Le 15 décembre dernier, Olivier LAURENDIN a soutenu sa thèse de doctorat de l’Université de Lille intitulée « Identification de situations de mise en danger d’usagers aux alentours de portes automatiques de train par détection d’anomalie auto-supervisée ».
Le travail de recherche d’Oliver Laurendin, s’inscrit dans le cadre d’un projet d’autonomisation des trains de voyageurs et tout particulièrement ceux circulant sur les lignes régionales françaises. À terme, ce prototype de train autonome vise le degré d’automatisation ferroviaire maximal, pour lequel toutes les fonctions des agents à bord du train sont remplacées par des systèmes techniques pour assurer les fonctions d’opération du train. La fermeture en sécurité des portes du train représente une de ces fonctions.
De nombreuses situations de mise en danger d’usagers ont été répertoriées lors de la fermeture des portes et certaines figurent aujourd’hui parmi les principales sources d’incidents voyageurs. L’objectif de cette thèse est de développer un système de détection automatique de ces événements à partir de l’analyse automatique des flux vidéo d’un système de surveillance embarqué.
Cette thèse adresse ce problème par l’application de réseaux de neurones profonds afin de détecter, localiser et identifier tout événement dangereux liés aux piétons et aux portes présent dans des flux vidéo produits par des caméras fish-eye installées sur le plafond des plates-formes d’embarquement du train. Les instances de ces événements dangereux apparaissant très rarement au cours de l’exploitation du train, la solution proposée repose sur la notion d’anomalie définie comme un événement inconnu ou inattendu dans un contexte de « normalité » donné. L’architecture neuronale proposée constitue donc un modèle de normalité et identifie comme anormale toute donnée aberrante qui s’en écarte.
L’architecture du réseau neuronal que nous proposons se décompose en deux branches spécialisées capables d’apprendre un modèle d’interaction normale entre deux objets. Chaque branche est entraînée par l’auto-apprentissage de tâches « proxy » capables de modéliser différents aspects de normalité supposés pertinents pour la détection des anomalies liées aux piétons et aux portes.
Aucune base d’images relatives à notre cas d’usage n’existant dans la littérature scientifique, nous avons récolté et annoté un ensemble de séquences d’images pour l’entraînement et l’évaluation de nos architectures. Ces séquences mettent en scène des usagers aux alentours d’une réplique de portes automatiques de train en laboratoire et d’un train réel que nous avons instrumenté. Enfin, nous avons mis au point des métriques d’évaluation de l’efficacité des modèles obtenus afin de tester leur applicabilité opérationnelle.
Cette thèse s’est déroulée au sein de l’IRT RAILENIUM en partenariat avec le CERI SN de l’IMT Nord Europe et le Laboratoire LEOST de l’Université Gustave Eiffel.
Nous félicitons chaleureusement Olivier Laurendin et lui souhaitons le meilleur pour la suite de sa carrière professionnelle.