Soutenance de thèse de Corentin Bunel vendredi 7 novembre 2025 à 10h00, Amphi D UFR Sciences et Techniques de l'Université de Rouen

Corentin Bunel soutiendra sa thèse intitulée :
« Détection d’objets inconnus en monde ouvert pour les systèmes de conduite autonome »
qui se tiendra dans l’amphithéâtre Sophie Germain (Amphi D) de l'Université de Rouen Le Madrillet, le Vendredi 7 novembre 2025 à 10h, devant le jury composé de:

- Stephane AYACHE, Université Aix-Marseille, Rapporteur
- Thierry CHATEAU, Université Clermont Auvergne, Rapporteur

- Latifa OUKHELLOU, Université Gustave Eiffel, Examinatrice

- Fabien MOUTARDE, Université PSL Mines Paris , Examinateur

- Gilles GASSO, INSA Rouen Normandie, Directeur de thèse

- Samia AINOUZ, INSA Rouen Normandie, Directrice de thèse

- Maxime Guériau, INSA Rouen Normandie, Encadrant de thèse

Résumé :

Les systèmes de véhicules autonomes (VA) accomplissent principalement deux tâches: la perception et le contrôle. Le système de perception construit une représentation du monde réel, communément appelée World Model, sur laquelle le système de contrôle s’appuie pour prendre des décisions de conduite. L’efficacité du système de contrôle est étroitement liée à la précision et à l’exhaustivité des informations fournies par le World Model. Par exemple, l’incapacité à détecter des objets critiques sur la route peut entraîner de grave conséquences, tandis des erreurs de détection peuvent nuire à l’expérience utilisateur.

Les écarts entre l’environnement réel et la représentation interne du VA sont connus sous le nom de cas limites. Parmi ceux-ci, les objets inconnus, appartenant à des classes non rencontrées lors de l’entraînement, représentent un type de cas limite particulièrement difficile. Les World Model contemporains reposent principalement sur l’apprentissage profond, utilisant de vastes ensembles de données annotées pour apprendre des représentations des classes d’objets connues.

La détection d’objets, élément central de la chaîne de perception, vise à fournir à la fois la localisation et l’information sémantique des objets présents dans la scène. Cependant, les détecteurs modernes affichent de faibles performances sur les cas limites, comme le démontrent des benchmarks en conditions réelles tels que CODA. Cette limitation provient de leur hypothèse de monde fermé: ils sont entraînés sur un nombre fixe de classes et peinent à généraliser à de nouveaux objets jamais vus auparavant.

Pour y remédier, la reconnaissance en monde ouvert et la détection d’objets en monde ouvert ont été proposées. Ces paradigmes introduisent des mécanismes permettant de détecter des objets inconnus tout en facilitant l’apprentissage incrémental de nouvelles classes. Néanmoins, l’application de la detection en monde ouvert dans le contexte des VA présente des défis spécifiques qui demeurent encore insuffisamment traités. La plupart des approches existantes sont

évaluées sur des jeux de données généralistes tels que COCO, qui ne reflètent pas adéquatement la complexité et l’importance en matière de sécurité des scènes routières. Les méthodes actuelles souffrent souvent de taux élevés de faux positifs ou dégradent les performances sur les classes connues lorsqu’elles optimisent la détection d’objets inconnus.

Cette thèse de doctorat vise à combler ces lacunes en faisant progresser les systèmes de détection d’objets pour les scénarios de conduite autonome, avec un accent particulier sur la détection robuste des objets inconnus. L’objectif est d’améliorer la capacité des VA à gérer les cas limites dans des environnements réels, contribuant ainsi à des systèmes de conduite autonome plus sûrs et plus fiables.