Amélioration des solutions de conduite autonome à partir de l’apprentissage de données non-labellisées

L’utilisation de données réelles, collectées sur les voies publiques, est une nécessité pour l’entrainement et la validation des systèmes de conduite autonome. Les véhicules de collecte sont équipés de nombreux capteurs (radars, lidars, GPS, caméras, centrales inertielles, capteurs à ultrasons,…) de manière à obtenir la meilleure compréhension possible des scène de conduites et de leur environnement. Ces dernières années de nombreuses données, issues de diverses collectes, ont été rendues publiques et documentées. Leur taille, le type de capteurs utilisés ainsi que le format de données varient largement. Par ailleurs, une grande partie d’entre elles ne sont pas labellisées, donc difficilement exploitables.

Notre challenge est donc de trouver la meilleure façon d’exploiter ces données capteurs brutes non labellisées pour y identifier des zones et objets pertinents pour les algorithmes de conduite autonome, évidemment en exploitant un minimum de ces enregistrements de données brutes.

Comment on this FAQ

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *