No description available.

No description available.

Ce mémoire présente une étude sur des montages redresseurs polyphasés ayant des performances convenables pour le réseau d’alimentation électrique des avions. Les redresseurs considérés comportent 6 phases, 9 phases et 12 phases. Les caractéristiques de ces montages redresseurs sont étudiées théoriquement et des modèles ont été développés utilisant le logiciel SimPowerSystems (SPS) afin de déterminer la performance de ces redresseurs sous différentes conditions de fonctionnement. Les résultats de simulation sont évalués et comparés avec les normes de l’avionique MIL-STD-704F et RTCA-DO-160G. Une étude expérimentale a été effectuée sur un redresseur commercial à 6 phases dans le but de valider le modèle SPS développé pour ce montage redresseur. Les mesures ont été effectuées sur le montage expérimental à différents niveaux de charge et les résultats sont comparés avec ceux donnés par le modèle SPS. La concordance entre les deux résultats est très bonne, ce qui assure l’exactitude du modèle développé. / This paper presents a study of polyphase rectifier circuits with suitable performance for power network of aircrafts. The study has been conducted on 6, 9 and 12-phases rectifiers. The characteristics of these rectifying circuits are studied theoretically and models have been developed using the software SimPowerSystems (SPS) to determine the performance of these rectifiers in different operating conditions. The simulation results are evaluated and compared with the avionics standards MIL-STD-704F and RTCA-DO-160G. An experimental study was conducted on a 6-phase commercial rectifier in order to validate the SPS model developed for this rectifier circuit. The measurements were performed on the experimental circuit with different charge levels and the results are compared with those given by the SPS model. The concordance between results is very good, which ensures the accuracy of the model developed.

L'un des plus grands défis de la réalité augmentée consiste à aligner parfaitement les informations réelles et virtuelles pour donner l'illusion que ces informations virtuelles font partie intégrante du monde réel. Pour ce faire, il faut estimer avec précision la position et l'orientation de l'utilisateur, et ce, en temps réel. L'augmentation de scènes extérieures est particulièrement problématique, car il n'existe pas de technologie suffisamment précise pour permettre d'assurer un suivi de la position de l'utilisateur au niveau de qualité requis pour des applications en ingénierie. Pour éviter ce problème, nous nous sommes attardés à l'augmentation de panoramas omnidirectionnels pris à une position fixe. L'objectif de ce projet est de proposer une méthode robuste et automatique d'initialisation permettant de calculer la pose de panoramas omnidirectionnels urbains pour ainsi obtenir un alignement parfait des panoramas et des informations virtuelles. / One of the greatest challenges of augmented reality is to perfectly synchronize real and virtual information to give the illusion that virtual information are an integral part of real world. To do so, we have to precisely estimate the user position and orientation and, even more dificult, it has to be done in real time. Augmentation of outdoor scenes is particularly problematic because there are no technologies accurate enough to get user position with the level of accuracy required for application in engineering. To avoid this problem, we focused on augmenting panoramic images taken at a fixed position. The goal of this project is to propose a robust and automatic initialization method to calculate the pose of urban omnidirectional panoramas to get a perfect alignment between panoramas and virtual information.

No description available.

No description available.

No description available.

No description available.

Dans ces travaux, nous tentons d’améliorer l’aspect comportemental dans les jeux vidéo en utilisant le raisonnement par cas (Case Based Reasoning - CBR), qui simule le comportement humain. Cette technique, provenant du domaine de l’intelligence artificielle, résout de nouveaux problèmes en retrouvant des expériences analogues dans sa base de cas et en les adaptant au nouveau problème considéré. Nous utilisons le CBR pour l’automatisation de décisions prises par des composantes d’un jeu. La construction d’un module CBR nécessite l’accumulation de plusieurs épisodes de jeu pour former la base de cas du module. Cependant, lorsqu’un grand nombre d’épisodes sont emmagasinés dans la base de cas, la réponse en temps du système s’alourdit. Nous sommes alors confrontés au défi d’améliorer le temps de réponse du module CBR tout en gardant un niveau de performance acceptable du système. Dans ce mémoire, nous utilisons le jeu de Tetris pour mener notre étude. Ce jeu présente un intérêt particulier car les décisions à prendre sont contraintes dans le temps. Nous proposons dans ce mémoire de répondre aux questions suivantes : Comment formuler un système CBR pour jouer au jeu Tetris. Quelle est la performance attendue par un système CBR appliqué à ce jeu. Quel est le niveau du jeu qui peut être atteint par l’estimation de la valeur des cas obtenus par apprentissage par renforcement. Comme Tetris est un jeu contraint par le temps, quel est le niveau de dégradation de performances qui peut être perçue par la réduction de la taille de la base de cas. / In this work, we try to improve the behavioral aspects of video games using Case Based Reasoning (CBR), which can reproduce human behavior as reasoning by similarity, as well as remembering and forgetting previous experiences. This technique, coming from the Artificial Intelligence field, solves new problems by retrieving similar past experiences in the case base and adapting solution to solve new problems. We use CBR for the automation of decisions made by the game engine. The construction of a CBR system needs to accumulate many episodes from the gaming environment to create the case base of the CBR engine. However, as the number of episodes being saved in the case base increases, the response time of the CBR system slows down. We are then facing a dilemma: reducing the size of the case base to improve the response of the CBR system while keeping an acceptable level of performance. In this master thesis, we use the game of Tetris to conduct our case studies. This game presents some particular interests, as decisions to be made are limited by time constraints. We propose in this thesis to answer the following questions: How to construct a CBR system to play the game of Tetris. What is the expected performance of the system applied to this game? Wich game level can be reached by estimating case value through reinforcement learning? As time response constraints are inherent to Tetris, which degradation of performance can be expected by removing cases from the case base?

No description available.