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.

Les capteurs DRIVE4U® - Configuration technique pour la conduite autonome en ville

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.

route très fréquentée avec la neige lourde

Venez rencontrer notre équipe

  • Chercheur Hedi Ben-younes

    Chercheur

    Deep Learning | Vision and Language | Visual reasoning

    Supelec | Heuritech | SorbonneU

    Kebab practitioner

  • Chercheur Andrei Bursuc

    Chercheur

    Machine Learning | Computer Vision | Visual Search | Autonomous systems

    Politehnica | Mines | Inria | Safran

    Random walker

       

  • Doctorant Charles Corbière

    Doctorant

    Deep Learning | Computer Vision | Uncertainty

    Centrale | ParisSaclay | Heuritech | Earthcube | CNAM

    Self-supervised disc-jokey

     

  • Directeur de recherche Matthieu Cord

    Directeur de recherche

    Deep Learning | Computer Vision | Vision and Language

    Enseirb | CergyU | KULeuven | Ensea | CNRS | SorbonneU | IUF

    Top chef

     

  • Chercheur Spyros Gidaris

    Chercheur

    Deep Learning | Computer Vision

    AUTH | Cortexica | ENPC

    Life-loving epicurean

     

  • Chercheur David Hurych

    Chercheur

    Machine Learning | Computer Vision | Generative Networks

    CTU-Prague | NII-Tokyo

    Curious being

  • Chercheur Himalaya Jain

    Chercheur

    Deep Learning | Computer Vision

    IIIT-H | Technicolor | Inria

    Keen explorer

      

  • Responsable RH Pascal Le Hérissé

    Responsable RH

    Panthéon-Sorbonne | Marriott | Saint-Gobain | Faurecia

    MisChief of Staff

  • Directeur de recherche Renaud Marlet

    Directeur de recherche

    Computer Vision | Photogrammetry | Geometry Processing

    X | Inria | EdinburgU | Simulog | Inria | TrustedLogic | Inria | ENPC

    Persistent eclectist

     

  • Doctorant Arthur Ouaknine

    Doctorant

    Deep Learning | Machine Learning | Signal Processing

    Panthéon-Sorbonne | Telecom | Zyl | Telecom

    Creative traveller

  • Directeur scientifique Patrick Pérez

    Directeur scientifique

    Machine Learning | Computer Vision | Computational Imaging | Signal & Image Processing

    Centrale | Inria | BrownU | Inria | Microsoft | Inria |Technicolor

    Passionate reader

     

  • Chercheur Julien Rebut

    Chercheur

    Deep Learning | Computer Vision

    INSA | ValeoVS | ValeoCDA

    Snow lover

  • Doctorant Simon Roburin

    Doctorant

    Deep Learning | Machine Learning | Applied Mathematics | Generalization

    Centrale | Prophesee | ENPC

    Brownian mover

     

  • Doctorant Antoine Saporta

    Doctorant

    Deep Learning | Computer Vision | Domain Adaptation

    X | TU-Munich | SorbonneU

    Adaptive mind

  • Doctorant Huy Van Vo

    Doctorant

    Computer Vision | Machine Learning

    X | Technicolor | MVA | NYU | Inria

    Hard thinker

  • Chercheur Tuan-Hung Vu

    Chercheur

    Deep Learning | Computer Vision

    Telecom | Inria | NEC

    Protein lover

      

Actualités

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).

Partenariats universitaires

EPFL logo Inria logo CNAM logo Max Planck logo
Ecole des ponts Paris Tech logo Sorbonne université logo Telecom ParisTech logo