Valeo.ai
Nous développons, au cœur de Paris, un centre de recherche consacré à l’intelligence artificielle pour applications automobiles afin d’y conduire des projets de recherche ambitieux, notamment dans les domaines de la conduite assistée et des véhicules autonomes.
Perception multi-capteurs
La conduite automatisée repose en premier lieu sur différents capteurs, comme des caméras, des LiDARs, des radars et des capteurs à ultrasons Valeo. Exploiter au mieux les informations transmises à chaque instant par chacun de ces capteurs est essentiel pour appréhender l’environnement complexe du véhicule. C’est pourquoi nous explorons différentes approches d’apprentissage profond (deep learning) qui prennent en compte les capteurs isolément et collectivement.
Adaptation de domaine
L’apprentissage profond et l’apprentissage par renforcement sont des technologies clés pour la conduite autonome. L’un des défis auxquels elles sont confrontées est de s’adapter à des conditions différentes de celles vues à l’entraînement. Pour améliorer les performances des systèmes dans de telles situations, nous explorons des techniques dites d’« adaptation de domaine », comme dans AdvEnt, notre projet présenté à CVPR 2019.
Estimation d’incertitude
En cas d’imprévu, lorsque le temps se dégrade ou lorsqu’un capteur n’est plus opérationnel, le système de perception embarqué doit diagnostiquer la situation et réagir de manière adéquate, en recourant, par exemple, à un système alternatif ou en avertissant le conducteur humain. Dans cette optique, nous étudions des moyens automatiques d’évaluer l’incertitude d’un système et de prédire sa performance.
Rencontrez notre équipe
-
Doctorant Florent Bartoccioni
Doctorant
Perception | Scene understanding | Dynamic forecasting
ENS Rennes | CTU Prague | INRIA
-
Chercheur Hedi Ben-younes
Chercheur
Deep Learning | Vision and Language | Visual reasoning
Supelec | Heuritech | SorbonneU
-
Chercheur Alexandre Boulch
Chercheur
Computer vision | Deep Learning | Geometry processing
X | MVA | ENPC | ONERA
-
Chercheur Andrei Bursuc
Chercheur
Machine Learning | Computer Vision | Visual Search | Autonomous systems
Politehnica | Mines | Inria | Safran
-
Doctorant Laura Calem
Doctorant
Machine Learning | Deep Learning | Reinforcement Learning | Trajectory forecasting
Polytech Paris Sud | Heuritech | CNAM
-
Chercheur Mickaël Chen
Chercheur
Deep Learning | Computer Vision | Deep Generative Models
Sorbonne Université
-
Doctorant Charles Corbière
Doctorant
Deep Learning | Computer Vision | Uncertainty
Centrale | ParisSaclay | Heuritech | Earthcube | CNAM
-
Directeur de recherche Matthieu Cord
Directeur de recherche
Deep Learning | Computer Vision | Vision and Language
Enseirb | CergyU | KULeuven | Ensea | CNRS | SorbonneU | IUF
-
Chercheur Spyros Gidaris
Chercheur
Deep Learning | Computer Vision
AUTH | Cortexica | ENPC
-
Chercheur David Hurych
Chercheur
Machine Learning | Computer Vision | Generative Networks
CTU-Prague | NII-Tokyo
-
Directeur de recherche Renaud Marlet
Directeur de recherche
Computer Vision | Photogrammetry | Geometry Processing
X | Inria | EdinburgU | Simulog | Inria | TrustedLogic | Inria | ENPC
-
Doctorant Arthur Ouaknine
Doctorant
Deep Learning | Machine Learning | Signal Processing
Panthéon-Sorbonne | Telecom | Zyl | Telecom
-
Directeur scientifique Patrick Pérez
Directeur scientifique
Machine Learning | Computer Vision | Computational Imaging | Signal & Image Processing
Centrale | Inria | BrownU | Inria | Microsoft | Inria | Technicolor
-
Chercheur Gilles Puy
Chercheur
Deep Learning | Signal & Image Processing
Supélec | EPFL | INRIA | Technicolor
-
Chercheur Julien Rebut
Chercheur
Deep Learning | Computer Vision
INSA | ValeoVS | ValeoCDA
-
Doctorant Simon Roburin
Doctorant
Deep Learning | Machine Learning | Applied Mathematics | Generalization
Centrale | Prophesee | ENPC
-
Doctorant Antoine Saporta
Doctorant
Deep Learning | Computer Vision | Domain Adaptation
X | TU-Munich | SorbonneU
-
Ingénieur de recherche Tristan Schultz
Ingénieur de recherche
Computer Vision | Deep Learning
Enseeiht | HUST | Navya
-
Chercheur Oriane Siméoni
Chercheur
Computer vision | Deep Learning
Enseirb | INRIA
-
Doctorant Huy Van Vo
Doctorant
Computer Vision | Machine Learning
X | Technicolor | MVA | NYU | Inria
-
Chercheur Tuan-Hung Vu
Chercheur
Deep Learning | Computer Vision
Telecom | Inria | NEC
-
Chercheur Eloi Zablocki
Chercheur
Deep Learning | Computer Vision | Vision and Language
X | MVA | SorbonneU
-
Doctorant Léon Zheng
Doctorant
Machine Learning | Frugal Learning
X | MVA | ENS Lyon
Actualités
Valeo.ai à ICCV’21
En octobre 2021, Valeo.ai participe à ICCV, une des plus importantes conférences de vision artificielle, y présentant six articles sur l’analyse de scènes complexes à l’aide d’une caméra, d’un radar ou d’un lidar.
Valeo.ai x CVPR’21
En juin 2021, Valeo.ai participe à CVPR, la plus importante conférence de vision artificielle, y présentant trois articles, contribuant au tutoriel sur le “self-supervised learning”, co-organisant le workshop “Omnidirectional Computer Vision” et délivrant des adresses aux workshops SafeAI4AutonomouDriving et Vision4AllSeasons.
Base de données Woodscape
Quatre équipes de Valeo propose Woodscape, la première base publique de données multi-capteurs de conduite incluant des caméras grand-angle, baptisée en hommage à Robert Wood — qui inventa ce type de caméra à 1906 — et proposant 9 tâches de perception telles que la détection 2D et 3D d’objets,la segmentation sémantique et l’estimation de profondeurs.
Base de données Carrada
En collaboration avec Télécom Paris, Valeo.ai publie la base de données Carrada (“Camera and Automotive Radar with Range-Angle-Doppler Annotations”), la première base de données radar automobile avec voitures, piétons et cyclistes précisément annotés au niveau du signal brut.
Peut-on interpréter un système de conduite autonome ?
Des chercheurs de Valeo.ai publient une étude complète sur l’explicabilité des systèmes de conduite autonome à base de vision artificielle ; ils y présentent un large panorama de techniques existantes pour l’interprétabilité post-hoc ou par design, en analysent les limitations et proposent différentes pistes de recherche pour l’amélioration de l’interprétation des futurs systèmes de conduite autonome.
Faire attention aux usagers vulnérables de la route
Les usagers vulnérables de la route tels que les piétons doivent être particulièrement bien analysés pas les systèmes de conduite assistée ou automatisée ; Valeo.ai montre que l’insertion de piétons synthétiques dans des scènes réelles permet d’entraîner de meilleurs détecteurs (en collaboration avec CTU Prague) et qu’un modèle multi-tâches permet de reconnaître jusqu’à 32 attributs dont l’intention et l’attention des piétons (en collaboration with l’EPFL).
