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

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

  • Chercheur Himalaya Jain

    Chercheur

    Deep Learning | Computer Vision

    IIIT-H | Technicolor | Inria

      

  • 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).

Partenariats universitaires