Titre : |
Méthodes d'apprentissage statistique pour la détection de la signalisation routière à partir de véhicules traceurs |
Type de document : |
Thèse/HDR |
Auteurs : |
Yann Méneroux , Auteur ; Sébastien Mustière , Directeur de thèse ; Guillaume Saint Pierre, Directeur de thèse |
Editeur : |
Champs/Marne : Université Paris-Est |
Année de publication : |
2019 |
Importance : |
292 p. |
Format : |
21 x 30 cm |
Note générale : |
bibliographie
Thèse pour obtenir le grade de Docteur de l'Université Paris Est dans le cadre de l'Ecole Doctorale Mathématiques et STIC, Signal, Image, Automatique |
Langues : |
Français (fre) |
Descripteur : |
[Vedettes matières IGN] Géomatique [Termes IGN] appariement de cartes [Termes IGN] autocorrélation spatiale [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] décomposition empirique du signal [Termes IGN] détection automatique [Termes IGN] données GPS [Termes IGN] modèle mathématique [Termes IGN] navigation pédestre [Termes IGN] ondelette de Haar [Termes IGN] récepteur GPS [Termes IGN] régression par quantile [Termes IGN] réseau neuronal convolutif [Termes IGN] sécurité routière [Termes IGN] segmentation d'image [Termes IGN] signalisation routière [Termes IGN] trace GPS [Termes IGN] vitesse de déplacement
|
Index. décimale : |
THESE Thèses et HDR |
Résumé : |
(auteur) Avec la démocratisation des appareils connectés équipés d'un récepteur GPS, de grandes quantités de trajectoires de véhicules deviennent disponibles, notamment via les flottes de véhicules professionnels et les applications mobiles collaboratives de navigation et d'assistance à la conduite. Récemment, les techniques dites de map inference, visant à dériver de l'information cartographique à partir de ces traces GPS, tendent à compléter, voire à remplacer les techniques traditionnelles. Initialement restreintes à la construction de la géométrie des routes, elles sont progressivement utilisées pour enrichir les réseaux existants, et en particulier pour construire une base de données numérique de la signalisation verticale. La connaissance fine et exhaustive de l'infrastructure routière est un prérequis indispensable dans de nombreux domaines : pour les gestionnaires de réseaux et les décideurs dans le cadre de travaux d'aménagement, pour les usagers avec le calcul précis des temps de parcours, mais aussi, plus récemment, dans le cadre du véhicule autonome. Dans ce contexte, les méthodes d'apprentissage statistique apportent une perspective intéressante et garantissent l’adaptabilité de l'approche aux différents cas d'utilisation et à la grande variabilité des données rencontrées en pratique. L'objectif de ce travail de thèse est d'étudier le potentiel de cette classe de méthodes, pour la détection automatique de la signalisation routière, en temps différé, à partir d'un ensemble de profils de vitesse GPS. Le premier cas d'application est celui de la détection des feux de circulation, étendu par la suite a d'autre types de signalisation comme les passages piétons. En premier lieu, nous travaillons sur un jeu de données expérimental de haute qualité, à l'aide duquel nous étudions les performances de plusieurs classifieurs et nous comparons deux représentations mathématiques des données : une approche classique de reconnaissance d'image et une approche fonctionnelle consistant à agréger et à décomposer les signaux de profils de vitesses sur une base d'ondelettes de Haar. Les résultats obtenus montrent la pertinence de l'approche fonctionnelle, en particulier lorsqu'elle est combinée à l'algorithme des forêts aléatoires, en termes de fiabilité de détection et de temps de calcul. L'approche est alors appliquée sur d'autres types d'éléments de l'infrastructure. Dans un second temps, nous tentons d'adapter la méthode proposée sur le cas de données observationnelles, i.e. acquises en environnement non-contrôlé, pour lesquelles nous cherchons également à estimer la position des feux de signalisation par régression statistique. Les résultats montrent la sensibilité de l'approche axe sur l'apprentissage face à des données fortement bruitées ainsi que la difficulté liée à la définition de l'emprise spatiale des instances individuelles sur un réseau routier complexe. Nous tentons de lever ce second verrou à l'aide d'approches globales fondées sur une segmentation d'image par réseau de neurones convolutionnel. Enfin, nous expérimentons une approche permettant d'exploiter. L'autocorrélation spatiale des variables cibles sur les instances individuelles à l'aide de la topologie du graphe routier et en modélisant la zone d'étude sous forme d'un champ de Markov conditionnel. Les résultats obtenus montrent une amélioration des performances de détection par rapport à l'apprentissage non-structuré. Ces travaux de thèse ont également suscité le développement de méthodes originales de prétraitement des trajectoires GPS (filtrage, interpolation, débiaisage et recalage sur un réseau routier de référence) ainsi que l'élaboration de critères objectifs d'évaluation de la qualité de ces pré-traitements. |
Note de contenu : |
1- Cadre général et enjeux de la thèse
2- Méthodes et algorithmes pour le pré-traitement des trajectoires GPS
3- Comparaison des approches image et fonctionnelle en conditions expérimentale
4- Etude du potentiel des méthodes d'apprentissage sur un cas opérationnel
5- Approches globales : réseaux de neurones artificiels et apprentissage structuré
|
Numéro de notice : |
25687 |
Affiliation des auteurs : |
LASTIG COGIT (2012-2019) |
Thématique : |
GEOMATIQUE |
Nature : |
Thèse française |
Note de thèse : |
thèse de Doctorat : Signal, Image, Automatique : Paris-Est : 2019 |
Organisme de stage : |
LaSTIG (IGN) |
nature-HAL : |
Thèse |
DOI : |
sans |
Date de publication en ligne : |
28/02/2020 |
En ligne : |
https://theses.hal.science/tel-02493936 |
Format de la ressource électronique : |
URL |
Permalink : |
https://documentation.ensg.eu/index.php?lvl=notice_display&id=94716 |
| ![Méthodes d'apprentissage statistique pour la détection de la signalisation routière à partir de véhicules traceurs vignette](https://documentation.ensg.eu/img_cache/pmb_ign_record_94716.webp) |