OBJECTIFS DE LA THESE : - Unification des données : Concevoir une représentation tensorielle étendue capable d'englober simultanément les signaux continus et discrets, tout en préservant la configuration spatiale propre aux scénarios urbains. Cette structure doit notamment intégrer la complexité de l'infrastructure urbaine et la présence d'usagers vulnérables afin d'offrir un format d'entrée stable et complet et exploitable par les modèles d'intelligence artificielle. - Apprentissage frugal par Meta-Learning : Développer des méthodes d'apprentissage few shot issues du méta-learning pour permettre aux modèles de s'adapter efficacement à de nouveaux scénarios urbains peu représentés ou totalement inédits, malgré la rareté des annotations disponibles. L'objectif est de renforcer la généralisation des modèles dans des contextes urbains variés et imprévus. - Classification multilabel des manœuvres co-occurrantes : Concevoir un modèle de classification multilabel capable d'identifier simultanément plusieurs manœuvres co occurrentes dans une même séquence temporelle. Le modèle s'appuiera sur des mécanismes d'attention et un partitionnement spatio-temporel adapté pour capturer la complexité dynamique des interactions urbaines. - Augmentation par simulation et analyse en espace latent: Mettre en œuvre une boucle fermée « extraction → projection latente → analyse → simulation » : les scénarios détectés sont projetés dans l'espace latent d'un modèle génératif, où l'analyse des zones sous représentées permet d'identifier les lacunes du jeu de données. À partir de ces "trous" dans l'espace latent, les variables d'entrée pertinentes sont déduites pour générer de nouveaux scénarios via simulation réaliste. - Détection « one-stage » à faible latence : Remplacer le pipeline bi-étape actuel (fenêtrage + Non-Maximum Suppression) par une architecture légère, directe et efficace inspirée des paradigmes « one-stage » tels que YOLO, Faster R-CNN, CLIP, ALIGN ou Florence, adaptée aux séries temporelles longues. Cette nouvelle architecture devra permettre une détection rapide, précise et robuste des scénarios complexes en un seul passage. - Tokenisation des séries temporelles & backbones Transformer : Explorer une représentation tokenisée de séries temporelles, découpées en patchs temporels fusionnant les signaux continus et discrets, afin de tirer parti des architectures de type Transformer. Un pré entraînement auto-supervisé sur un corpus massif de scénarios VCS non annotés sera envisagé, suivi d'un transfert vers le domaine urbain via un apprentissage few-shot. - Quantification et maîtrise de l'incertitude : Intégrer des approches probabilistes, telles que les deep ensembles ou l'inférence variationnelle, pour estimer la confiance des prédictions. L'objectif est de fournir une évaluation fiable de l'incertitude, réduisant le taux de faux positifs et de faux négatifs, et apportant des garanties supplémentaires dans les processus de validation des systèmes AD/AD Profil : - Ingénieure ou titulaire d'un Master 2 en informatique, intelligence artificielle ou mathématiques appliquées. - Mots Clés : Scénarios de conduite - Données urbaines - Intelligence artificielle - Méta-learning - Classification multilabel - Simulation de données - Série temporelle - Tokenisation - Transformers - Incertitude - ADAS - Véhicule autonome - Apprentissage frugal - Représentation latente - One-stage detection