人工智能和深度学习研究中心
我们正在巴黎中心建设一个汽车应用人工智能研究中心，来开展我们雄心勃勃的研究项目，尤其是辅助驾驶和无人驾驶方面
多传感器感知
无人驾驶首先依赖于各式各样的传感器，例如法雷奥相机、激光雷达、雷达和超声波。在任何时刻，最大程度的探索这些传感器的输出是了解车辆复杂环境的基础。为此，我们探索了各种各样的深度学习方法，其中传感器的学习被认为是既独立又互相联系的。
领域适应
深度学习和强化学习是无人驾驶的关键技术。而其面临的挑战之一便是适应训练期间所遇到的各种条件。为了提高系统在这种情况下的性能，我们探索了所谓的领域适应技术，例如在AdvEnt，我们的项目在CVPR 2019上所展示的。
不确定性分析
当发生意外情况或天气恶劣时，传感器发生阻塞，装载的感知系统应诊断情况并作出响应，例如，调用另一替代系统或人工驾驶。考虑到这一点，我们研究了评估系统不确定性和预测其性能的自动方法。
团队阵容
-
研究科学家 Hedi Ben-younes
研究科学家
深度学习 | 视觉和语言 | 视觉推理
Supelec | Heuritech | SorbonneU
-
研究科学家 Andrei Bursuc
研究科学家
机器学习 | 计算机视觉 | 视觉搜索 | 自主系统
Politehnica | Mines | Inria | Safran
-
博士生 Charles Corbière
博士生
深度学习 | 计算机视觉 | 不确定性
Centrale | ParisSaclay | Heuritech | Earthcube | CNAM
-
首席科学家 Matthieu Cord
首席科学家
深度学习 | 计算机视觉 | 视觉和语言
Enseirb | CergyU | KULeuven | Ensea | CNRS | SorbonneU | IUF
-
研究科学家 Spyros Gidaris
研究科学家
深度学习 | 计算机视觉
AUTH | Cortexica | ENPC
-
研究科学家 David Hurych
研究科学家
机器学习 | 计算机视觉 | 生成网络
CTU-Prague | NII-Tokyo
-
首席科学家 Renaud Marlet
首席科学家
计算机视觉 | 摄影测量 | 几何处理
X | Inria | EdinburgU | Simulog | Inria | TrustedLogic | Inria | ENPC
-
博士生 Arthur Ouaknine
博士生
深度学习 | 机器学习 | 信号处理
Panthéon-Sorbonne | Telecom | Zyl | Telecom
-
科技总监 Patrick Pérez
科技总监
机器学习 | 计算机视觉 | 计算成像 | 信号与图像处理
Centrale | Inria | BrownU | Inria | Microsoft | Inria | Technicolor
-
研究科学家 Julien Rebut
研究科学家
深度学习 | 计算机视觉
INSA | ValeoVS | ValeoCDA
-
博士生 Simon Roburin
博士生
深度学习 | 机器学习 | 应用数学 | 广义化
Centrale | Prophesee | ENPC
-
博士生 Antoine Saporta
博士生
深度学习 | 计算机视觉 | 领域适应
X | TU-Munich | SorbonneU
-
博士生 Huy Van Vo
博士生
计算机视觉 | 机器学习
X | Technicolor | MVA | NYU | Inria
-
研究科学家 Tuan-Hung Vu
研究科学家
深度学习 | 计算机视觉
Telecom | Inria | NEC
近期活动
Valeo.ai x ICCV’21
2021年10月，Valeo.ai将参加最重要的计算机视觉会议之一，国际计算机视觉大会（ICCV），并发表六篇关于通过摄像头、雷达或激光雷达分析复杂场景的论文。
Valeo.ai x CVPR’21
Valeo.ai 于 2021 年 6 月参加了顶尖的计算机视觉大会 CVPR，并发表了三篇论文，协助制定了自我监督学习教程，共同组织了全向性计算机视觉研讨会，并在用于自动驾驶的安全人工智能和 全天候视觉 研讨会上发表了主题演讲。
Woodscape 数据集
四支 法雷奥 团队合作发布了 Woodscape，这是首个带有鱼眼摄像头的公开多传感器驾驶数据集，以 1906 年鱼眼摄像头的发明者 Robert Wood 的名字命名，具有 2D 和 3D 物体探测、语义分割和深度预估等 9 项感知任务。
Carrada 数据集
Valeo.ai 与 Télécom Paris 的研究人员合作，发布了带有距离-角度-多普勒注解的摄像头和汽车雷达 (Carrada)，这是首个在原始信号中精确标注汽车、骑行者和行人的公开汽车雷达数据集。
我们能否对驾驶系统进行解释？
Valeo.ai 的研究人员发布了一项基于视觉型驾驶系统可解释性的综合调查，其中展示了大量用于事后或设计可解释性的现有技术，分析了这些技术现有的局限性并概述了未来研究途径，以更好地解释自动驾驶人工智能模型。
关注弱势道路使用者
高级驾驶辅助系统（ADAS） 和自动驾驶（AD） 系统必须对行人等弱势道路使用者进行可靠的分析；Valeo.ai 显示真实场景中的合成人类有助于更好地对探测器进行训练（与布拉格捷克理工大学 (CTU Prague) 合作），并且多任务模式可以识别多达 32 个属性，包括动作和注意力（与洛桑联邦理工学院 (EPFL) 合作）。
