Sylvie Daniel 31 janvier 2025 Doctorat

Un jumeau numérique de ville (JNV) est une représentation virtuelle des actifs physiques présents dans une ville, tout au long de leur cycle de vie respectif. Le développement rapide des systèmes LiDAR mobiles (MLS) permet d’obtenir des nuages de points 3D à grande échelle, précis et abordables à l’échelle d’une ville. Ces données offrent des mesures géométriques de haute qualité pour la modélisation 3D des villes mais c’est une source limitée d’information sémantique (ex. type/classe de l’objet numérisé). Par conséquent, la segmentation sémantique des nuages de points LiDAR figure parmi les tâches fondamentale de perception dans la perspective de créer des JNV.

Ces dernières années, le développement de réseaux neuronaux profonds (RNP) a permis d’obtenir de grands succès dans la segmentation sémantique des nuages de points 3D, tout en se concentrant sur la conception de réseaux entièrement supervisés pour les données densément annotées. Cependant, une telle annotation 3D massive par points prend du temps, demande beaucoup de travail et est sujette aux erreurs. Par conséquent, les efforts actuels portent sur le développement de méthodes efficaces pour créer davantage

d’étiquettes ou pour apprendre à partir d’une supervision réduite (c’est-à-dire peu d’annotations ou à partir de données simulées).

Les villes évoluent dans le temps et l’espace. La création de JNV implique donc des objets dynamiques en 4D. Elle devrait être abordée en mettant l’accent sur la mise à jour automatique, car une ville est en constante évolution. Étant donné que le LiDAR fournit un instantané de la ville à un moment donné, il est nécessaire de détecter et de comprendre les changements dans les nuages de points LiDAR acquis à différentes périodes. La détection de tels changements au niveau de la rue est souvent une tâche très complexe. Il faut s’attendre à une grande variété de formes et d’apparences d’objets, à de nombreux artefacts d’occlusion entre les différents objets et à un manque de recalage géospatial précis entre les nuages de points comparés. De plus, il y a un manque crucial d’études utilisant les RNP pour résoudre ce problème.

L’objectif principal de cette recherche est de concevoir une solution, basée sur l’apprentissage profond et adaptée aux nuages de points acquis en extérieur dans des environnements urbains de grande échelle, afin de répondre au besoin de création et de mise à jour des jumeaux numériques de villes. Cet objectif est structuré selon les trois objectifs spécifiques suivants : 1) développer des approches innovantes d’apprentissage profond moins dépendantes des données annotées et mieux à même d’exploiter des nuages de points LiDAR aux caractéristiques différentes; 2) proposer des solutions pour détecter et suivre les changements dans les nuages de points LIDAR acquis dans les environnements urbains; 3) concevoir de nouvelles approches capables d’apprendre les structures spatiales et dynamiques des environnements urbains afin de proposer des reconstructions 3D adéquates et cohérentes. La thèse de doctorat proposée se concentrera spécifiquement sur les objectifs spécifiques 1 et 2