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 %

Chargement de la page

Références bibliographiques

Chargement de la page

Mots-clés

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