Mitigation des impacts opérationnels des erreurs de contextualisation dans une scène routière

E-Smart commercialise une solution innovante qui offre aux gestionnaires un moyen automatisé d’assurer la conformité aux limites de vitesse, sans qu’ils aient à surveiller les camionneurs. Une interface placée à la commande d’accélération contrôle activement la vitesse du camion en temps réel, en se basant sur la cartographie des limites de vitesse. Toutefois, lorsque la localisation GPS est imprécise ou que les vitesses sont absentes de la carte ou erronées, le système produit des erreurs. Ceci entraine un manque de confiance envers l’outil. En effet, les systèmes de vision artificielle basés sur la détection d’objets, la classification et la segmentation sémantique monoculaires, ne permettent pas de comprendre ce qui se passe dans une scène, comme les positions relatives d’un objet par rapport à l’autre ou leur orientation respective [1] [2]. Ces limitations découlent des défis inhérents à l’estimation de la profondeur et à la compréhension de la scène avec des images monoculaires [3]. Ces systèmes sont encore moins capables de comprendre la sémantique (signification des relations entre le sujet et les objets) d’une scène. Donc pour améliorer le produit et offrir du coup l’ensemble des fonctionnalités de vidéo-télématique classique aux gestionnaires de flotte, E-Smart souhaite développer une nouvelle génération de produit avec une caméra et des réseaux de neurones profonds. Ce système devra faire la détection d’objets et de conditions sur le réseau routier (ex. piétons et cyclistes, neige), afin de bonifier les informations disponibles, en plus d’accroître la précision globale de la solution.

Faculty Supervisor:

Liam Paull

Student:

Partner:

E-SMART Control Inc.

Discipline:

Computer science

Sector:

Manufacturing

University:

Université de Montréal

Program: