Le 15 décembre dernier, Amine BOUSSIK a soutenu sa thèse de doctorat de l’Université Polytechnique Hauts-de-France intitulée « Apprentissage profond non-supervisé : Application à la détection des situations anormales dans l’environnement du train autonome ».
La thèse d’Amine Boussik aborde les défis du monitoring de l’environnement et de détection des anomalies, notamment des obstacles, pour un train de fret autonome. Bien que traditionnellement, les transports ferroviaires étaient sous la supervision humaine, les trains autonomes offrent des perspectives d’avantages en termes de coûts, de temps et de sécurité. Néanmoins, leur exploitation dans des environnements complexes pose d’importants enjeux de sûreté. Au lieu d’une approche supervisée nécessitant des données annotées onéreuses et limitées, cette recherche adopte une technique non supervisée, utilisant des données non étiquetées pour détecter les anomalies en s’appuyant sur des techniques capables d’identifier les comportements atypiques.
Deux modèles de surveillance environnementale sont présentés : le premier, basé sur un autoencodeur convolutionnel (CAE), est dédié à l’identification d’obstacles sur la voie principale ; le second, une version avancée incorporant le transformeur de vision (ViT), se concentre sur la surveillance générale de l’environnement. Tous deux exploitent des techniques d’apprentissage non supervisé pour la détection d’anomalies.
Les résultats montrent que la méthode mise en avant apporte des éléments pertinents pour le monitoring de l’environnement du train de fret autonome, ayant un potentiel pour renforcer sa fiabilité et sécurité. L’utilisation de techniques non supervisées démontre ainsi l’utilité et la pertinence de leur adoption dans un contexte d’application pour le train autonome.
Cette thèse s’est déroulée au sein de l’IRT RAILENIUM en partenariat avec le LAMIH et l’IEMN-DOAE de l’Université Polytechnique Hauts-de-France.
Nous félicitons chaleureusement Amine et lui souhaitons le meilleur pour la suite de sa carrière professionnelle.