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

186

Documents en Open Access %

55 %

Références bibliographiques

222

Mots-clés

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