Soutenance de thèse de Lucas Deregnaucourt Mardi 18 novembre 2025 à 14h - Amphi Esitech du Madrillet
Date :
Lucas Deregnaucourt soutiendra sa thèse intitulée :
Fusion multimodale évidentielle adaptative pour la navigation du véhicule intelligent en cas de pannes de capteurs et de conditions météorologiques dégradées
qui se tiendra dans l’amphithéâtre de l'ESITECH le mardi 18 novembre 2025 à 14h. Le jury sera composé de:
- Djamila AOUADA, Université du Luxembourg, Rapporteuse
- Éric LEFEVRE, Université d'Artois, Rapporteur
- Catherine ACHARD, Sorbonne Universités, Examinatrice
- Thierry DENOEUX, UTC Compiègne, Examinateur
- Samia AINOUZ, INSA Rouen Normandie, Directrice de thèse
- Hind LAGHMARA, INSA Rouen Normandie, Encadrante de thèse
- Alexis LECHERVY, Université de Caen , Encadrant de thèse
- Djamila AOUADA, Université du Luxembourg, Rapporteuse
- Éric LEFEVRE, Université d'Artois, Rapporteur
- Catherine ACHARD, Sorbonne Universités, Examinatrice
- Thierry DENOEUX, UTC Compiègne, Examinateur
- Samia AINOUZ, INSA Rouen Normandie, Directrice de thèse
- Hind LAGHMARA, INSA Rouen Normandie, Encadrante de thèse
- Alexis LECHERVY, Université de Caen , Encadrant de thèse
Résumé:
La conduite autonome a connu des progrès remarquables au cours de la dernière décennie, en particulier dans l’analyse des scènes routières, grâce à l’essor des approches d’apprentissage profond. Toutefois, le déploiement du véhicule autonome reste limité par le manque de robustesse des systèmes de perception, vulnérables aux conditions météorologiques dégradées ou aux pannes de capteurs. Ces systèmes ne disposent en effet pas de mécanismes explicites pour représenter et raisonner avec l’incertitude. Pour atteindre une perception fiable, de nouveaux cadres sont nécessaires, capables à la fois d’intégrer l’information issue de capteurs hétérogènes et de quantifier l’incertitude associée à leurs prédictions. Dans cette thèse, nous répondons à ces défis en proposant des stratégies de fusions multimodales adaptatives basées sur la théorie de Dempster–Shafer, qui fournit des outils pour représenter l’incertitude épistémique et gérer les conflits entre différentes sources d'information.
Afin de répondre à la problématique de l'intégration de la Théorie de Dempster-Shafer dans les réseaux de neurones, des optimisations algorithmiques sont développées, rendant ces derniers applicables sur des jeux de données de grande envergure. L'avantage des réseaux évidentiels par rapport aux approches probabilistes est mis en lumière dans des cas où l'incertitude epistémique joue un rôle majeur, avec comme exemple la détection de données hors distribution.
Ces travaux se concentrent ensuite sur la segmentation sémantique multimodale. L’architecture ECoLaF proposée s'appuie sur la Théorie de Dempster–Shafer afin de gérer de manière adaptative les conflits entre les capteurs, assurant ainsi une segmentation sémantique fiable en cas de défaillances de capteurs.
Enfin, cette architecture est étendue avec BICoLaF, qui remplace les fonctions de masse par des intervalles de croyance afin d’obtenir une représentation plus fine de l’incertitude. De nouvelles méthodes de fusion adaptées aux intervalles de croyance sont également explorées. Les expériences menées à la fois sur des jeux de données réels et synthétiques démontrent que BICoLaF améliore davantage les performances en cas de pannes de capteurs et de conditions météorologiques dégradées.
Afin de répondre à la problématique de l'intégration de la Théorie de Dempster-Shafer dans les réseaux de neurones, des optimisations algorithmiques sont développées, rendant ces derniers applicables sur des jeux de données de grande envergure. L'avantage des réseaux évidentiels par rapport aux approches probabilistes est mis en lumière dans des cas où l'incertitude epistémique joue un rôle majeur, avec comme exemple la détection de données hors distribution.
Ces travaux se concentrent ensuite sur la segmentation sémantique multimodale. L’architecture ECoLaF proposée s'appuie sur la Théorie de Dempster–Shafer afin de gérer de manière adaptative les conflits entre les capteurs, assurant ainsi une segmentation sémantique fiable en cas de défaillances de capteurs.
Enfin, cette architecture est étendue avec BICoLaF, qui remplace les fonctions de masse par des intervalles de croyance afin d’obtenir une représentation plus fine de l’incertitude. De nouvelles méthodes de fusion adaptées aux intervalles de croyance sont également explorées. Les expériences menées à la fois sur des jeux de données réels et synthétiques démontrent que BICoLaF améliore davantage les performances en cas de pannes de capteurs et de conditions météorologiques dégradées.
La soutenance sera également retransmise sur Zoom: https://zoom.us/j/99655769683?pwd=B8m3DPG7xhjaJRgjNfycNExj6WJj7y.1.