Scientific direction Development of key enabling technologies
Transfer of knowledge to industry

Programme de stages

Etude de l'impact de différents types de données pour la localisation 3D d'un robot par deep-learning

DIASI

Mathématiques, information  scientifique, logiciel - Mathématiques, information  scientifique, logiciel

Saclay

Ile de France

6 mois

7104

Les candidatures doivent être adressées par email et sous forme d'un CV et d'une lettre de motivation détaillant les compétences à :
CEA Grenoble

17 rue des martyrs
38054 Grenoble
e-mail : mohamed.tamazousti@cea.fr

Le développement des systèmes d'apprentissage automatique est un domaine de recherche en pleine effervescence. Ces systèmes nécessitent un important jeu de données, souvent annotées par des humains : on parle alors de supervision humaine. Certaines approches permettent également un apprentissage via le monde environnant (supervision physique) [1]. Des études cognitives [2,3] proposent aussi de s’appuyer sur l'utilisation de plusieurs modalités (la vision, le son, etc.) en exploitant la synchronisation entre modalités. Par exemple, la chute d’un objet va associer la vision du mouvement et le son de l’impact. Objectifs du stage : Un robot apprenant automatiquement de son environnement doit être immergé dans un contexte riche et réaliste pour atteindre son plein potentiel. Des travaux antérieurs ont démontré les bénéfices d'un apprentissage interactif et multimodal [4, 5, 6]. L’objectif du stage est d’aller plus loin dans l’apprentissage d’un modèle d’environnement réaliste, interactif, dynamique et multimodal. En s’appuyant sur les récents progrès en simulation numérique d’environnements virtuels, plus précisément la plateforme HoME (Household Multimodal Environment) introduite par Brodeur et al. [7] qui permet aux agents de naviguer et d'interagir dans plus de 45 000 maisons conçues à partir du jeu de données SUNCG [8], il s’agira d’étudier l’impact de différents types de données utiles à la localisation 3D par réseaux-de-neurones en adressant les tâches suivantes : - Trouver comment formaliser l'environnement pour obtenir des tâches intermédiaires - Utiliser ces tâches pour apprendre (via deep learning ou reinforcement learning) une représentation uni-modale et multimodale de la scène - Utiliser ces représentations issues de combinaisons des modalités pour résoudre la tâche d’intérêt, à savoir, la localisation 3D dans la scène du robot

Localisation 3D d'objet par combinaison d'approches apprentissages (Deep Learning) et géométriques (SLAM)

DIASI

Mathématiques, information  scientifique, logiciel - Mathématiques, information  scientifique, logiciel

Saclay

Ile de France

6 mois

7103

Les candidatures doivent être adressées par email et sous forme d'un CV et d'une lettre de motivation détaillant les compétences à :
CEA Grenoble

17 rue des martyrs
38054 Grenoble
e-mail : boris.meden@cea.fr

Au cours des dernières années, les approches de localisation géométrique de type SLAM (Simultaneous Localization and Mapping) et les approches de localisation basées apprentissage profond (Deep Learning) ont connu de grands succès. Il s’agit d’approches fondamentalement différentes, chacune offrant son lot d’avantages et d’inconvénients. L’objectif de ce stage sera de combiner ces deux approches au sein d’un algorithme de localisation d’objets 3D, ceci afin de tirer profit des avantages de ces deux approches. Pour y parvenir, l’étudiant se basera sur l’algorithme de SLAM contraint ainsi que de l’algorithme Deep Manta, tous deux développés au laboratoire LVIC du CEA-LIST. L’étudiant sera amené à étudier les deux approches afin de les adapter en vue de leur collaboration. La fiabilité de la méthode obtenue et la facilité de déploiement seront au coeur des préoccupations et des choix réalisés. Un démonstrateur de Réalité Augmentée sera mis en place pour illustrer les résultats de localisation obtenus. Objectifs : Prise en main de l’algorithme de détection d’objets par Deep Learning et application sur un objet de référence. 1. Intégration de la localisation Deep Learning comme contrainte dans le SLAM 2. Adaptation de la méthode Deep Learning et/ou SLAM afin d’améliorer la fiabilité et la facilité de déploiement 3. Réalisation d’un démonstrateur de Réalité Augmentée mettant en avant l’approche mixte.

Segmentation d'instances par apprentissage profond

DIASI

Mathématiques, information  scientifique, logiciel - Mathématiques, information  scientifique, logiciel

Saclay

Ile de France

6 mois

7098

Les candidatures doivent être adressées par email et sous forme d'un CV et d'une lettre de motivation détaillant les compétences à :
CEA Grenoble

17 rue des martyrs
38054 Grenoble
e-mail : florian.chabot@cea.fr

L’application principale visée par ce stage est l’analyse de scènes routières, notamment pour des applications de conduite autonome. La segmentation d’instances est un problème complexe qui se situe entre la détection d’objets (prédiction des boîtes englobantes des instances de la scène) et la segmentation sémantique (attribution d’une classe à chaque pixel de l’image). Un algorithme de segmentation d’instances est donc capable de produire un masque pour chaque objet d’intérêt de l’image. Depuis l’avènement des réseaux de neurones profonds convolutifs (CNN), un certain nombre de méthodes ont été proposées afin de solutionner cette problématique, notamment l’approche par détection Mask-RCNN. Ce système très performant n'est néanmoins pas compatible avec les contraintes temps réel que requièrent les pipelines de conduite autonome. Dans le cadre de ce stage de recherche, le stagiaire aura pour première mission d’analyser les avantages et les inconvénients des approches récentes de la littérature . Dans un second temps, il devra proposer une méthode permettant de pallier une ou plusieurs faiblesses des approches de l’état de l’art. Cette méthode devra être validée par une évaluation quantitative sur plusieurs bases de données publiques consacrées à la segmentation d’instances. Enfin, il sera amené à intégrer sa solution dans les différents algorithmes du laboratoire.

Estimation de pose 3D humaine à partir d'algorithmes

DIASI

Mathématiques, information  scientifique, logiciel - Mathématiques, information  scientifique, logiciel

Saclay

Ile de France

6 mois

7097

Les candidatures doivent être adressées par email et sous forme d'un CV et d'une lettre de motivation détaillant les compétences à :
CEA Grenoble

17 rue des martyrs
38054 Grenoble
e-mail : betrand.luvison@cea.fr

Comprendre automatiquement l’activité humaine se déroulant dans un flux vidéo est l’un des principaux challenges actuels de la vision par ordinateur. Bien que le sujet soit abordé depuis longtemps, les applications qui en résultent ne se limitent qu’à des contextes bien particuliers avec des gestes bien particuliers. L’un des prérequis à cette analyse est bien souvent l’extraction d’une information de type posture des personnes présentes de la scène, afin d’avoir une représentation beaucoup plus compacte de l’état des personnes à un instant t. C’est d’ailleurs lorsque ce type d’information a pu être extrait de manière fiable, notamment avec des capteurs tel que la Kinect, que de nettes avancées ont pu être réalisées. Les progrès notables de ces dernières années, ont notamment été réalisé pour l’estimation de squelette 2D à partir d’images RGB uniquement mais aussi pour l’estimation de squelette 3D à partir d’image RGB. Sur ce dernier point l’estimation de squelette 3D souffre encore de nombreux problèmes, tel que la robustesse face au pose inhabituelle, la robustesse dans des conditions « in the wild », c’est-à-dire dans des environnements quelconques et variés, la gestion du multi personne, etc. L’objectif du stage sera donc de s’attaquer à ces faiblesses en s’articulant autour de deux phases. La première consistera à mettre en place une plateforme d’acquisition basée sur des capteurs de type Kinect ou de « Motion Capture », permettant d’annoter facilement les images en mimant les postures 3D de personnes issues d’images « in the wild » qui ne sont pour le moment annotées qu’en 2D (COCO keypoint, MPII 2D dataset, etc). La seconde phase, consistera à exploiter ces données générées pour l’estimation de squelettes 3D sur ces images à l’aide de réseau de neurones convolutionnels qu’il faudra définir durant le stage.

Parallélisation de codes de simulation dédiés à la RV

DIASI

Mathématiques, information  scientifique, logiciel - Mathématiques, information  scientifique, logiciel

Saclay

Ile de France

6 mois

7092

Les candidatures doivent être adressées par email et sous forme d'un CV et d'une lettre de motivation détaillant les compétences à :
CEA Grenoble

17 rue des martyrs
38054 Grenoble
e-mail : gilles.rougeron@cea.fr

Dans le cadre d'applications de réalité virtuelle, les simulations sont contraintes par des obligations de calculs en temps réel. Aussi la quête de performance sur les codes est continuelle. Dans ce cadre, il reste sur CPU, deux axes d'amélioration potentiels. La programmation parallèle par tâches et la programmation vectorielle à l'aide des instructions SIMD. Le stage consistera donc d'une part à étendre l'usage d'une librairie parallèle par tâches (Intel Thread Building Blocks) sur des parties de code requérant un parallélisme complexe (pipeline, dataflow), et d'autre part, à mettre en œuvre des outils de programmation vectorielle (librairies, directives ou compilateurs dédiés) sur plusieurs parties de code propices à une accélération SIMD (calculs géométriques ou physiques). L'étudiant devra faire preuve de méthodologie et de rigueur dans sa démarche

Interaction en Réalité Mixte pour l'étude des postes de travail avec robots collaboratifs

DIASI

Mathématiques, information  scientifique, logiciel - Mathématiques, information  scientifique, logiciel

Saclay

Ile de France

6 mois

7090

Les candidatures doivent être adressées par email et sous forme d'un CV et d'une lettre de motivation détaillant les compétences à :
CEA Grenoble

17 rue des martyrs
38054 Grenoble
e-mail : claude.andriot@cea.fr

Les applications des technologies de Réalité Mixte sont nombreuses, en particulier dans le domaine du prototypage virtuel. C'est le thème du projet Factory Labs dont l'objectif est de développer une nouvelle façon d'optimiser les postes de travail avec robots collaboratifs (UR, KUa, etc.) pour l'industrie automobile et aéronautique. Le stage proposé s'adresse à un élève ingénieur en informatique et robotique qui rejoindra l'équipe projet pour participer à la conception et à la mise au point d'un nouveau système qui d'optimiser les postes de travail avec robots collaboratifs pour l'automobile et aéronautique (ergonomie, temps de cycle, etc.) basée sur des casques de réalité virtuelle et mixte de type Hololens.

87 Results found (Page 11 of 15)
first   previous  9 - 10 - 11 - 12 - 13  next   last

Voir toutes nos offres