Modélisation de la dynamique du mouvement: combinaison des modèles théoriques et des modèles des données expérimentales

Motion dynamics modeling: combining domain knowledge-based and data driven models

• Auteur / Autrice : Tychique Nzalalemba kabwangala
• Direction : Lotfi Belkoura, Laurentiu Hetel
• Type : Projet de thèse
• Discipline(s) : Informatique, Automatique
• Date : Inscription en doctorat le 01/12/2022
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : MADIS Mathématiques, sciences du numérique et de leurs interactions
• Partenaire(s) de recherche : Laboratoire : CRIStAL - Centre de Recherche en Informatique, Signal et Automatique de Lille

Mots clés

Mots clés libres

Modélisation

Dynamique du mouvement

Identification de système

Estimation des paramètres

Classificateur

Apprentissage automatique

Modelling

Motion dynamics

System identification

Parameter estimation

Classifier

Machine learning

Résumé

L'objectif de cette thèse est de développer des algorithmes d'intelligence artificielle explicables pour détecter et prédire les changements brusques des mouvements humains en utilisant des méthodes issues de l'ingénierie de contrôle et de l'apprentissage automatique. Plus précisément, un modèle théorique sera utilisé pour construire des modèles dynamiques et estimer les paramètres de ces modèles en utilisant des algorithmes issus de l'ingénierie de contrôle (identification de système). Les modèles résultants seront utilisés en combinaison avec des algorithmes d'apprentissage automatique pour prédire différents événements liés aux mouvements humains. De plus, les résultats théoriques seront expliqués afin qu'ils puissent être utilisés dans des applications critiques pour la sécurité, telles que la détection en temps réel des accidents de véhicules à deux roues pour diverses applications liées à la sécurité des personnes.

The aim of this thesis is to developp explainable artificial intelligence algorithms for detecting and predicting abrupt changes of human motion using methods from control engineering and machine learning. More precisely, a domain knowledge will be used to build gray-box dynamical models and estimate the parameters of those models by using algorithms from control engineering (system identi cation). The resulted models will be used in combination with machine learning algorithms to predict different interesting motion-related events. Moreover, theoretical results derived will be explained, so that they could be used in safety-critical applications, such as real-time crash detection of two-wheeled vehicles for various safety-related applications.