Traitement multi-sources de nuages de points piloté par l'IA

AI-Driven Multisource Point Cloud Processing

• Auteur / Autrice : Mohammad Dika
• Direction : Charles Yaacoub, Roger Achkar
• Type : Projet de thèse
• Discipline(s) : Traitement du signal et des images
• Date : Inscription en doctorat le 31/12/2024
• Etablissement(s) : Valenciennes, Université Polytechnique Hauts-de-France
• Ecole(s) doctorale(s) : Ecole Doctorale Polytechnique Hauts-de-France
• Partenaire(s) de recherche : Laboratoire : Laboratoire Interdisciplinaire des Transitions de Lille
• Partenaire(s) de recherche : Equipe de recherche : LITL - Equipe

Mots clés

Mots clés libres

Nuages de Points

Réseau de Capteurs

Compression

Reconstruction 3D

Intelligence Artificielle

Apprentissage Profond

Sensor Network

3D reconstruction

Artificial Intelligence

Compression

Deep Learning

Point Clouds

Résumé

Introduction : Les données de nuages de points issues des capteurs LiDAR sur des plateformes mobiles telles que des drones, voitures, ou robots, constituent une ressource essentielle pour des applications comme la conduite autonome, la gestion du trafic en ville intelligente et l'évaluation des catastrophes. Cependant, la gestion efficace de l'acquisition, de la transmission et de la reconstruction de ces données volumineuses de nuages de points reste un défi. Cette thèse vise à explorer des techniques efficaces pour le traitement et la compression des nuages de points collectés par une flotte de plateformes mobiles. Elle se concentrera sur des aspects clés tels que l'acquisition au niveau des nœuds locaux, la transmission distribuée et la reconstruction 3D en temps réel, en s'appuyant sur les standards modernes de compression (comme le MPEG PCC) et les techniques d'apprentissage profond pour optimiser le processus. Objectifs : - Développer des algorithmes pilotés par l'IA en complément du MPEG PCC pour améliorer la compression des nuages de points au niveau du nœud local, augmentant la qualité des données tout en réduisant la charge de transmission. - Explorer le traitement distribué et la fusion des données de nuages de points entre plusieurs nœuds pour optimiser l'utilisation de la bande passante et améliorer la fiabilité de la transmission. - Exploiter les techniques d'IA pour la reconstruction 3D au niveau de la station de base, permettant une reconstruction de scène efficace et précise pour la prise de décision dans des applications comme la gestion du trafic et la réponse aux catastrophes. Méthodologie : - Acquisition : Implémenter le MPEG PCC avec des optimisations basées sur l'IA au niveau du nœud local afin de comprimer les données de nuages de points de manière plus efficace, en réduisant leur taille tout en préservant les détails importants. - Transmission : Développer des techniques de traitement distribué pour la fusion et la compression des données de nuages de points provenant de sources multiples, assurant une transmission efficace avec des exigences réduites en bande passante. - Reconstruction : Utiliser des modèles d'apprentissage profond pour améliorer la précision et la rapidité de la reconstruction de scène 3D, permettant des visualisations en temps réel à la station de base. Applications : - Conduite autonome et gestion du trafic : La cartographie 3D améliorée par l'IA pourrait contribuer à améliorer la navigation des véhicules dans les villes intelligentes. De meilleures représentations 3D de l'environnement pourraient faciliter l'optimisation des flux de trafic, la détection d'objets et la prévention des collisions. - Gestion des catastrophes : Des drones équipés de LiDAR pourraient être utilisés pour scanner des zones sinistrées (par exemple, tremblement de terre, incendie de forêt, zone de guerre ou de conflit), fournissant des modèles 3D en temps réel pour évaluer les dommages, estimer les coûts et allouer les ressources de manière efficace. La nature multi-sources des données permettrait une couverture complète de vastes zones en peu de temps.

Introduction: Point cloud data from LiDAR sensors on mobile platforms such as drones or robots is a critical resource for applications like autonomous driving, smart city traffic management, and disaster assessment. However, efficiently handling the acquisition, transmission, and reconstruction of large-scale point cloud data remains a challenge. This proposal aims to explore efficient techniques for processing and compressing point cloud data collected by a fleet of mobile platforms. It will focus on key areas such as local node acquisition, distributed transmission, and real-time 3D reconstruction, leveraging modern compression standards (like MPEG PCC) and deep learning techniques to optimize the processing pipeline. Objectives: - Develop AI-driven algorithms alongside MPEG PCC to enhance point cloud compression at the local node, improving data quality while reducing transmission load. - Explore distributed processing and fusion of point cloud data across multiple nodes to optimize bandwidth usage and improve transmission reliability. - Leverage AI techniques for 3D reconstruction at the base station, enabling efficient and accurate scene reconstruction for decision-making in applications like traffic management and disaster response. Methodology: - Acquisition: Implement MPEG PCC with AI-based optimizations at the local node to compress point cloud data more effectively, reducing size while preserving critical details. - Transmission: Develop distributed processing techniques for fusing and compressing point cloud data from multiple sources, ensuring efficient transmission with reduced bandwidth requirements. - Reconstruction: Use deep learning models to enhance the accuracy and speed of 3D scene reconstruction, allowing for real-time visualizations at the base station. Applications: - Autonomous Driving and Traffic Management: AI-enhanced 3D mapping could contribute to improving vehicle navigation in smart cities. Improved 3D representations of the environment could assist in traffic flow optimization, object detection, and collision avoidance. - Disaster Management: LiDAR-equipped drones could be used to scan disaster areas (e.g., earthquake, forest fire, war/conflict zone), providing real-time 3D models to assess damage, estimate costs, and allocate resources efficiently. The multi-source nature of the data could allow for comprehensive coverage of large areas in a short time.