has become an active research field in transport planning. So far, several simulation studies have been presented that estimate which automated taxi fleet size would be able to serve the mobility demand in various cities around the world. One major part in these simulations has been missing so far: the customer behaviour. The talk will cover how this problem has been tackled at the Institute for Transport Planning and Systems at ETH Zurich over the past two years. After a short introduction of the MATSim simulation platform an overview of current results regarding costs, surveys and simulation around AMoD will be given. For the case of Paris a novel simulation scenario will be introduced, including first preliminary results of fleet sizing under the presence of customer behaviour.

All the information is also available in the document below.

Short bio: With a background of systems theory and systems engineering, Sebastian Hörl received his MSc degree in Complex Adaptive Systems from Chalmers University, Sweden, in 2016. After a stay at the Future Cities Laboratory in Singapore, he started his PhD degree at ETH Zürich on the topic of large-scale agent-based transport simulation. His research focuses on the synthesis of artificial populations and the impact of highly automated vehicle fleets on travel behaviour and system performance.

Michel Valente a plaisir de vous inviter à sa soutenance de thèse le mercredi 18 décembre 2019 à 16h00.

La soutenance aura lieu dans le nouvel amphithéâtre L118 à Mines ParisTech, 60 bd Saint Michel 75006.

Elle sera défendue en anglais et s’intitule: « SLAM and Data Fusion for Autonomous Vehicles. From classical approaches to deep learning methods. »

Le jury sera composé comme suit:

• – M. Ching-Yao Chan – UC Berkeley (Rapporteur)
• – M. Vincent Fremont – École Centrale de Nantes (Rapporteur)
• – M. David Filliat – ENSTA (Examinateur)
• – Mme. Emilie Wirbel – Valeo (Examinatrice)
• – M. Arnaud de La Fortelle – Mines ParisTech (Examinateur)
• – M. Cyril Joly – Mines ParisTech (Examinateur)

Abstract:
Self-driving cars have the potential to provoke a mobility transformation that will impact our everyday lives. In order to reach this goal, the vehicles need to perform autonomously three main tasks: perception, planning and control. When it comes to urban environments, perception becomes a challenging task that needs to be reliable for the safety of the driver and the others. It is extremely important to have a good understanding of the environment and its obstacles, along with a precise localization, so that the other tasks are well performed. 
This thesis explores from classical approaches to Deep Learning techniques to perform mapping and localization for autonomous vehicles equipped with low cost sensors in urban environments. In the first part, we propose solutions to sensor fusion and localization using the Dempster-Shafer theory approach based on occupancy grid maps. Sequentially, we explore how the recent advances in Deep Learning techniques can be applied to the localization problem. We propose novel solutions that use directly the input from the sensors in neural networks to estimate the localization of the vehicle during its trajectory. Our solutions are tested and validated on different challenging urban scenarios showing the robustness and accuracy of the proposed approaches. 

Résumé:
L’arrivée des voitures autonomes va provoquer une transformation très importante de la mobilité urbaine telle que nous la connaissons, avec un impact significatif sur notre vie quotidienne. Pour atteindre cet objectif, les véhicules autonomes doivent effectuer en toute sécurité et de manière autonome trois tâches principales: la perception, la planification et le contrôle. La perception est une tâche particulièrement difficile en milieu urbain, car elle se doit d’être suffisamment précise pour assurer à la fois la sécurité du conducteur et celle des autres. Il est décisif d’avoir une bonne compréhension de l’environnement et de ses obstacles, ainsi qu’une localisation précise, afin que les autres tâches puissent être performantes.
L’objectif de cette thèse est d’explorer différentes techniques pour la cartographie et la localisation des voitures autonomes en milieu urbain, en partant des approches classiques jusqu’aux algorithmes d’apprentissage profond. Dans la première partie, nous proposons des solutions pour la fusion de capteurs et la localisation du véhicule en utilisant l’approche théorique de Dempster-Shafer basée sur des cartes de grille d’occupation. Ensuite, nous explorons comment les récents progrès des techniques d’apprentissage en profondeur peuvent s’appliquer au problème de localisation. Nous proposons de nouvelles solutions qui utilisent directement les entrées des capteurs dans les réseaux de neurones pour estimer la localisation du véhicule au cours de sa trajectoire. Nos solutions sont testées et validées sur différents scénarios urbains complexes montrant la robustesse et la précision des approches proposées.

Hugues Thomas a le plaisir de vous inviter à sa soutenance de thèse le mardi 19 novembre 2019 à 9h30.
Elle a été réalisée au Centre de Robotique de Mines ParisTech, en partenariat avec Terra3D. Sous la direction de François Goulette (CAOR) et Beatriz Marcotegui (CMM), elle a été encadrée par Jean-Emmanuel Deschaud (CAOR) et Yann Le Gall (Terra3D). Elle sera défendue en français et s’intitule: « Apprentissage de nouvelles représentations pour la sémantisation de nuages de points 3D » ou « Learning new representations for 3D point cloud semantic segmentation » en anglais.

La soutenance aura lieu dans le nouvel amphithéâtre Schlumberger à l’École des Mines ParisTech, 60 bd Saint Michel 75006.

Jury

•  – Paul CHECCHIN – Université Clermont Auvergne (Rapporteur) 
• – Bruno Vallet – IGN Institut national de l’information géographique et forestière (Rapporteur) 
• – Martin Weinmann – KIT Karlsruhe Institute of Technology (Examinateur) 
• – Beatriz Marcotegui – CMM Mines ParisTech (Examinateur) 
• – Pascal Monasse, Professeur à l’Ecole Nationale des Ponts et Chaussées, examinateur
• – Jean-Emmanuel Deschaud – CAOR Mines ParisTech (Examinateur) 
• – François Goulette – CAOR Mines ParisTech (Examinateur) 
• – Yann Le Gall – Terra3D (Invité)

Le stage consistera à concevoir et développer une IA capable d’identifier, sur les photos de bouquets transmises par les fleuristes, les variétés de fleurs le constituant, et d’alerter automatiquement si une fleur d’un bouquet semble hors-saison (en localisant clairement sur la photo la fleur « suspecte » avec sa variété reconnue). Il s’agit donc d’abord d’entraîner par Deep- Learning un module de détection et catégorisation reconnaissance des fleurs du bouquet. Il est envisagé d’utiliser un Réseau Convolutif profond de type « Mask_RCNN », « Faster_RCNN » ou similaire, qui sera entraîné notamment sur les bases d’images existantes des fleurs produites par les horticulteurs agréés par Fleurs-d’Ici, ainsi que sur des bases publiques telles que http://www.robots.ox.ac.uk/~vgg/data/flowers/102/. Pour chaque variété de fleur reconnue, l’IA devra afficher en surimpression sur la photo de bouquet les variétés fleurs reconnues (avec leur localisation sur la photo), et mettre en évidence les éventuelles fleurs qui paraissent « hors saison » compte tenu des informations de saisonnalité (déjà associées par Fleurs-d’Ici à chaque type de fleur).

Marin Toromanoff (doctorant CIFRE Valeo encadré par Fabien Moutarde) a obtenu le PREMIER PRIX au « CARLA Autonomous Driving challenge » 2019 (catégorie « vision-only »).
Cette distinction récompense son approche d’Apprentissage Profond par Renforcement (Deep Reinforcement Learning) pour la conduite autonome fondée sur la vision, qui a obtenu les meilleures performances pour la « track 2 » (vision seule) dans cette compétition internationale. Ce benchmark évalue dans l’environnement de simulation CARLA la capacité d’algorithmes de conduite automatisée à effectuer des trajets quelconques dans une ville inconnue, en respectant les feux tricolores et en évitant les collisions avec autres véhicules et piétons.

Vidéo des résultats de approche d’Apprentissage Profond par Renforcement de Marin Toromanoff

Les publications du Symposium IV19 à Paris en juin 2019 organisé par le Centre de Robotique MINES ParisTech, VEDECOM et l’IFSTTAR sont maintenant disponibles sur IEEE Explore.

Titre de la thèse:

Fusion de capteurs pour l’apprentissage non supervisé de cas rares appliquée aux voitures autonomes

Contexte:

Huawei travaille sur des systèmes clés de la plate-forme de conduite autonome L2-L3 et se concentre de plus en plus sur le développement de technologies de pointe nécessaires à l’autonomie L4-L5. Demain, les voitures autonomes pilotées par AI associeront l’informatique en calcul périphérique et dans le cloud, à un grand nombre de capteurs pour transporter les personnes de manière sûre et autonome, ainsi que pour la livraison autonome de marchandise. Chez Huawei, nous développons une chaine complète de technologies pour réaliser ce rêve, comprenant des unités de calcul, des capteurs, de l’infrastructure de communication et du cloud. Nous recherchons les meilleurs candidats pour la thèse CIFRE avec une formation en vision par ordinateur, apprentissage profond, apprentissage par renforcement, cartographie, perception, fusion de capteurs, cognition et autres domaines connexes, afin de travailler au sein de l’équipe IoV à Paris Research Center (PRC) . En tant que membre IoV PRC, vous travaillerez en étroite collaboration avec de nombreuses équipes dans le monde entier pour développer votre expertise et pour transférer avec succès les résultats de vos recherches dans de vrais produits.

Un des axes importants des travaux du Centre de Robotique-CAOR de l’Ecole des Mines de Paris et d’ARMINES est la mise au point d’outils, d’algorithmes et d’applications d’analyse temps-réel de flux issus de multiples capteurs, dont des caméras. De nombreuses applications ont ainsi été développées dans le domaine des Systèmes de Transport Intelligents (STI). Des outils et algorithmes performants de reconnaissance visuelle de catégorie d’objet (piétons, voitures, visages, panneaux routiers) ont été développés dans ce contexte.

Cette plate-forme logicielle est aujourd’hui commercialisée par l’entreprise INTEMPORA sous le nom de RT-MAPS pour Real Time Multisensor Advanced Prototyping Software. Elle permet l’acquisition et le prototypage puis l’exécution de traitement temps-réel de flux de données synchronisés, étant utilisée par de nombreux acteurs industriels et académiques tels que Valeo, PSA, Renault, l’INRIA, l’INRETS, etc. dans différents projets tels que Cybercars ou CityMobil.  Enfin le Centre de Robotique a acquis une certaine expertise sur l’utilisation dans le contexte temps-réel de diverses méthodes pour la fusion de données (filtrage particulaire, théorie des possibilités, etc…). Au travers de ce projet l’expertise apportée par le Centre de Robotique dans le domaine des systèmes de perception pour les véhicules, pourra être mise à profit dans cette thèse.

Sujet de recherche:

Le sujet principal de cette thèse doit être centré sur la résolution du problème de la fusion de capteurs pour un apprentissage non supervisé de cas rares, en exploitant une grande quantité de données disponibles à l’aide de plusieurs capteurs et véhicules. En combinant les résultats du traitement de la même entité physique par plusieurs capteurs redondants et par des données cartographiques, il est possible de détecter les causes des défaillances, en comparant les résultats obtenus entre plusieurs sources. L’apprentissage non supervisé devrait améliorer encore plus la précision de la recherche des erreurs, en particulier dans les cas rares où les données d’apprentissage pour les capteurs conventionnels sont absentes, ces données ne comportant pas d’annotations manuelles. Toutefois, les méthodes automatisées SOTA pourraient être utilisées pour extraire des informations relevantes sur la perception, sur la localisation et sur la cartographie afin de transformer le problème en solution. L’apprentissage non supervisé étant considéré comme l’un des problèmes les plus difficiles de nos jours, nous nous attendons à des progrès considérables dans ce domaine, qui pourraient permettre à des véhicules automatisés suffisamment fiables de faire partie de notre vie quotidienne.

Description des activités de recherche:

–  Étudier l’état de l’art sur la perception, sur la fusion de capteurs et sur la cognition

– Étudier l’état de l’art de l’apprentissage supervisé et non-supervisé

– Identifier les principaux verrous technologiques dans SOTA de (1 et 2) avec une application aux problèmes de la conduite autonome

– Proposer une nouvelle solution à l’un des principaux verrous technologiques (3) en mettant l’accent sur les applications pratiques à grande échelle pour les voitures autonomes

– Algorithme de recherche et développement basé sur la solution proposée (4), capable d’identifier de manière non supervisée des défaillances rares de divers capteurs dans le but d’améliorer la précision des données de capteur pour les voitures autonomes.

– Appliquer l’algorithme proposé (5) au domaine des voitures autonomes utilisant des jeux de données existants ou spécialement collectés

– Publier les résultats de recherche dans les meilleures conférences et participer à des séminaires scientifiques

Encadrement:

Cette thèse sera supervisée conjointement par Huawei Technologies France et le Centre de Robotique de MINES ParisTech et d’ARMINES

Conditions préalables:

Le candidat doit être motivé pour mener des recherches de classe internationale et posséder un Master en vision par ordinateur et/ou robotique. Il/Elle devra avoir de solides compétences dans les domaines suivants:

– Implémenter du code en Python et en C ++

– Appliquer ou utiliser les bibliothèques existantes pour un apprentissage approfondi des tâches liées au projet

– Bonne connaissance des outils Git, ROS, OpenCV, Boost, multi-threading, CMake, Make et Linux

– Documentation du code et de l’algorithme

– Reporting et planification du projet

– Rédaction de publications scientifiques et participation à des conférences

– Maîtrise de l’anglais, parlé et écrit; Le français et/ou le chinois est un plus

– Aptitudes interculturelles et de coordination, attitude pratique et volontaire

– Aptitudes interpersonnelles, esprit d’équipe et style de travail indépendant

Contact:

Les candidats intéressés doivent envoyer un CV détaillé comprenant les notes de leur Master à dzmitry.tsishkou@huawei.com et à bogdan.stanciulescu@mines-paristech.fr .

Les candidats doivent posséder un visa de travail en France, ou être ressortissants d’un des états de l’Union Européenne ou de l’Espace Economique Européen.

Date limite:

Notre objectif est de pourvoir ce poste le plus rapidement possible et de commencer au 2e semestre 2019. Les candidatures seront examinées jusqu’à ce qu’un candidat approprié soit trouvé.

Financement et localisation:

Le doctorat sera financé par un contrat CIFRE et se tiendra en région parisienne (Boulogne Billancourt et Paris), en France.