thèses en ligne de ParisTech
Not a member yet
9369 research outputs found
Sort by
méthodes par apprentissage profond pour la tomographie 3 D par rayons x en vues éparses
No full textX-ray computed tomography (CT) involves the reconstruction of the 3D image of an object from a set of measurements called radiographs. It is an essential imaging technique in the medical field, as well as the non-destructive testing of industrial components. In these two applications, there is a common need to produce reliable and high-quality images using a minimal number of radiographs. Reducing the number of measurements is done to limit the patient's dose or reduce the acquisition time, making it compatible with online production control. Unfortunately, reducing the number of projections leads to the appearance of artifacts in the reconstructed image, significantly affecting its quality.Recently, deep learning has received considerable attention for its ability to address a wide range of high-dimensional problems by leveraging pairwise information in a collection of data. This thesis focuses on building a family of techniques and tools to tackle the problem of sparse-view 3D X-ray CT using deep learning methods. The work in this manuscript can be divided into three main directions.In the first part, we focus on describing the current state of the art in deep learning methods for sparse-view CT and linear imaging inverse problems in general. We provide a comprehensive review of the literature, highlighting the main challenges and the most promising approaches. This first part allows us to identify gaps in the current literature and propose new research directions.The second part of this thesis is dedicated to developing new deep-learning methods for sparse-view CT. We tackle this problem with two main approaches. In the first work, we propose a memory-efficient procedure to reconstruct 3D images from a minimal number of projections. We combine the Neural Field framework with learned Regularization by Denoising to develop a new method that is efficient and demonstrates state-of-the-art performance. In a second work, we try to bridge the performance gap between Plug-and-Play (PnP) methods and unrolled optimization methods. We design a new training strategy to build restoration priors tailored for the sparse-view CT reconstruction problem. Along with this new training strategy, we also develop a simple relaxation scheme that allows using a large class of networks to build stable updates for the PnP framework.In the last part, we focus on evaluating the quality of a reconstructed image. We show that standard distortion metrics are insufficient to decide if an image's quality is acceptable for a given application. Consequently, ranking and pushing new algorithms based on these metrics might favor methods that are not necessarily the best for downstream tasks based on computational imaging. We propose to use the observer framework to build a procedure that correctly evaluates and ranks reconstruction methods based on their performance for a given task. We present first results suggesting that this new framework might be more robust and reliable than standard distortion metrics. Further investigations are needed to test the observer framework on a larger class of reconstruction methods.La tomographie par rayons X, aussi appelée tomodensitométrie, consiste à reconstruire le volume 3D d'un objet à partir d'un ensemble de mesures appelées radiographies. C'est une technique d'imagerie essentielle dans le domaine médical, ainsi que dans le contrôle non destructif de composants industriels. Pour ces deux applications, on cherche à produire des images fiables et de haute qualité en utilisant un nombre minimal de radiographies. La réduction du nombre de mesures a pour but de limiter la dose de rayons ionisants reçue par le patient ou réduire le temps d'acquisition, le rendant compatible avec le contrôle de production en ligne. Malheureusement, la réduction du nombre de projections entraîne l'apparition d'artefacts dans l'image reconstruite, affectant considérablement sa qualité.Récemment, l'apprentissage profond a reçu une attention considérable pour sa capacité à traiter une grande quantité de données et résoudre une large gamme de problèmes en haute dimension. Cette thèse se concentre sur le développement de techniques et d'outils pour traiter le problème de tomographie 3D par rayons X. Plus particulièrement, ce travail se concentre sur l'utilisation de méthode d'apprentissage profond pour la reconstruction en vues éparses. Le travail dans ce manuscrit peut être divisé en trois directions principales.Dans la première partie, nous nous concentrons sur la description de l'état de l'art en méthodes d'apprentissage appliquées à la tomographie en vues éparses, et plus généralement aux problèmes inverses linéaires en imagerie. Nous fournissons une revue complète de la littérature, soulignant les principaux défis et les approches les plus prometteuses. Cette première partie nous permet d'identifier les lacunes dans la littérature actuelle et de proposer de nouvelles directions de recherche.La deuxième partie de cette thèse est consacrée au développement de nouvelles méthodes d'apprentissage profond pour la tomodensitométrie en vues éparses. Nous abordons ce problème avec deux approches principales. Dans un premier travail, nous proposons une méthode économe en mémoire pour reconstruire des images 3D à partir d'un nombre minimal de projections. Nous combinons les méthodes par champs de neurones avec de la régularisation par débruitage apprise pour développer une nouvelle méthode efficace et légère. Dans un second travail, nous essayons de combler l'écart de performance entre les méthodes Plug-and-Play (PnP) et les méthodes d'optimisation déroulées. Nous développons une nouvelle stratégie d'apprentissage pour construire des réseaux de restauration adaptées au problème de reconstruction tomographiques en vues éparses. Parallèlement à cette nouvelle stratégie d'apprentissage, nous développons également un schéma de relaxation simple qui permet d'utiliser une classe plus large de réseaux pour construire des mises à jour stables dans le cadre d'itérations PnP.Dans la dernière partie, nous nous concentrons sur l'évaluation de la qualité des images reconstruites. Nous montrons que les métriques standards de distorsion sont insuffisantes pour décider si la qualité d'une image est acceptable pour une application donnée. En conséquence, classer et promouvoir de nouveaux algorithmes basés sur ces métriques pourraient favoriser des méthodes qui ne sont pas nécessairement adaptées pour des tâches en aval utilisant des techniques d'imagerie physique. Nous proposons d'utiliser l'évaluation par observateur pour construire une procédure qui évalue et classe correctement les méthodes de reconstruction en fonction de leurs performances pour une tâche donnée. Nous présentons des premiers résultats suggérant que cette nouvelle méthode d'évaluation pourrait être plus robuste et fiable que les métriques standards de distorsion. Des travaux supplémentaires sont nécessaires pour tester cette approche sur une classe plus large de méthodes de reconstruction
Caractérisation et simulation de la croissance de grains en 3D d'un superalliage base nickel polycristallin
No full textThis PhD thesis focuses on the development and application of advanced 3D characterization and simulation techniques for Inconel 718, a nickel-based superalloy used in aircraft engines. Two metallurgical states are studied: an equiaxed microstructure and an additively manufactured microstructure after thermal treatment. A dual-beam PFIB-SEM is used to develop and optimize serial-sectioning protocols for the equiaxed state, while mechanical polishing coupled with EBSD is employed for the additively manufactured state. The acquired EBSD maps are processed for 3D reconstruction, and guidelines for this workflow are outlined. Reconstructed microstructures are integrated into a finite element framework to study the effects of meshing strategies on grain boundary topology, emphasizing voxelization limitations. Isotropic and heterogeneous grain growth simulations are conducted using different grain boundary properties models, even incorporating twin boundaries. Finally, 2D and 3D simulations are compared, analyzing differences in grain growth topology and grain size distribution evolutions.Cette thèse de doctorat se concentre sur le développement et l'application de techniques avancées de caractérisation et de simulation 3D pour l'Inconel 718, un superalliage base nickel utilisé dans les turboréacteurs. Deux états métallurgiques sont étudiés : une microstructure équiax et une microstructure fabriquée de manière additive après traitement thermique. Un microscope PFIB-SEM à double faisceau est utilisé pour développer et optimiser les protocoles de coupes en série pour l'état équiaxe, tandis que le polissage mécanique couplé à l'EBSD est employé pour l'état fabriqué de manière additive. Les cartes EBSD obtenues sont traitées pour une reconstruction 3D, et des méthodes pour cette transition sont détaillées. Les microstructures reconstruites sont intégrées dans des simulations éléments finis afin d'étudier les effets des stratégies de maillage sur la topologie des joints de grains, en mettant l'accent sur les limitations de la voxelisation. Des simulations en croissance de grains isotropes et hétérogènes sont réalisées en utilisant différents modèles de propriétés des joints de grains, incluant même les joints de macles. Enfin, des simulations 2D et 3D sont comparées, en analysant les différences de topologie de croissance des grains et l'évolution de la distribution de la taille des grains
Gestion prévisionnelle optimisée sous incertitudes jointes
No full textThe expansion of renewable energy sources (RES) leads to the growth of uncertainty in the power distribution network operation. The inherent variability and intermittency of RES present significant challenges to the efficient and reliable operation of power systems. To address these challenges, operational planning performed by distribution system operators should evolve, in particular, to allow the efficient utilization of different flexibility levers, such as active power modulation and reactive power management. Decisions on lever activation are based on the resolution of an alternating current optimal power flow problem (AC-OPF). This thesis develops algorithms for handling two stochastic AC-OPF models. These optimization problems are simultaneously nonconvex, nonsmooth, and discrete. The thesis aims to grasp these complexities accurately, by addressing the AC power flow equations without relying on convexification and by handling interdependent uncertainties either through a joint probability constraint or via scenario decomposition to cope with the discrete levers.More specifically, the first proposed methodology addresses a continuous version of the joint chance-constrained AC-OPF. A first contribution of this work is the design of a numerical procedure (oracle) that enables the representation of the probability constraint as a difference of two convex functions. This step is followed by applying a known Difference-of-Convex (DoC) bundle method to the resulting continuous optimization problem. A second contribution concerns a new bundle algorithm with stronger convergence guarantees under weaker assumptions. For the chance-constrained AC-OPF, this algorithm provides a critical (generalized KKT) point. The work builds upon the employed DoC bundle and proposes a different master program and an original rule to update proximal parameter. The algorithm is capable of handling a broad class of nonsmooth and nonconvex optimization problems beyond the stochastic AC-OPF framework, provided the objective and constraint functions can be represented as differences of convex and weakly convex (CwC) functions. The practical performance of the algorithm is illustrated through numerical experiments on some nonconvex stochastic problems and is compared to the DoC bundle method for the chance-constrained AC-OPF in a 33-bus distribution network.The second proposed methodology addresses operational planning rules for power modulation and curtailment, like priority and fairness, which result in logical and discrete formulations. The numerical results demonstrate the limitations of the bundle method for integrating integer variables. As an alternative, an optimization model is proposed that assigns a binary variable to each scenario and maximizes the number of satisfied scenarios within a limited budget. Applying penalization and block coordination allows separating those discrete considerations from the stochastic AC-OPF component, which is then decomposed into an individual deterministic AC-OPF for each scenario. Although it lacks theoretical convergence guarantees, the relevance of this approach is validated in practice.L'expansion des sources d'énergie renouvelable accroît le degré d'incertitude dans l'exploitation des réseaux de distribution d'électricité. La variabilité et l'intermittence inhérentes à ces énergies posent aussi d'importants défis aux gestionnaires de réseaux au niveau opérationnel. La gestion prévisionnelle doit ainsi évoluer pour intégrer des leviers de flexibilité, telles la modulation de puissance active et la gestion de puissance réactive. La décision relative à l'activation de ces leviers se traduit par un problème d'Optimal Power Flow. Cette thèse développe des algorithmes de résolution pour deux modèles stochastiques en courant alternatif (AC-OPF). Ces problèmes d'optimisation sont, à la fois, non-convexes, non-lisses et discrets. Cette thèse vise à appréhender ces complexités, sans recourir à la convexification des équations de flux de puissance,et en considérant l'interdépendance des incertitudes, via une contrainte probabiliste jointe ou une décomposition par scénarios dans le cas de leviers discrets.Précisément, la première méthodologie proposée s'applique à une version continue de l'AC-OPF sous contrainte probabiliste jointe. Une contribution de ce travail porte sur la conception d'une procédure numérique (oracle) traitant la contrainte probabiliste comme la différence de deux fonctions convexes. L'oracle est alors associé à une méthode de faisceaux pour les problèmes DoC (différence de convexes). Une seconde contribution porte sur le développement d'un nouvel algorithme de faisceaux offrant des garanties de convergence plus fortes sous des hypothèses plus faibles. Il produit ainsi un point critique (satisfaisant des conditions KKT généralisées) de l'AC-OPF probabiliste. Basé sur la méthode DoC précédente, cet algorithme exploite un programme maître différent, ainsi qu'une règle originale de mise à jour du paramètre proximal. Il s'applique à la classe générale des problèmes d'optimisation non-convexes et non-lisses dont objectif et contraintes sont modélisables comme différence de fonctions convexes et faiblement convexes (CwC). L'évaluation empirique de l'algorithme est menée sur différents problèmes non-convexes et stochastiques. Ses performances pratiques sont comparées à celles de la méthode DoC sur un cas d'étude de l'AC-OPF probabiliste dans un réseau de distribution à 33 nœuds.La seconde méthodologie proposée considère des règles discrètes en gestion prévisionnelle, telles que des règles de priorité et d'équité pour la modulation de puissance.L'expérimentation montre les limites de la méthode des faisceaux pour intégrer des variables entières. Comme alternative, il est proposé un modèle d'optimisation attachant une variable binaire par scénario, et maximisant le nombre de scénarios réalisés dans un budget limité. La dualisation des contraintes couplantes et la coordination par blocs permettent de séparer les règles discrètes de l'AC-OPF stochastique, qui se décompose, à son tour, en AC-OPF déterministes individuels par scénario. Si la convergence théorique n'est plus garantie par cette séparation, la pertinence pratique de l'approche est illustrée numériquement
Estimation de la couverture du scan 3D basée sur l’apprentissage automatique pour les applications de contrôle intelligent
No full textThis thesis aims to propose a methodology to predict a priori quality of scans with given configurations in order to optimize the viewpoints planning. This thesis has first explored the quality metrics and found that some metrics, specifically the coverage that indicates the area of the surface would be acquired within a physical acquisition, can be used to optimise the scan configurations. Then, a novel machine-learning-based approach, 3DSCP-Net, has been proposed to predict a priori coverage. Following, a new pipeline using the coverage prediction has been proposed to generate as-scan point cloud. In the end, the resolution of the View Planning Problem using coverage prediction and overlapping control has been formulated to solve the objective of the thesis, i.e. identifying the optimal set of viewpoints so as to obtain high-quality acquisitions. Experiments have validated that the proposed methodologies can achieve the objectives. This work not only provides a robust framework for quality estimation in 3D scanning but also explores the applications of the quality estimation tool. This research contributes to the broader goal of integrating artificial intelligence into the optimization of 3D acquisition workflows, supporting advancements in Industry 4.0 and digital twin technologies.Cette thèse vise à proposer une méthodologie pour prédire a priori la qualité des scans avec des configurations données, afin d'optimiser la planification des points de vue. Elle a d'abord exploré les métriques de qualité et a trouvé que certaines métriques, en particulier la couverture, qui indique la zone de la surface qui serait acquise lors d'une acquisition physique, peuvent être utilisées pour optimiser les configurations de scan. Ensuite, une nouvelle approche basée sur l'apprentissage automatique, 3DSCP-Net, a été proposée pour prédire la couverture a priori. Enfin, un nouveau pipeline utilisant la prédiction de la couverture a été proposé pour générer des nuages de points tels que scannés. Enfin, une résolution du View Planning Problem utilisant la prédiction de couverture et le contrôle du chevauchement a été formulée pour résoudre l'objectif de la thèse, à savoir l'identification de l'ensemble optimal de points de vue afin d'obtenir des acquisitions de haute qualité. Ce travail fournit non seulement un cadre robuste pour l'estimation de la qualité dans la numérisation 3D, mais explore également les applications de l'outil d'estimation de la qualité
Contrôle optimal en temps réel des flux de puissance dans les micro-réseaux électriques : formalisation sous forme de processus décisionnel markovien et résolution par méthodes à gradient de politique
No full textIn the context of the energy sector decarbonization and the need for flexibility in the European power grid, microgrids have emerged as an innovative solution for integrating intermittent renewable energy resources and addressing new consumption modes. However, real-time power flow control in these systems, formalized in the literature as a stochastic sequential decision problem, suffers from the lack of a unified modeling framework. This thesis proposes a Markov Decision Process (MDP) based formalization framework. A clear distinction is made between technological (or unfeasibility-related) constraints and constraints describing the undesirability of certain actions, thereby improving the interpretability of the results. The impact of the reward function configuration is studied for the infinite-horizon MDP formalization. The optimal policy obtained through this framework is compared, in terms of performance, to that derived from the finite-horizon MDP formalization. A constrained finite-horizon MDP is also formalized, where the constraint is not technological. Finally, several policy gradient methods are implemented and evaluated in terms of convergence speed, performance, and reliability.Dans le cadre de la décarbonation du secteur énergétique et du besoin de flexibilité du réseau électrique européen, les micro-réseaux électriques se distinguent comme une solution innovante pour intégrer des ressources énergétiques renouvelables intermittentes et répondre à de nouveaux modes de consommation. Toutefois, le contrôle en temps-réel des flux de puissance dans ces systèmes, formalisé comme un problème de décision séquentielle stochastique dans la littérature, souffre d’un manque de cadre de modélisation unifié. Cette thèse propose une formalisation basée sur les processus décisionnels markoviens (MDPs) comme cadre de modélisation. Une distinction claire est faite entre les contraintes technologiques ou contraintes de faisabilité et les contraintes décrivant la non-souhaitabilité de certaines actions, permettant ainsi une meilleure interprétabilité des résultats. L'impact de la configuration de la fonction de récompense est étudié pour la formalisation sous MDP à horizon infini et la politique optimale obtenue à travers celle-ci est comparée, en termes de performance, à celle obtenue à travers la formalisation sous MDP à horizon fini. Un MDP à horizon fini contraint est formalisé ; la contrainte n'étant pas technologique. Enfin, plusieurs méthodes de résolution à gradient de politique sont implémentées et évaluées en termes de vitesse de convergence, de performance et de fiabilité
Mise en œuvre des techniques de traitement du langage naturel pour l'extraction et la formalisation automatique d'exigences dans le domaine de la construction
No full textIn the construction sector, managing technical requirements often relies on unstructured documents, such as the Cahier des Clauses Techniques Particulières (CCTP), a contractual document specifying the requirements that buildings must adhere to. However, manually extracting information from these documents is a lengthy and error-prone process, complicating their integration into automated compliance verification systems. The emergence of GPT-3 in early 2023 marked a turning point in Natural Language Processing (NLP), introducing advanced capabilities in information extraction and text comprehension, challenging traditional methods and the initial expectations of this thesis. The power of GPT-3 and its successor, GPT-4, revealed simpler and more accessible extraction solutions, no longer requiring the same level of technical expertise in NLP as before.In response to these advances, this thesis developed a methodological framework to automate the extraction of technical requirements and evaluate the effectiveness of GPT-4 and other models compared to more traditional methods through a benchmarking process. The methodology includes creating an annotated database of CCTPs for model training and validation, followed by Named Entity Recognition (NER) and Relation Extraction (RE) techniques to identify and link relevant technical entities. Advanced models such as CamemBERT and GPT-4 were adapted to the construction domain through transfer learning and prompt engineering, while more traditional Machine Learning methods, such as the Random Forest (RF) model, were also tested for RE tasks.The results show that after fine-tuning, CamemBERT achieved F1-scores above 96% for NER, while the RF model reached an F1-score of 83% for RE, outperforming GPT-4, which scored 74%. Although GPT-4, using few-shot learning, did not surpass fine-tuned models, its performance remains promising, particularly in achieving competitive results with few examples, opening new perspectives.The extracted entities and relationships are structured for direct integration into compliance verification systems, especially for Building Information Modeling (BIM), allowing for the automatic verification of requirements extracted from CCTPs against digital models. This system ensures more efficient and consistent requirements management, reducing the manual interventions needed to maintain alignment between BIM models and contractual documents.These results open avenues for improving the proposed framework. In particular, creating an extraction system based on a Retrieval-Augmented Generation (RAG) approach could leverage the capabilities of Large Language Models (LLMs), such as GPT, to further improve performance even with limited annotated data. Additionally, the developed framework provides a solution for handling unstructured documents by transforming textual requirements into machine-readable information, facilitating a transition toward Model-Based Requirements Engineering (MBRE). This approach supports smoother collaboration between stakeholders throughout the project lifecycle, enhancing the traceability and consistency of requirements.Dans le domaine de la construction, la gestion des exigences techniques repose souvent sur des documents non structurés, tels que le Cahier des Clauses Techniques Particulières (CCTP), un document contractuel qui spécifie les exigences auxquelles les bâtiments doivent se conformer. Cependant, l’extraction manuelle de ces informations reste un processus long et sujet aux erreurs, rendant difficile leur intégration dans des systèmes automatisés de vérification de conformité. L’émergence de GPT-3 au début de 2023 a marqué un tournant dans le domaine du Traitement Automatique du Langage Naturel (TALN), en introduisant des capacités avancées d’extraction d’information et de compréhension de texte, remettant ainsi en question les méthodes traditionnelles et les attentes de cette thèse. La puissance de GPT-3 et de son successeur GPT-4 a révélé des solutions d'extraction plus simples et plus accessibles, ne nécessitant plus les mêmes compétences techniques en TALN qu’auparavant.En réponse à ces avancées, cette thèse a développé un cadre méthodologique pour automatiser l'extraction des exigences techniques et évaluer l’efficacité de GPT-4 et d’autres modèles par rapport aux méthodes plus classiques, à travers un processus de benchmarking. La méthodologie comprend la création d’une base de données annotée de CCTPs pour l’entraînement et la validation des modèles, suivie de techniques de Named Entity Recognition (NER) et de Relation Extraction (RE) pour identifier et relier les entités techniques. Des modèles avancés tels que CamemBERT et GPT-4 ont été adaptés au domaine de la construction via l’apprentissage par transfert et le Prompt Engineering, tandis que des méthodes de Machine Learning plus classiques, comme le modèle Random Forest (RF), ont également été testées pour la tâche de RE.Les résultats montrent qu’après un fine-tuning, CamemBERT a atteint des F1-scores supérieurs à 96 % pour la NER, tandis que le modèle RF a obtenu un F1-score de 83 % pour la RE, surpassant GPT-4, qui a obtenu un score de 74 %. Bien que GPT-4, en utilisant le Few-shot Learning, n’ait pas surpassé les modèles fine-tunés, ses performances restent intéressantes, en particulier sa capacité à atteindre des résultats compétitifs avec peu d’exemples, ce qui ouvre de nouvelles perspectives.Les entités et relations extraites sont structurées pour une intégration directe dans des systèmes de vérification de conformité, notamment pour le Building Information Modeling (BIM), permettant de vérifier automatiquement les exigences extraites des CCTPs par rapport aux modèles numériques. Ce système assure une gestion des exigences plus efficace et cohérente, réduisant ainsi les interventions manuelles nécessaires pour maintenir la conformité entre le BIM et les documents contractuels.Ces résultats ouvrent des pistes d’amélioration pour le cadre proposé. En particulier, la création d’un système d’extraction basé sur une approche Retrieval-Augmented Generation (RAG) pourrait exploiter les capacités des Large Language Models (LLMs), comme GPT, pour améliorer encore les performances, même avec des données annotées limitées. Le cadre développé offre également une solution pour traiter les documents non structurés en transformant les exigences textuelles en informations exploitables par machine, facilitant ainsi une transition vers une ingénierie des exigences basée sur des modèles (Model-Based Requirements Engineering - MBRE). Cette approche soutient une collaboration plus fluide entre les parties prenantes tout au long du cycle de vie des projets de construction, renforçant la traçabilité et la cohérence des exigences
Généralisation de domaine et détection 3D d'objets inconnus à partir de données LiDAR
No full textThe development of robust perception systems is fundamental for the safe and efficient operation of autonomous vehicles. These systems perform essential tasks such as 3D object detection, enabling vehicles to identify and localize obstacles, including other vehicles, pedestrians, and various objects within their environment. Accurate detection is critical for effective decision-making and navigation through complex driving scenarios. However, 3D object detection presents significant challenges due to the diverse nature of real-world conditions, which encompass a broad range of sensor setups, geographic environments, and scene complexities. Firstly, this thesis work identifies and addresses the domain shifts that occur between different LiDAR datasets due to variations in sensor specifications, geographic environments, and dataset-specific attributes. These shifts often lead to significant performance gaps when models are transferred between datasets. To mitigate these issues, a multi-dataset training framework called MDT3D is introduced. MDT3D integrates data from various sources and employs novel augmentation and label harmonization techniques to create models that can generalize effectively across different conditions. Secondly, the thesis presents ParisLuco3D, a dataset captured in urban areas around the Luxembourg Garden in Paris, designed to test model robustness in complex real-world scenarios. This provides a dedicated dataset to test model generalization, which we benchmark to highlight the poor performance of baseline generalization methods. Lastly, the last axis of generalization explored is generalizing detection to novel unknown objects. We reframe the detection of unknown objects as an out-of-distribution (OOD) problem, allowing models to differentiate between known and previously unseen objects without compromising accuracy on familiar categories.Le développement de systèmes de perception robustes est fondamental pour assurer le fonctionnement sûr et efficace des véhicules autonomes. Ces systèmes accomplissent des tâches essentielles telles que la détection d'objets en 3D, permettant aux véhicules d'identifier et de localiser des obstacles, notamment d'autres véhicules, des piétons et divers objets présents dans leur environnement. Une détection précise est cruciale pour une prise de décision efficace et une navigation sûre dans des scénarios de conduite complexes. Cependant, la détection d'objets en 3D pose des défis importants en raison de la diversité des conditions du monde réel, qui incluent une grande variété de configurations de capteurs, d'environnements géographiques et de complexités de scènes. Premièrement, ce travail de thèse identifie et aborde les différences de domaine (domain shifts) qui surviennent entre différents jeux de données LiDAR en raison de variations dans les spécifications des capteurs, les environnements géographiques et les attributs propres à chaque jeu de données. Ces différences entraînent souvent des écarts de performance importants lors du transfert de modèles entre jeux de données. Pour pallier ces problèmes, un cadre d'entraînement multi-dataset, nommé MDT3D, est introduit. MDT3D intègre des données provenant de diverses sources et applique des techniques novatrices d'augmentation et d'harmonisation des étiquettes, permettant de créer des modèles capables de se généraliser efficacement dans des conditions variées. Deuxièmement, la thèse présente ParisLuco3D, un jeu de données capturé dans les zones urbaines autour du Jardin du Luxembourg à Paris, conçu pour tester la robustesse des modèles dans des scénarios complexes du monde réel. Ce jeu de données offre une plateforme dédiée pour évaluer la généralisation des modèles, avec des benchmarks soulignant les performances limitées des méthodes classiques de généralisation. Enfin, le dernier axe de généralisation exploré concerne la détection d'objets inconnus. Nous reformulons la détection d'objets inconnus comme un problème hors distribution (Out-Of Distribution, OOD), permettant aux modèles de différencier les objets connus des objets inédits sans compromettre la précision sur les catégories connues
Génération automatique d'assemblage CAO basée sur des méthodes d'apprentissage machine
No full textAutomation in Computer-Aided Design (CAD) is a complex task due to the intricate engineering constraints involved during the design process. This thesis focuses on the automatic generation of mechanical part assemblies. This automatic generation can be used for design assistance, expanding mechanical assembly databases, or reusing CAD models. The proposed method is divided into three parts. The first part involves the creation of a pipeline based on rules, which enables the generation of new mechanical assemblies from existing ones. The second part focuses on the automatic assembly of parts from existing assemblies, based on a machine learning model. A predictive interface model for dumb B-Rep models is developed to address the limitation concerning the origin of the parts in previous works. This final piece of work ultimately allows for the generation of mechanical assemblies from a set of arbitrary B-Rep models. The generated assemblies were compared both qualitatively and quantitatively with those produced by existing methods in the literature. This work is the first to enable the assembly of multiple B-Rep models simultaneously and offers a first approach to addressing the broader challenge of automatic assembly.L’automatisation en Conception Assistée par Ordinateur (CAO) est une tâche complexe à cause des contraintes complexes d’ingénierie mises en œuvre durant le processus de conception. Ces travaux de thèse s’intéressent à la génération automatique d’assemblages de pièces mécaniques. Cette génération automatique peut être utilisée pour de l’aide à la conception ou de l’expansion de base de données d'assemblages mécaniques, ou de la réutilisation de modèles CAO. La méthode proposée est découpée en 3 parties. La première est la création d’un pipeline basé sur des règles métiers qui permet générer de nouveaux assemblages mécaniques à partir d’assemblages existants. La deuxième partie est l’assemblage automatique de pièces provenant d’assemblages, basé sur un modèle d’apprentissage machine. Un modèle de prédiction d'interface sur des modèles B-Rep quelconques sera enfin développé pour lever la limitation concernant la provenance des pièces lors des précédents travaux. Cette dernère brique de travail permet finalement de générer des assemblages mécaniques à partir d’un ensemble de modèles B-Rep quelconques. Les assemblages générés ont été comparés qualitativement et quantitativement aux assemblages générés par les méthodes présentes dans la littérature. Ce travail est le premier permettant d’assembler plusieurs modèles B-rep en même temps, et propose une première approche pour répondre à cette large problématique d’assemblage automatique
Aide à la décision dès la phase Esquisse : un processus génératif multi-LOD intégrant une optimisation multi-objectifs de la durabilité des bâtiments
No full textReducing the environmental impact of human activities is a critical global priority. In this context, the Architecture, Engineering, and Construction (AEC) sector plays a central role due to its significant contribution to greenhouse gas (GHG) emissions. This reality calls for a profound transformation in design practices, where optimizing building sustainability—often involving conflicting objectives—must be addressed from the earliest design phases. At this stage, the room for maneuver is greatest, and decisions have the most substantial impact.This thesis proposes an integrated generative process for sustainable building design. Its first contribution lies in the development of a parametric and volumetric model called the Functional Macro-Voxel (MVF). This model, tailored to meet the requirements of project owners, combines spatial planning and topological optimization based on architectural best practices. It provides granularity adapted to the sketch phase and facilitates sustainability assessment from the earliest stages. The second contribution extends this model through a multi-scale decomposition of construction solutions, adjusting the level of detail to specific evaluation criteria. This model, coupled with two databases (INIES for environmental data and a proprietary database for construction costs), enables iterative evaluation of solutions, leading to a bi-objective optimization process based on the Pareto front.This innovative approach places designers at the center of a multi-criteria decision support process. However, some limitations remain, particularly in terms of the model's representativeness for specific constraints or handling uncertainties in the exploration of alternatives. Future prospects include improving the modeling process (e.g., using prismatic units) and optimization algorithms, as well as integrating a collaborative macro-process. Finally, this methodology could be applied to larger scales, such as urban blocks.La réduction de l’impact environnemental des activités humaines est une priorité mondiale essentielle. À ce titre, le secteur de l’AEC occupe une position centrale compte-tenu de sa contribution prépondérante aux émissions de GES. Cette réalité impose une transformation profonde des pratiques de conception, où l’optimisation de la durabilité des bâtiments, impliquant souvent des objectifs contradictoires, doit être abordée dès les phases initiales de conception. En effet, c’est à ce stade que les marges de manœuvre sont maximales et que les décisions ont le plus d’impact. Ce mémoire propose un processus génératif intégré pour la conception durable des bâtiments. Sa première contribution réside dans le développement d’un modèle paramétrique et volumétrique appelé Macro-Voxel Fonctionnel (MVF). Ce modèle, conçu pour répondre aux besoins de la maîtrise d’ouvrage, associe planification spatiale et optimisation topologique en s’appuyant sur les bonnes pratiques architecturales. Il offre une granularité adaptée à la phase d’esquisse et facilite l’évaluation de la durabilité dès les premiers stades. La deuxième contribution étend ce modèle par une décomposition multi-échelle des solutions constructives, ajustant le niveau de détail selon les critères d’évaluation. Ce modèle couplé à deux bases de données (INIES pour les données environnementales et une base propriétaire pour les coûts constructifs) permet une évaluation itérative des solutions, conduisant à une optimisation bi-objectifs basée sur le front de Pareto.Cette approche novatrice place les concepteurs au cœur d’un processus d’aide à la décision multicritère. Toutefois, des limitations subsistent, notamment en termes de représentativité du modèle face à certaines contraintes ou de gestion des incertitudes dans l’exploration des alternatives. Les perspectives incluent l’amélioration de la modélisation (par des unités prismatiques) et des algorithmes d’optimisation, ainsi que l’intégration d’un macro-processus collaboratif. Enfin, cette méthodologie pourrait s’appliquer à des échelles plus larges, comme les îlots urbains
Capteur inertiel compact à atomes froids piégés sur puce
No full textThe work presented in this manuscript focuses on the development of an inertial sensor based on cold atoms trapped on an atom chip for inertial navigation. Based on the principles of atom interferometry, these devices exploit the quantum properties of cold atoms to accurately measure accelerations and rotations. The experimental complexity and bulk of these laboratory experiments pose major obstacles for some embedded applications. In the late 1990s, the possibility of trapping and manipulating atoms on atom chips was demonstrated, enabling a significant reduction in the size of cold atom sensors as well as their power consumption. This thesis is part of an effort to miniaturize and optimize quantum sensors, aiming to demonstrate the feasibility of a compact architecture.Our inertial sensor is based on a Ramsey sequence with a spatial splitting of internal states, making the interferometer sensitive to accelerations. In particular, we demonstrate a noise level of 3 mg at one shot on the acceleration measurement, and an in-depth study of the accelerometer's noise budget is also being conducted.In addition to reducing the size of the sensor itself with an atom chip, work is being done on miniaturizing the optical system required to prepare the laser beams for the experiment. In collaboration with Exail, we have designed a miniature optical bench with a volume of 4.4 L for cooling atoms in a 3D magneto-optical trap and promises to further reduce the size of cold atom sensors for embedded applications.Le travail présenté dans ce manuscrit porte sur le développement d'un capteur inertiel basé sur des atomes froids piégés sur une puce atomique pour la navigation inertielle. Basés sur les principes de l'interférométrie atomique, ces dispositifs exploitent les propriétés quantiques des atomes froids pour mesurer avec précision les accélérations et les rotations. La complexité expérimentale et l'encombrement de ces expériences de laboratoire constituent des obstacles majeurs pour certaines applications embarquées. A la fin des années 1990, il a été démontré la possibilité de piéger et manipuler des atomes sur des puces atomiques, rendant possible une réduction significative de la taille des capteurs à atomes froids ainsi que de leur consommation énergétique. Ces travaux de thèse s'inscrivent dans un effort de miniaturisation et d'optimisation des capteurs quantiques, visant à démontrer la faisabilité d'une architecture compacte.Notre capteur inertiel est basé sur une séquence de Ramsey avec une séparation spatiale des états internes, rendant l'interféromètre sensible aux accélérations.Nous démontrons en particulier un bruit sur la mesure d'accélération de 3 mg par coup et une étude approfondie du budget de bruit de l'accéléromètre est également réalisée.En plus de la réduction de la taille du capteur lui-même avec une puce atomique, un travail est effectué sur la miniaturisation du système optique nécessaire à la préparation des faisceaux laser de l'expérience. En collaboration avec Exail, nous avons conçu un banc optique miniature d'un volume de 4,4 L permettant de refroidir les atomes dans un piège magnéto-optique 3D et promet de réduire davantage la taille des capteurs à atomes froids pour des applications embarquées