Thèse doctorat : Automatique Industrielle : Villeurbanne, INSA : 2004. / Titre provenant de l'écran-titre. Bibliogr. p. 171-185.

Voir fichier joint

Thèse doctorat : Génie Mécanique. Génie Civil : Villeurbanne, INSA : 2007. / Titre provenant de l'écran-titre. Bibliogr. p. 184-192.

Que ce soit pour des satellites en orbite autour de la terre ou des sondes spatiales explorant le système solaire, l'évolution des technologies de propulsion et de communication amène à une catégorie de véhicules spatiaux dont les appendices (panneaux solaires, antennes...) sont de plus en plus grands et flexibles. Responsable de vibrations structurales, cette flexibilité requiert des lois de commande d'attitude particulières. De plus, elle accroît considérablement la difficulté de modélisation et d'évaluation des paramètres physiques. Ce sujet de recherche s'inscrit dans le projet LABSAT, un satellite de laboratoire conçu à l'Université de Sherbrooke, dont les panneaux solaires sont flexibles et orientables. Par conséquent, ils sont responsables de variations significatives de la dynamique de rotation du satellite. L'analyse de la problématique a mis en évidence trois objectifs principaux: (1) réalisation d'un simulateur haute-fidélité non linéaire de la dynamique d'attitude sur lequel s'appuie (2) le développement d'un modèle linéaire variant en fonction de l'angle [delta] des panneaux solaires servant de support à (3) la conception d'une loi de commande robuste atténuant les vibrations structurales et s'adaptant à l'angle [delta]. Parallèlement à l'accomplissement de ces étapes, ce projet a donné lieu à plusieurs contributions dont les plus importantes sont: (1) la généralisation de l'approche pseudoflexible en considérant n éléments rigides pour la modélisation de panneaux flexibles, (2) la conception d'une démarche d'identification originale, applicable pour des modèles à paramètres variables marginalement stable et (3) une première application de la ([mu]-Mu)-itération auto-séquencée pour la commande d'attitude de satellite flexible. L'enchaînement séquentiel des différentes étapes rend la démarche globale particulièrement difficile et explique l'attention particulière dont elle fait l'objet. Après une étude critique de l'état de l'art, la première partie de ce mémoire analyse en profondeur la théorie des méthodes retenues et documente le développement d'outils théoriques et/ou pratiques comblant les lacunes subsistantes. Dans une seconde partie, l'application de la solution technique au cas simple d'un satellite rigide à paramètre variable permet de valider la démarche avant de la mettre en oeuvre pour LABSAT.

Thèse de doctorat : Génie électrique : Lille 1 : 2002. Thèse de doctorat : Génie électrique : Université Politehnica de Bucarest : 2002. / Thèse soutenue en cotutelle. N° d'ordre (Lille) : 3107. Résumé en français, roumain et anglais. Bibliogr. p. 89-93.

Thèse de doctorat : Productique automatique et informatique industrielle : Lille 1 : 2001. Thèse de doctorat : Productique automatique et informatique industrielle : Ecole centrale de Lille : 2001. / N° d'ordre (Lille) : 3065. Résumé en français et en anglais. Bibliogr. p. 169-174.

Habilitation à diriger des recherches : Informatique : Rennes 1 : 2004. / Bibliogr. p. 177-187.

Dans cette thèse, nous étudions la robustesse d’un modèle multimodal de détection d’objets en 3D dans le contexte de véhicules autonomes. Les véhicules autonomes doivent détecter et localiser avec précision les piétons et les autres véhicules dans leur environnement 3D afin de conduire sur les routes en toute sécurité. La robustesse est l’un des aspects les plus importants d’un algorithme dans le problème de la perception 3D pour véhicules autonomes. C’est pourquoi, dans cette thèse, nous avons proposé une méthode pour évaluer la robustesse d’un modèle de détecteur d’objets en 3D. À cette fin, nous avons formé un détecteur d’objets 3D multimodal représentatif sur trois ensembles de données différents et nous avons effectué des tests sur des ensembles de données qui ont été construits avec précision pour démontrer la robustesse du modèle formé dans diverses conditions météorologiques et de luminosité. Notre méthode utilise deux approches différentes pour construire les ensembles de données proposés afin d’évaluer la robustesse. Dans une approche, nous avons utilisé des images artificiellement corrompues et dans l’autre, nous avons utilisé les images réelles dans des conditions météorologiques et de luminosité extrêmes. Afin de détecter des objets tels que des voitures et des piétons dans les scènes de circulation, le modèle multimodal s’appuie sur des images et des nuages de points 3D. Les approches multimodales pour la détection d’objets en 3D exploitent différents capteurs tels que des caméras et des détecteurs de distance pour détecter les objets d’intérêt dans l’environnement. Nous avons exploité trois ensembles de données bien connus dans le domaine de la conduite autonome, à savoir KITTI, nuScenes et Waymo. Nous avons mené des expériences approfondies pour étudier la méthode proposée afin d’évaluer la robustesse du modèle et nous avons fourni des résultats quantitatifs et qualitatifs. Nous avons observé que la méthode que nous proposons peut mesurer efficacement la robustesse du modèle. / In this thesis, we study the robustness of a multimodal 3D object detection model in the context of autonomous vehicles. Self-driving cars need to accurately detect and localize pedestrians and other vehicles in their 3D surrounding environment to drive on the roads safely. Robustness is one of the most critical aspects of an algorithm in the self-driving car 3D perception problem. Therefore, in this work, we proposed a method to evaluate a 3D object detector’s robustness. To this end, we have trained a representative multimodal 3D object detector on three different datasets. Afterward, we evaluated the trained model on datasets that we have proposed and made to assess the robustness of the trained models in diverse weather and lighting conditions. Our method uses two different approaches for building the proposed datasets for evaluating the robustness. In one approach, we used artificially corrupted images, and in the other one, we used the real images captured in diverse weather and lighting conditions. To detect objects such as cars and pedestrians in the traffic scenes, the multimodal model relies on images and 3D point clouds. Multimodal approaches for 3D object detection exploit different sensors such as camera and range detectors for detecting the objects of interest in the surrounding environment. We leveraged three well-known datasets in the domain of autonomous driving consist of KITTI, nuScenes, and Waymo. We conducted extensive experiments to investigate the proposed method for evaluating the model’s robustness and provided quantitative and qualitative results. We observed that our proposed method can measure the robustness of the model effectively.

Titre de l'écran-titre (visionné le 8 mai 2023) / Les algorithmes d'apprentissage automatiques basés sur les réseaux de neurones sont reconnus pour leurs performances sur des tâches de classification d'images. Cependant, ces algorithmes peuvent être induits en erreur par de faibles perturbations ajoutées aux images, générés avec des attaques adverses. Plusieurs mécanismes de défense basés sur des ensembles de réseaux de neurones et des principes de diversité ont été proposés. Ils sont basés sur l'hypothèse qu'il est plus difficile d'attaquer un ensemble de plusieurs réseaux diversifiés plutôt qu'un seul réseau. Toutefois, l'efficacité de ces défenses reste à ce jour contestée. L'objectif de ce mémoire est de mieux comprendre l'impact de la diversité sur la robustesse des ensembles, afin de déterminer si les mécanismes de défense basés sur les ensembles sont efficaces. Pour ce faire, les ensembles avec codes à correction d'erreur sont premièrement revisités en proposant des modifications architecturales et en évaluant, pour différentes architectures, leur diversité et leur robustesse contre plusieurs attaques adverses. Ensuite, les ensembles de réseaux contrastifs adverses sont proposés comme nouveau mécanisme de défense. Ce mécanisme est basé sur une nouvelle méthode utilisant des notions d'apprentissage contrastif afin de diversifier les réseaux d'un ensemble directement à partir de leurs cartes de caractéristiques, pour que les réseaux utilisent des caractéristiques différentes pour classifier les images de même classe. Les résultats obtenus démontrent que la méthode de diversification proposée fonctionne, et qu'elle peut avoir un impact positif sur la robustesse des ensembles. Les résultats démontrent aussi que la diversité et la robustesse des ensembles avec codes à correction d'erreur peuvent être favorisées avec l'utilisation de réseaux indépendants. Finalement, les résultats suggèrent que les défenses par ensembles sont efficaces seulement contre certaines attaques adverses, mais qu'elles peuvent être combinées facilement avec des méthodes d'entraînement adverse afin de résister à la plupart des attaques. / Neural networks in machine learning are known for achieving great performances on image classification tasks. Nevertheless, they can be vulnerable to small perturbations added to the input images. Such perturbations are generated with adversarial attacks, and they can cause significant drops in classification accuracy. Many adversarial defenses based on neural network ensembles and diversity promoting techniques have been proposed. They are based on the intuition that it is more challenging to fool an ensemble of diverse networks as opposed to a single network. However, the effectiveness of such defenses remains unclear. The goal for this thesis is to study the impact of ensemble diversity on robustness to determine if ensemble-based defenses can be considered effective against adversarial attacks. Error-Correcting Output Codes ensembles are first investigated through architectural improvements and diversity promotion. A comprehensive robustness assessment is performed to compare different architectures and to investigate the relationship between ensemble diversity and robustness. Next, adversarial contrastive networks ensembles are proposed as a new ensemble-based adversarial defense. This defense uses contrastive learning to diversify the features learned by the neural networks in an ensemble directly from their feature maps. The goal is to make the networks use different features to classify images from similar classes. The results obtained from the experiments demonstrate that it is possible to diversify neural networks in an ensemble directly from their feature maps with the proposed method and that such diversification can have a positive effect on robustness. Furthermore, the results obtained for Error-Correcting Output Codes ensembles demonstrate that the use of fully independent networks can promote ensemble diversity and robustness against strong attacks. Finally, the observed results suggest that ensemble-based defenses are effective only against some attacks, but they can be combined effectively with adversarial training to achieve better robustness against strong attacks.

Ce projet de recherche propose une loi de commande robuste à temps discret pour le vol en formation de satellites sur une orbite excentrique avec le modèle de Lawden. La loi de commande robuste utilisée pour reconfigurer et maintenir la cohésion d'une formation artificielle de satellites est un asservissement H[indice inférieur [infini]] à échelonnement des gains. Le compensateur est à temps discret, avec une stabilité garantie par la [mu]-analyse et un temps d'échantillonnage réaliste.Ce compensateur est obtenu par une bonne sélection des fonctions de pondération qui minimise l'erreur en position relative avec un effort de commande similaire et par un algorithme de synthèse H[indice inférieur [infini]] qui impose une contrainte stricte sur le placement des pôles en boucle fermée du système. De plus, le compensateur à échelonnement des gains est formé d'une interpolation de type spline qui permet de conserver l'optimalité de la synthèse des lois de commandes.