Cerisic

Développement d’un système de géolocalisation de transport ferroviaire basé sur le deeplearning
First Haute Ecole GEODEEP

Description

Contexte de la recherche

Le contexte de la recherche est la géolocalisation fiable d’objets dans des applications critiques, que ce soit dans le cadre de personnes dans des zones de haute sécurité, des véhicules autonomes sur nos routes ou plus simplement d’équipes de maintenance sur des pistes d’aéroports. De plus en plus d’applications demandent une connaissance exacte et sûre de la localisation de l’objet auquel elles sont associées, plus précisément, le projet GEODEEP vise l’environnement ferroviaire. Le positionnement en cours de développement voudrait utiliser les signaux GNSS de la constellation de satellites disponibles autour du train : plus le nombre de satellites est élevé, plus précis sera le système. La précision est également améliorée par l’hybridation d’autres informations telles que des capteurs inertiels placés dans le train et des signaux de balises placées sur le parcours du train à des endroits connus. La technique classique d’hybridation utilise une solution classique : un filtre de Kalman sur base des mesures de position GNSS, de la vitesse et de l’accélération du train. Malheureusement dans des environnements confinés, en l’absence de l’information de position GNSS, la précision de positionnement diminue drastiquement, dû à la dérive de la centrale inertielle.


Objectifs du projet

L’intelligence artificielle est un domaine de recherche depuis les années 50, qui a connu un regain d’intérêt dans le domaine de la biologie, de la médecine, du commerce ou de la robotique grâce aux méthodes dites de « machine learning », basées sur des réseaux de neurones et des phases d’apprentissage de ceux-ci afin de classer, de regrouper, de revoir ou de reconnaître des données.

Récemment le domaine du traitement automatisé des images s’est appuyé sur des méthodes appelées « deep learning » ou réseaux profonds. Dans les méthodes classiques, des algorithmes extraient de l’image les caractéristiques essentielles, qui résume cette dernière, qui en donne une abstraction et ces caractéristiques sont utilisées comme entrée d’un réseau de neurones peu profond. Dans le cadre du deep learning, grâce aux évolutions des capacités hardwares et softwares, si une architecture particulière de réseaux multicouches de neurones est suffisamment entraînée, le système trouve de lui-même les caractéristiques dont il a besoin pour entraîner son réseau primaire. L’avantage de ce type de structure est qu’il n’a donc pas besoin d’être assisté.

Le projet GEODEEP voudrait remplacer le filtre de Kalman, et autres techniques classiques d’hybridation, par un système plus dynamique, qui tiendrait compte de plus d’éléments tels que les parcours antérieurs des trains, le suivi d’un flux vidéo du parcours, et autres modèles que jusqu’à maintenant ne sont pas possibles d’identifier avec des techniques classiques (sans l’aide de big data analysis). Afin de gérer ce plus grand volume de données, cette solution se baserait des solutions de deep learning implémentées sur une plateforme embarquée. En plus d’augmenter la précision, le second avantage de cette solution serait sa capacité à détecter la présence d’interférence des signaux GNSS afin d’améliorer la garantie des signaux et donc la sécurité du système ferroviaire.

Ce projet est réalisé en collaboration avec le service Traitement du signal de l’Université de Mons (UMONs), particulièrement, le groupe de recherche MIR (Machine Intelligence Research), coordonné par Stéphane Dupont, spécialisé dans l’utilisation du deeplearning dans le domaine de l’image.