Extraction et identification de cibles multiples pour radar automobile à l'aide d'intelligence artificielle

Multiple target extraction and identification for automotive radar with A.I.

• Auteur / Autrice : Colin Decourt
• Direction : Rufin VanRullen, Thomas Oberlin
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Télécommunications
• Date : Soutenance le 19/12/2023
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche Cerveau et Cognition (Toulouse ; 1993-....)
• Jury : Président / Présidente : Véronique Berge-Cherfaoui
• Jury : Examinateurs / Examinatrices : Didier Salle
• Jury : Rapporteur / Rapporteuse : Yassine Ruichek, Martin Bouchard

Mots clés

Mots clés contrôlés

Identification automatique

Intelligence artificielle

Radar en navigation

Mots clés libres

Radar FMCW

Intelligence artificielle

Détection

Identification

Suivi

FMCW Radar

Artificial intelligence

Detection

Classification

Tracking

Résumé

Ces dernières années, l'apparition de véhicules de plus en plus connectés ont ouvert la voie à des modes de transports plus sûrs et plus autonomes. Ces véhicules s'appuient sur des systèmes avancés d'aide à la conduite (ADAS) et utilisent divers capteurs comme le radar, la caméra, le LiDAR et le V2X pour créer un cocon de sécurité à 360° autour du véhicule. Si l'intelligence artificielle et l'apprentissage profond ont permis la détection et l'identification d'objets en temps réel à l'aide de caméras et de LiDAR, l'utilisation de ces algorithmes sur des données radar est encore limitée. Pourtant, les radars présentent des avantages, notamment celui de fonctionner dans des conditions météorologiques difficiles et d'offrir de bonnes performances en terme de résolution en distance, angulaire et en vitesse, à un coût inférieur à celui du LiDAR. Cependant, les données renvoyées par les radars actuels contiennent peu d'information concernant les cibles détectées et plusieurs étapes de pré-traitement et de post-traitement sont nécessaires pour les obtenir. Ces étapes de traitement dénaturent le signal brut réfléchi par les objets, pouvant affecter les performances des algorithmes d'intelligence artificielle. Ce doctorat vise à développer de nouveaux algorithmes d'apprentissage profond spécifiquement adaptés aux données radar, visant à être incorporés dans des systèmes automobiles. Ces algorithmes auront pour but de détecter et identifier les objets autour d'un véhicule dans des environnements complexes. Outre les algorithmes, cette thèse étudiera quelles types de données radar, et donc quelle quantité de pré-traitement, permettent d'obtenir les meilleures performances. Les algorithmes proposés dans cette thèse devront satisfaire aux contraintes des environnements automobiles: faible puissance, faible complexité et temps de réaction rapide.

In recent years, connected vehicles have paved the way for safer and more automated transportation systems. These vehicles rely heavily on Advanced Driving Assistance Systems (ADAS) and use various sensors like radar, camera, LiDAR, and V2X to ensure 360° safety type of cocoon around the vehicle. While artificial intelligence and deep learning have enabled real-time object detection and identification using cameras and LiDAR, the use of such algorithms on radar data is still limited. Radar sensors offer advantages, such as working in challenging weather conditions and providing good performance in distance, angular and speed resolution, at a lower cost than LiDAR. However, radars output relatively low content information regarding the detected targets and several pre and post-processing steps are required to obtain those. Since the processing steps filter the raw signal returned by objects, it can affect the performance of AI algorithms. This PhD aims to develop new deep learning algorithms explicitly tailored for raw radar data to integrate them into automotive systems. These algorithms will detect and identify objects in complex environments. Additionally, this thesis will explore the optimal types of radar data and pre-processing steps for achieving the best performance. The algorithms will have to meet automotive constraints, including low power consumption, simplicity, and fast response times.