Vous êtes ici: Accueil > Documentations scientifiques > Revues récentes > Mada-ETI


  • Optimisation des algorithmes d’apprentissage automatique dans le contexte de véhicules intelligents
    Mada-ETI, 2021, vol 2, page 49-63

    Auteurs : Ramarolahivonjitiana F.J., Randriamitantsoa P.A., Randriamitantsoa A.A

    Mots clés : Apprentissage automatique, fonction de coût, fonction de perte, réduction de la dimensionnalité, véhicules intelligents

    FR :
    Le contrôle et la maîtrise des objets connectés et autonomes deviennent des préoccupations sociétales et économiques majeures. Cela a incité les milieux universitaires et l’industrie à une intense activité dans le domaine de recherche de l’apprentissage automatique. Avec un véhicule intelligent, les algorithmes d’apprentissage automatique sont implémentés dans les sous-systèmes de la détection, de la perception et de la décision pour assurer la localisation, la reconnaissance d’objets, la planification de trajectoire, la prédiction d’action jusqu’à l’évitement d’obstacle. .Dans le but ultime d’optimiser ces algorithmes, nous avons implémenté des fonctions de coût pour un modèle de prédiction d’une trajectoire souhaitée et la planification de mouvement. En plus, nous avons pu déterminer une fonction de coût d’une cyberattaque. Aussi, nous avons utilisé la technique de réduction de la dimensionnalité pour l’optimisation de la planification de mouvement afin de dresser une carte de collision.

    EN :
    Controlling and mastering connected and autonomous objects are becoming major societal and economic concerns. This has sparked intense activity in academia and industry in the area of machine learning research. With an intelligent vehicle, machine learning algorithms are implemented in the detection, perception and decision subsystems to ensure localization, object recognition, trajectory planning, action prediction until obstacle avoidance. With the ultimate goal of optimizing these algorithms, we implemented cost functions for a predictive model of a desired trajectory and motion planning. In addition, we were able to determine a cost function of a cyber-attack. Also, we used the dimensionality reduction technique for motion planning optimization to map the collision.

    Télécharger la version PDF

© MESupReS 2009 - 2022. Mentions légales
(p) Secrétariat Général | Direction des Technologies de l'Information et de la Communication (DTIC)
Contact: dtic@mesupres.gov.mg - Tous droits réservés