Généralisation de domaine pour la segmentation sémantique de données LiDAR pour le véhicule autonome
Auteur / Autrice : | Jules Sanchez |
Direction : | François Goulette |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique temps réel, robotique et automatique - Paris |
Date : | Soutenance le 05/12/2023 |
Etablissement(s) : | Université Paris sciences et lettres |
Ecole(s) doctorale(s) : | Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris) |
Partenaire(s) de recherche : | Laboratoire : Centre de robotique (Paris) |
établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....) | |
Jury : | Président / Présidente : Raphaëlle Chaine |
Examinateurs / Examinatrices : François Goulette, Loïc Landrieu, Paul Checchin, Jean-Emmanuel Deschaud | |
Rapporteurs / Rapporteuses : Loïc Landrieu, Paul Checchin |
Résumé
La perception LiDAR pour le véhicule autonome a atteint des résultats convenables sur les différents benchmarks enligne dans le cadre monodomaine, c'est-à-dire quand le domaine d'entraînement est le même que celui d'évaluation. Apartir de là, les champs de recherche se sont diversifiés et orientés vers les questions de transférabilité, de robustesseet de généralisation.Ce travail se concentre sur les questions de généralisation pour la segmentation sémantique LiDAR. Un panorama globaldes performances de généralisation monosource et multisource des méthodes de segmentation existantes est réalisé.Pour mener équitablement ces expériences, un jeu de données, ParisLuco3D, est créé spécifiquement pour évaluer lagénéralisation.De plus, une nouvelle méthode de généralisation de domaine monosource, 3DLabelProp, est proposée. Cette méthodese distingue des stratégies existantes en exploitant la géométrie des données pour effectuer de l'alignement de domaineplutôt que des stratégies par apprentissage. Au-delà de la segmentation sémantique, 3DLabelProp est aussi appliquée àla tâche de segmentation d'objets mobiles.