Etudiant : KASSABI KHADIJA

Filière : Master Big Data Analytics & Smart Systems (BDSaS)

Encadrant : Pr. BOUHOUTE AFAF

Annèe : 2021

Résumé : Un véhicule autonome (VA) nécessite une perception précise de son environnement pour fonctionner de façon fiable. Le système de perception d’un AV, qui utilise normalement l’apprentissage automatique (par exemple, l’apprentissage profond), transforme les données sensorielles en informations sémantiques qui permettent la conduite autonome. La détection d’objets est une fonction fondamentale de ce système de perception, les techniques de pointe en vision par ordinateur (CV) détectent l’objet avec des méthodes 2D de haute précision. Cependant, les données 2D comme les images, la vidéo (séquence d’images) basée sur le capteur de la caméra ne fournissent pas beaucoup d’informations telles que : la localisation, la distance entre les objets et les informations de profondeur qui sont nécessaires pour les tâches de conduite, comme la planification de la trajectoire, l’évitement des collisions, et ainsi de suite. Par ailleurs, les méthodes de détection d’objets 3D basées sur les données Lidar (light detection and ranging) introduisent une troisième dimension qui révèle des informations plus détaillées sur la taille et l’emplacement de l’objet. Néanmoins, la précision de détection de ces méthodes doit être améliorée. Dans cet article, nous présentons une synthèse des méthodes de détection d’objets, les capteurs et l’ensembles de données les plus utilisés dans les VA. On analyse et on classe ensuite les travaux récents basés sur les modalités des capteurs en méthodes monoculaires, et celles basées sur les nuages de points et la fusion. Nous résumons ensuite les résultats des travaux examinés et identifions les lacunes de la recherche et les orientations futures de la recherche. Mot clés : véhicule autonome, vision par ordinateur, LIDAR, capteur, perception d’environnement, détection d’objet, Apprentissage profond