3L4AV est un projet de recherche collaboratif international entre l’Université technique tchèque de Prague (CTU) en République tchèque et l’Université de technologie de Belfort-Montbéliard (UTBM) en France.

L’objectif de la recherche est de fournir de nouvelles méthodes pour les véhicules autonomes afin d’améliorer la robustesse de leur système de perception, en particulier pour la détection et le suivi dynamiques d’objets dans des conditions défavorables, telles que par mauvais temps ou en cas de trafic dense.

Dans ce projet, nous étudierons des méthodes d’apprentissage automatique pour des systèmes multi-capteurs déployés dans des véhicules autonomes.

La nature hétérogène des données sensorielles permettra un apprentissage mutuel des méthodes de détection et de suivi dynamiques d’objets.

L’apprentissage permanent des modèles d’objets pour la détection et le suivi s’obtiendra par le biais de l’exploitation de l’hétérogénéité et de la quantité de données collectées par les capteurs du véhicule sur de longues périodes.
Contrairement aux technologies existantes qui reposent principalement sur des modèles statiques, notre projet se concentrera sur le développement de modèles adaptatifs complétés et affinés sur la base des données recueillies lors du fonctionnement à long terme du véhicule autonome.

Au cours des dernières années, une personne a été tuée et près d’une personne gravement blessée chaque jour aux passages à niveau (LC).

Par conséquent, le projet européen SAFER-LC vise à améliorer la sécurité et à minimiser les risques en développant un ensemble intermodal totalement intégré de solutions innovantes et d’outils pour la gestion et la conception proactives de l’infrastructure de LC.

Les utilisateurs EP sont chargés de développer un système de vidéosurveillance avancé pour modéliser et analyser le comportement des utilisateurs de LC, y compris les utilisateurs vulnérables, et leurs interactions avec les autres utilisateurs et avec LC.

Le projet CITIES vise à promouvoir l’utilisation de modèles LUTI (interaction du transport de l’utilisation des sols) pour la conception et l’évaluation de politiques d’utilisation des sols et de transport, en s’attaquant à ces deux obstacles.

Cela implique:

• de définir une méthodologie d’étalonnage et de développer des algorithmes pertinents et efficaces pour faciliter l’estimation des paramètres des modèles LUTI ;

• de définir une méthodologie de validation, au sens historique et à celui de l’économie urbaine, et de développer les algorithmes correspondants.

Dans les deux cas, analyser l’incertitude pouvant résulter des données ou des équations sous-jacentes, quantifier la manière dont ces incertitudes se propagent dans le modèle et effectuer une analyse de sensibilité pour déterminer la pertinence des divers paramètres de données et de modèle revêtant une importance majeure.

La réalisation de ces différentes tâches faciliterait la mise en œuvre des modèles LUTI et renforcerait considérablement la confiance en leurs résultats.

Trois modèles de LUTI serviront d’exemple pour tester les méthodologies qui seront développées dans le projet CITIES: Tranus, UrbanSim et Pirandello. Ils sont assez représentatifs de ces derniers, avec deux modèles d’équilibre et un modèle de microsimulation.

Tranus et UrbanSim sont des logiciels Open Source et les modèles les plus largement utilisés dans le monde, tandis que Pirandello est le seul modèle opérationnel développé en France. Les zones d’étude sont la région grenobloise pour Tranus, la région lyonnaise pour UrbanSim et la région parisienne pour Pirandello, qui offrent des contextes locaux différents.

L’objectif du projet URBANFLY est d’identifier et d’évaluer les effets et les risques associés à l’utilisation généralisée de drones dans l’espace aérien des futures villes intelligentes.

UrbanFly développera :

• un outil de simulation logicielle capable de reproduire les comportements de mobilité des drones de manière réaliste dans un environnement sensible au contexte ;

   

• les outils permettant de construire des directives liées à la réglementation du trafic de drones.

L’objectif du projet SMART-E2AU inter UT (Université Technologique) est de réaliser un état de l’art et une analyse des techniques d’apprentissage artificiel pour un système d’intelligences artificielles distribuées afin de proposer un projet ANR (Agence National de Recherche) structurant, incluant notamment les universités technologiques partenaires.

Ce projet apporte des contributions liées à l’apprentissage artificiel sur des données structurées issues de capteurs dans une ville intelligente, ainsi que l’intégration des techniques d’apprentissage artificiel dans un système intrinsèquement distribué.

De même, l’interaction entre les citoyens et les systèmes intelligents, par exemple les véhicules autonomes, le mobilier urbain interactif et intelligent sera abordée dans notre étude du système sociotechnique de la ville intelligente.

Projet de recherche commun TOYOTA PARTNER ROBOT (38 partenaires dans le monde entier). Ce projet portera sur le développement de méthodes de perception active basées sur plusieurs capteurs pour le suivi humain et la reconnaissance d’objets, d’une part, et la saisie d’objets inconnus, d’autre part.

L’ensemble de la recherche sera notamment basé sur le contexte des services de santé et des services sociaux destinés aux personnes handicapées et aux personnes âgées.

Nous allons exploiter les données acquises par plusieurs capteurs installés dans le robot HSR de Toyota, où la nature hétérogène des données sensorielles permettra une formation mutuelle (enrichissement) de modèles pour la traçabilité humaine et la reconnaissance d’objet, puis pour la saisie d’objet. Les méthodes développées pourraient également servir à la cartographie sémantique, à la localisation de robots et à la navigation à long terme.