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.
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).
