IA pour les Véhicules Autonomes

Titre : Adversarial examples and robustness certificates

Résumé : Recent progresses in machine learning in general and especially in deep learning make it possible to include this technology in more and more  applications ranging from self-driving cars to surveillance and security. However, before this possible future becomes reality, it is necessary to know how to prove the quality of the decisions made.
However, recent results have shown that this type of learned pattern is vulnerable to so-called adversarial attacks, implemented as subtle input disturbances. These disturbances are often too small to be noticeable, but they nevertheless manage to fool deep learning models.
We will begin  this presentation, by defining the notion of adversarial example and present the main methods to generate such examples. We will then formalize the notion of adverse attack as a constrained optimization problem of mixed integer program type (MIP), which will allow us to define the notion of associated robustness. We will finally review proposed defenses mechanisms, commonly accepted best practices and  methods  for evaluating defenses to adversarial examples. Finally,  we will offer a broader perspective on adversarial training, including dictionary approaches.

Titre : “Deep Sensing: Perception and Deep Learning for Autonomous Vehicles”
Résumé : Autonomous vehicles have been rising in popularity within a push for a global technologically aided future. In parallel with academics works, car manufacturers and digital giants such as Google with Waymo, are now engaged on smart mobility and intelligent transportation systems. In a near future, these autonomous vehicles will increasingly evolve in our close environments which are open, complex, and dynamic with strong interactions with humans. In addition, the convergence of massive databases, important embedded and distributed computing capabilities, and the new paradigms of artificial intelligence will give to autonomous vehicles, greater decisional autonomy, and increased reasoning capabilities.
A key component of such autonomous vehicles is the embedded perception system. The extraction of key properties such as geometric, semantic, and contextual information from multi-sensor data and their integration over time, allow the vehicles to build a digital representation of their close or extended environment through the exchange of information by wireless communications. This multimodal representation of the vehicle neighborhood serves as a basic knowledge to safely navigate in open, complex, and dynamic environments.
Therefore, motivated by the new paradigms of artificial intelligence such as Deep Neural Networks, and the emergence of new sensing capabilities such as 3D Lidars and neuromorphic cameras, this talk will present an overview of the latest breakthrough and challenges within the field of Deep Sensing for Autonomous Vehicles.

Titre : La fiabilité des réseaux de neurones pour les applications de conduite autonome

Résumé : La sureté de fonctionnement a toujours été primordiale dans les applications automobiles. Dans les systèmes critiques, les objectifs de fiabilité imposés par les normes ont souvent été atteints grâce à la redondance, une approche qui est coûteuse. Avec la conduite autonome, la puissance de calcul nécessaire croit de manière exponentielle et ces approches classiques ne passent pas à l’échelle. Dans cette présentation, nous commençons par un état de l’art de la tolérance aux fautes des réseaux de neurones, en nous focalisant sur les applications pour la conduite autonome. Nous voyons les approches utilisées dans l’industrie et nous abordons des pistes de recherche permettant de fournir du matériel performant et fiable.

Titre: Un état de l’art de l’accélération matérielle des réseaux de neurones

Résumé : Les calculs effectués pour réaliser l’inférence avec les réseaux de  neurones profonds vont de centaines de MFLOPs à des dizaines de G-FLOPs, et  nécessitent un accès à un nombre de paramètres qui va du million à plus d’une  centaine de millions. Dans ces conditions, les CPUs classiques ont montré leur  limites, et des architectures matérielles programmables avec un haut niveau de  parallélisme (type GPU) sont donc massivement utilisées.
La surface de silicium et la consommation énergétique de ces solutions est  cependant très élevée, et de nombreux travaux tentent de trouver des solutions  plus économes, en jouant sur de multiples facteurs.
La présentation portera sur les approches qui sont actuellement poursuivies  pour améliorer performances temporelles et consommation tout en tentant de  minimiser la perte de précision.