projet first he: geodeep - cerisic · projet first he: geodeep développement d’un système de...

Projet FIRST HE: GEODEEP Développement d’un système de géolocalisation de transport ferroviaire basé sur le Deep Learning Contacts mail: [email protected] / [email protected] / [email protected] / [email protected] Promoteur Partenaire industriel 1) Contexte Partenaire scientifique 1.1) Positionnement des trains GNSS [1] Capteurs inertiels (IMU) Balises 3) Technologies CERISIC asbl Chaussée de Binche 159, 7000 Mons Références : [1] Global Navigation Satellite System (GNSS - Navipedia. (s.d.). https://gssc.esa.int/navipedia/index.php/Main_Page) [2] Intel Movidius | an Intel Company. (s.d.). https://www.movidius.com/ [3] NVIDIA. (s.d.). Jetson TX2 Module | NVIDIA Developer. https://developer.nvidia.com/embedded/buy/jetson-tx2 [4] Van Beeck, K. (s.d.). Deep learning on embedded hardware. D. Fiévez 1 , C. Roda Neve 2 , Stéphanie Eggermont 1 , L. Baclin 1 , Laurent Jojczyk 1 1 : CERISIC, 2: M3 Systems Belgium Ligne de visée obstruée : • Dégradation de la qualité du signal • Impossibilité de capter le signal Accumulation de la dérive : • Accumulation de l’incertitude sur le positionnement Nombre limité sur le réseau : • Impossibilité de déterminer la position entre 2 balises 3.1) Hybridation des données par un filtre de Kalman Fig.1 – Limites d’utilisation de chacun des capteurs Limites des techniques de positionnement : Chaque méthode de positionnement présente ses propres limites Développement d’une plateforme embarquée permettant l’hybridation des données : • Signaux GNSS • Capteurs inertiels • Signaux de balises • Signaux vidéos Via le Deep Learning 2) Objectif Fig.2 – Schéma d’hybridation des données de positionnement via un filtre de Kalman Fig.3 – Schéma d’hybridation des données de positionnement via le Deep Learning Comparaison des systèmes embarqués existants : 3.2) Systèmes embarqués pour l’Intelligence artificielle Avantages de l’hybridation par Deep Learning : • Efficace pour des systèmes non linéaires • Utilisation rapide (une fois le modèle entrainé) • Intégration de flux vidéos Regroupement des données collectées pour obtenir une meilleure estimation de la position et pallier aux défauts de chacun. Comparaison des frameworks existants : 3.1) Frameworks pour l’Intelligence Artificielle → → Tab.1 – Comparaison des caractéristiques du Intel Movidius (a) et du NVIDIA Jetson TX2 (b) ? ? ?

Upload: others

Post on 02-Aug-2020

2 views

Category:

Documents

0 download

Report

Download

Embed Size (px):

TRANSCRIPT

Projet FIRST HE: GEODEEPDéveloppement d’un système de géolocalisation de transport

ferroviaire basé sur le Deep Learning

Contacts mail: [email protected] / [email protected] / [email protected] / [email protected]

Promoteur Partenaire industriel

1) Contexte

Partenaire scientifique

1.1) Positionnement des trains

GNSS [1]

Capteurs inertiels (IMU)

Balises

3) Technologies

CERISIC asbl Chaussée de Binche 159, 7000 Mons

Références :[1] Global Navigation Satellite System (GNSS - Navipedia. (s.d.). https://gssc.esa.int/navipedia/index.php/Main_Page)[2] Intel Movidius | an Intel Company. (s.d.). https://www.movidius.com/[3] NVIDIA. (s.d.). Jetson TX2 Module | NVIDIA Developer. https://developer.nvidia.com/embedded/buy/jetson-tx2[4] Van Beeck, K. (s.d.). Deep learning on embedded hardware.

D. Fiévez1, C. Roda Neve2, Stéphanie Eggermont1, L. Baclin1, Laurent Jojczyk1

1 : CERISIC, 2: M3 Systems Belgium

Ligne de visée obstruée :• Dégradation de la qualité du signal• Impossibilité de capter le signal

Accumulation de la dérive :• Accumulation de l’incertitude sur le

positionnement

Nombre limité sur le réseau :• Impossibilité de déterminer la position entre 2

balises

3.1) Hybridation des données par un filtre de Kalman

Fig.1 – Limites d’utilisation de chacun des capteurs

Limites des techniques de positionnement :Chaque méthode de positionnement présente ses propres limites

Développement d’une plateforme embarquée permettant l’hybridationdes données :• Signaux GNSS• Capteurs inertiels• Signaux de balises• Signaux vidéosVia le Deep Learning

2) Objectif

Fig.2 – Schéma d’hybridation des données de positionnement via un filtre de Kalman

Fig.3 – Schéma d’hybridation des données de positionnement via le Deep Learning

Comparaison des systèmes embarqués existants :

3.2) Systèmes embarqués pour l’Intelligence artificielle

Avantages de l’hybridation par Deep Learning :• Efficace pour des systèmes non linéaires• Utilisation rapide (une fois le modèle entrainé)• Intégration de flux vidéos

Regroupement des données collectées pour obtenir une meilleureestimation de la position et pallier aux défauts de chacun.

Comparaison des frameworks existants :

3.1) Frameworks pour l’Intelligence Artificielle

→ →

Tab.1 – Comparaison des caractéristiques du Intel Movidius (a) et du NVIDIA Jetson TX2 (b)

First International Joint Seminar on he t “New Silk Road ......First International Joint Seminar on he t “New Silk Road" and Sino-European Cooperation . ... Banca d’Italia, World

หนังสือ First Love First Tooth

Sujet Remembering 17AN1TEMLR1€¦ · 15 The memorial riders began their journey near Oswald’s first army muster site wherehis , training complete, he started his riding duties

Deutsch first session - SieyouTbI Projet

Genesis 2:18-24. God Ordained Marriage (not man) God Ordained Marriage (not man) – “He brought” (Gen. 2:22) – First institution He created (Mark 10:6)

"...we can say that Gutenberg was the first multimedia artist, because he invented the printing method, as it became the first mechanically multiplied

PhilippeGraffinCobra0043 Page01Cover - Amazon … Concerto in E minor ... while others suggest a bipolar disorder) responded with a character- ... and although he first began to sketch