L'équipe SIAM (Signal, Image, AutoMatique) est une équipe interdisciplinaire dont les recherches s’articulent autour des quatre étapes indispensables à l’étude générale d’un système que sont la perception, l’observation, la modélisation et la commande. Les deux types de systèmes visés pour l’application de ces méthodes sont principalement les véhicules et les systèmes biologiques. Les comportements hors normes des systèmes étudiés ainsi que la prise en compte de leur autonomie conduisent les chercheurs de l’équipe à mettre en œuvre des méthodes originales sur des aspects très variés : comportement en limite de sécurité pour les véhicules, véhicule aérien plus léger que l’air, coopération d’engins autonomes, mobilité des cellules en phase améboïde et prise en compte du micro-environnement.

Cette expertise participe à la définition de l’équipe et à son rayonnement. S’appuyant sur des applications hétérogènes, l’équipe a imaginé des méthodes transversales aux outils habituels, offrant ainsi la possibilité de relier des disciplines donc des communautés qui ne le sont pas naturellement. Citons quelques exemples : la décomposition de tenseurs statistiques pour l’analyse d’images 3D, la théorie de la décision statistique appliquée à la reconnaissance de types cellulaires, la prise en compte de modèles déformables avec efforts aéro-élastiques dans le but du contrôle de dirigeables, la classification de la stabilité sous contraintes de systèmes non-hamiltoniens.

L’équipe mise donc sur ces interactions multidisciplinaires pour asseoir son projet de recherche dans un contexte local favorable (installation du CHSF en 2010, de l’IRBA en 2009, extension de Genopole, rapprochement avec l’IFFSTAR-LIVIC).

Derniers dépôts

Chargement de la page

widget_cartohal

Documents avec texte intégral

182

Documents en Open Access %

56 %

Références bibliographiques

216

Mots-clés

Optical flow Unknown input Games DC MicroGrids Sensor faults Rank aggregation Linear Matrix Inequality LMI Disturbance observer Autonomous Vehicles Deep learning Neural networks Segmentation Asymmetric saturation Adaptation models Model predictive control Fault detection Interval observer Fault estimation Robust control Multi-agent systems LPV systems Optimization Fuzzy logic systems Deep Learning Markov processes Aerial Robot Time-frequency Home Electrical Appliances HEAs Autonomous driving Fuzzy control Pooling function Photovoltaic system Actuators Optimal control Sliding mode control LMI constraints Clinical gait analysis Nonlinear control Heuristic algorithms State estimation Structure from Motion Time delay Lyapunov Theory Multi-task learning Six-rotor unmanned aerial vehicles Gait rehabilitation UAVs Takagi-Sugeno Stability criteria Reinforcement learning Estimation Autonomous vehicles Fault-tolerant control Ridge extraction LBP Observers Localization Aggregation Apprentissage profond Renewable source integration Adaptive fuzzy control Adaptive systems Adaptive control Fault-Tolerant Control Grid stability UAV Neural Networks Machine learning Synchrosqueezing Vehicle dynamics Cyberattack Calibration Adaptive Control Stability analysis Consensus control Contour extraction Lyapunov methods Observer-based control Stability Identification Roads Convolutional neural networks LMIs Autonomous aerial vehicles Fuzzy systems Artificial intelligence Object detection Attention Cameras Linear matrix inequality LMI Nonlinear systems Costs Model Predictive Control Actuator saturation Linear systems Semantic segmentation Protocols Linear matrix inequalities Linear matrix inequalities LMIs