NXP et ANITI mettent aujourd’hui leurs compétences en commun autour d’un projet qui consiste à équiper une voiture, Renault Zoé, de capteurs, (radars, caméras, lidars, V2X…) afin de collecter des données qui seront ensuite analysées grâce à l’artificial intelligence..
Rencontre avec Didier Salle, architecte produit chez NXP et Colin Decourt, doctorant ANITI en thèse chez NXP
Quel est l’objectif de ce projet ?
Didier Salle : “L’objectif est d’équiper la voiture de capteurs, radars programmés, caméras et lidars principalement, pour collecter des données. Les capteurs permettront de collecter des données réelles qui pourront être utilisées pour entraîner des algorithmes de deep learning pour la détection et classification d’objets à partir de données radar.
Colin Decourt : A plus long terme, l’idée serait d’intégrer ces algorithmes dans les véhicules de demain afin de les rendre plus sûrs et de complémenter d’autres types de capteurs comme les caméras pour obtenir une meilleure représentation de l’environnement autour du véhicule.
Et votre rôle ?
D.S : Une fois ces données collectées, notre but est d’analyser celles du radar et de reconnaître les cibles (piétons, cyclistes, voitures). Mais les données radars ne suffisent pas, c’est pour cela qu’il y a des caméras et un lidar pour donner la « vérité de terrain » associée. Par exemple, avec les images de la caméra et lidar, on peut reconnaitre une voiture et avec l’ « image » radar on peut voir quelque chose mais c’est moins précis ; en associant les deux on voudrait arriver à ce que l’intelligence artificielle en ne regarde que l’image radar, identifie les objets et véhicules. Mais pour cela nous avons besoin d’une base de données avec tous ces capteurs aussi grosse et diverse que possible pour entrainer nos algorithmes. Ensuite, nous devrons annoter cette base, pour associer (semi-manuellement) les objets aperçus avec leur vraie nature.
C.D : Dans le cadre de ma thèse, je développe des modèles d’intelligence artificielle capables de détecter et de classifier des cibles sur des données provenant d’un radar automobile. L’utilisation d’un radar au lieu d’une caméra ou d’un lidar est principalement motivée par le fait que le radar est un capteur peu coûteux pour les constructeurs, capable de mesurer la distance et la vitesse des objets et qui fonctionne peu importe les conditions météorologiques et lumineuses contrairement aux caméras et lidars. Mon rôle dans ce projet est de travailler à réduire la complexité actuelle des traitements appliqués aux signaux radars pour détecter des cibles et en améliorer les performances avec de l’intelligence artificielle.
Quel intérêt pour NXP ?
D.S : NXP a envie de mettre de l’intelligence artificielle dans ses microprocesseurs. Les personnes et les clients NXP se demandent ce qu’on peut faire avec de l’intelligence artificielle dans un microprocesseur radar. Peut-on classifier, reconnaître les cibles ? Tout le monde trouve cela intéressant, mais personne ne sait ce qu’on peut réellement en faire. C’est grâce à ce projet que des réponses seront apportées. A terme, l’idée est de définir et de trouver des architectures de réseaux que l’on peut mettre dans nos circuits, que ce soit sous forme de logiciel ou matériel.
Pourquoi avoir choisi NXP pour votre thèse ?
C.D : J’ai rejoint NXP en 2020 pour mon stage de fin d’études portant sur l’exploration de méthodes d’intelligence artificielle pour la détection et la classification de cibles à partir de données d’un radar automobile. Le sujet de ce stage étant relativement nouveau et prometteur, j’ai décidé de poursuivre mes travaux de recherche sur le sujet dans le cadre d’une thèse ANITI en collaboration avec NXP qui est l’une des entreprises les plus innovantes dans le monde du radar automobile et plus globalement dans les technologies en lien avec les mobilités de demain.
Quels sont les résultats attendus de ce projet et quand ?
D.S : Une fois que la voiture sera fonctionnelle et que les capteurs seront capables de capturer des données de bonne qualité, les personnes qui s’occupent du projet pourront collecter des données dans différentes situations (pluie, neige, ville, campagne, jour, nuit…) pour créer une grosse base de données aussi variée que possible. Nous espérons commencer d’ici fin 2021.
C.D : Nous espérons que l’utilisation d’une base de données en conditions réelles et annotées précisément permettra de confirmer nos premiers résultats sur des données de moins bonne qualité, et pourquoi pas, améliorer le développement de nouvelles approches d’apprentissage.”
English 
French