Search

International audience; Three-dimensional (3D) real-time object detection and tracking is an important task in the case of autonomous vehicles and road and railway smart mobility in order to allow them to analyze their environment for navigation and obstacle avoidance purposes. In this paper, we try to improve the efficiency of 3D monocular object detection by using dataset combination, knowledge distillation, and creating a lightweight model. Firstly, we combine real and synthetic datasets to increase the diversity and richness of the training data. Then, we use knowledge distillation to transfer the knowledge from a large, pre-trained model to a smaller, lightweight model. Finally, we created a lightweight model by selecting the combinations of width, depth and resolution in order to reach a target complexity and computation time. Our experiments show that using each method improves either the accuracy or the efficiency of our model with no significant drawbacks. Using all these approaches is especially useful for resource-constrained environments, such as self-driving cars and railway systems.; La détection et le suivi d'objets tridimensionnels (3D) temps-réel est une tâche importante dans le cas des véhicules autonomes et de la mobilité intelligente routière et ferroviaire, afin de leur permettre d'analyser leur environnement à des fins de navigation et d'évitement d'obstacles. Dans cet article, nous essayons d'améliorer l'efficacité de la détection d'objets 3D monoculaire en utilisant la combinaison de jeux de données, la distillation de connaissances et la création d'un modèle léger. Tout d'abord, nous combinons des ensembles de données réelles et synthétiques pour augmenter la diversité et la richesse des données d'entraînement. Ensuite, nous utilisons la distillation des connaissances pour transférer les connaissances d'un grand modèle pré-entraîné vers un modèle plus petit et léger. Enfin, nous avons créé un modèle léger en sélectionnant les combinaisons de largeur, de profondeur et de résolution afin d'atteindre une complexité et un temps de calcul cibles. Nos expériences montrent que l'utilisation de chaque méthode améliore soit la précision, soit l'efficacité de notre modèle, sans inconvénient majeur. L'utilisation de toutes ces approches est particulièrement utile pour les environnements à ressources limitées, tels que les voitures à conduite autonome et les systèmes ferroviaires.

International audience; In recent years, the smart mobility inherent in smart city projects has been translated into the implementation of Mobility as a Service (MaaS) offerings embodied in platforms accessible from integrated service mobile applications. In this context, the aim of this article is to present the findings from an application of the Unified Theory of Acceptance and Use of Technology (UTAUT2) model to mobile MaaS applications (MMAs). Based on a sample of 693 respondents, the findings highlight the positive influence of performance expectancy, trust in technology and habit on the user’s intention to use MMAs. They also show that habit and intention to use MMAs have a significant positive effect on users’ actual usage behavior. Our findings demonstrate the predictive value of UTAUT2 for understanding and anticipating MMAs acceptance. Managerial recommendations based on our findings are formulated.; Depuis quelques années, la mobilité intelligente inhérente aux projets de ville intelligente s’est traduite par la mise en œuvre d’offres de Mobility as a Service (MaaS) s’incarnant dans des plateformes accessibles à partir d’applications mobiles de services intégrés. Dans ce contexte, le but de cet article est de proposer un modèle d’acceptation des applications mobiles de MaaS (AMM) en s’appuyant, pour ce faire, sur le modèle UTAUT2 (Unified Theory of Acceptance and Use of Technology). Reposant sur un échantillon de 693 répondants, les résultats soulignent l’influence positive de la performance attendue, de la confiance en la technologie et de l’habitude sur l’intention d’utiliser les AMM. Ils démontrent également que l’habitude et l’intention d’utiliser les AMM possèdent un effet positif significatif sur le comportement d’usage réel des individus. Nos résultats soulignent la valeur prédictive de l’UTAUT2 pour comprendre et anticiper l’acceptation des AMM. Des recommandations managériales basées sur ces résultats sont formulées.

To improve transportation safety and make driving more autonomous, vehicles must have a better perception of their environment. Although the development of the autonomous car is receiving a lot of attention, rail transport is also following the same path. The challenge is both to improve driving comfort through navigation assistance and to increase safety during navigation.The work presented in this thesis aims at creating a reliable perception system using a single modality, in this case, images from a camera, to detect life-threatening obstacles. The system must be generic to be used on any type of camera in a traffic context on road but also rail. We will use deep learning to achieve this goal and we present four contributions. The first one is an approach based on the combination of an object detector (Yolov3), a depth estimator (MadNet), and a Kalman filter to detect, locate and track objects on the vehicle track. The second contribution is based on a new evaluation protocol for depth estimation more suitable for object localization tasks. The third contribution is based on the creation of two new databases, a virtual one based on the video game Grand Theft Auto and a real one (ESRORAD) for the autonomous train. Finally, our last contribution is an approach to the detection of 3D objects based on Yolov5 and their tracking based on a Kalman filter.The results obtained by this last approach show a real improvement in the computation time and allows use on embedded systems while being as accurate as the state-of-the-art methods., Afin d'améliorer la sécurité des transports et rendre la conduite plus autonome, les véhicules doivent disposer d'une meilleure perception de leur environnement. Bien que le développement de la voiture autonome fasse l'objet d'une grande attention, le transport ferroviaire suit aussi la même voie. L'enjeu est à la fois d'améliorer le confort de conduite grâce à l'aide à la navigation et d'accroître la sécurité pendant la navigation.Les travaux présentés dans cette thèse visent à créer un système de perception fiable utilisant une seule modalité, en l'occurrence les images d'une caméra, afin de détecter des obstacles mettant en danger la vie des passagers. Le système doit être générique afin de pouvoir être utilisé sur tout type de caméra dans un contexte de trafic sur route mais aussi sur rail. Nous utiliserons l'apprentissage profond pour atteindre cet objectif et nous présentons quatre contributions. La première est une approche basée sur la combinaison d'un détecteur d'objets (Yolov3), d'un estimateur de profondeur (MadNet) et d'un filtre de Kalman pour détecter, localiser et suivre des objets sur la voie du véhicule. La deuxième contribution est basée sur un nouveau protocole d'évaluation de l'estimation de la profondeur plus adapté aux tâches de localisation d'objets. La troisième contribution est basée sur la création de deux nouvelles bases de données, une virtuelle basée sur le jeu vidéo \textit{Grand Theft Auto} et une réelle (ESRORAD) pour le train autonome. Enfin, notre dernière contribution est une approche pour la détection d'objets 3D basée sur Yolov5 et leur suivi basé sur un filtre de Kalman.Les résultats obtenus par cette dernière approche montrent une réelle amélioration du temps de calcul et permettent une utilisation sur des systèmes embarqués tout en étant aussi précis que les méthodes de l'état de l'art.

International audience; La détection d’objets, l’estimation de la profondeur et le suivi des objets sont des tâches très importantes pour la navigation autonome dans le contexte de la mobilité intelligente. Ces dernières années, l’apparition de nombreuses méthodes d’estimation de la profondeur basées sur l’apprentissage profond pour les caméras monoculaires a conduit à des progrès significatifs dans ce domaine. Dans cet article, nous proposons une évaluation des algorithmes de l’état de l’art pour l’estimation de la profondeur à partir d’images monoculaires sur les bases de données KITTI et NUScenes. Les modèles évalués dans cet article comprennent une méthode non supervisée (Monodepth2) et une méthode supervisée (BTS). Notre contribution réside dans l’élaboration de nouveaux protocoles d’évaluation de l’estimation de la profondeur : l’évaluation de la profondeur selon la classe de l’objet et l’évaluation sur des plages de distance. Nous avons validé nos nouveaux protocoles sur les bases de données KITTI et NuScenes, ce qui nous a permis d’obtenir une évaluation plus complète de l’estimation de la profondeur, en particulier pour les applications de compréhension de scènes dans des environnements routiers et ferroviaires.

The multiagent simulation is a promising approach for smart city design and planning. In this context, we focus on the example of recharging electric vehicles on public charging points. This example illustrates a problem of managing limited and shared resources in time and space. Rolland May defines three main dimensions that should be integrated by the system: the space, the organisation and the time. In multi-agent simulations, the spatial dimension and the social dimension are the subject of numerous proposals in the literature. In opposite, time remains subject to very few studies and consideration. In addition, if a lot of research deals with spatial and organisational consideration in the agent's reasoning, the time consideration, as a system dynamic, is often overlooked.This highlights two aspects to which we want to contribute:- the need for interaction support to exchange spatial, social and temporal information;- the need for reasoning that takes this exchanged spatial, temporal and organisational information into account.Thought this thesis, our first objective aim at making the multiagent simulation paradigm evolve in order to consider time as a new medium of interaction, in the same way as the spatial environment or the organisational environment. For that purpose, we draw on existing approaches that are commonly used for modelling the space and organisations. Our model is called Agent-Group-Environment-Time (AGRET). It is an extension of the generic organisational model AGR and its variant AGRE.The originality of our approach is that it integrates the temporal dimension as an environment, in the same way as the spatial environment and the social environment. This time environment is used to support the exchange and the storage of time information. It complements the simulation scheduler which manages the simulation activation cycle. The implementation of this new interaction environment brings new possibilities. One of these possibilities is the use of temporal, spatial and social information, perceived through the environments, to optimise the agent's reasoning. In this context, we choose to focus on anticipatory reasoning which is particularly interesting in the context of the smart city. This anticipatory reasoning increases the realism of the simulation by showing a cognitive capacity that is specific to humans. It also improves the agent's decision mechanism by choosing a more relevant behaviour that takes into account the agent's temporal, spatial and social activation context. This anticipatory reasoning is based on information about the past, the present and the future, which the agent perceives through the temporal environment. The inclusion of future information in the anticipative reasoning is an original feature of this approach. This functionality is made possible by the temporal environment, which allows storing and perceiving information on the temporal dimension.To summarise, our contributions are both about time. Our first contribution is about the representation of time as an environment. In the multi-agent level, we propose an interaction support for the exchange and storage of information on space, time and organisation. Our second contribution is about temporal reasoning. We propose an anticipative reasoning based on the perception of spatial, temporal and social environments. In particular, we exploit the visibility of the future dimension of time that is allowed by the temporal environment. In the example of electric vehicles recharge, the integration of our approaches allows, at the collective level, the optimisation of the recharge distribution in space and time. We show this through an implementation on a multi-agent simulation model called SkuadCityModel. More generally, at the level of the smart city, the implementation of our contributions allows the optimisation of resource management in space and time.; La simulation multi-agent est une approche prometteuse pour la construction et la planification des villes intelligentes. Dans ce contexte, nous nous basons sur l'exemple du rechargement de véhicules électriques avec des bornes de recharge publiques. Cet exemple illustre une problématique de gestion de ressources partagées et limitées dans le temps et dans l'espace. Rolland May définit trois principales dimensions que doit intégrer le système : l'espace, l'organisation et le temps. Dans la littérature des simulations multi-agent, la dimension spatiale et la dimension sociale font l'objet de nombreuses propositions. Contrairement à cela, la considération du temps comme une dynamique du système reste sujette à très peu d'étude. De plus, si beaucoup de travaux de recherche traitent de la considération spatiale et organisationnelle dans le raisonnement de l'agent, la considération de la dynamique temporelle est souvent négligée. Cela met en évidence deux aspects sur lesquels nous aimerions contribuer : - le besoin de support d'interaction pour échanger des informations spatiale, sociale et temporelle ; - le besoin de raisonnement anticipatif prenant en compte ces informations spatiale, temporelle et organisationnelle échangées. À travers cette thèse, notre premier objectif consiste à faire évoluer le paradigme de simulation multi-agent de manière à considérer le temps comme un nouveau milieu d'interaction que nous appelons l'environnement temporel. Pour mettre en place cet environnement temporel au sein du système, nous proposons un modèle appelé Agent-Groupe-Rôle-Environnement-Temps (AGRET). Il s'agit d'une extension du modèle générique d'organisation Agent-Groupe-Rôle (AGR) et de sa variante Agent-Groupe-Rôle-Environnement (AGRE). L'originalité de notre approche consiste en la considération de la dimension temporelle comme un environnement, au même titre que l'environnement spatial et l'environnement social. L'environnement temporel est utilisé comme support pour l'échange et le stockage d'informations temporelles. Il vient en complément à l'ordonnanceur de la simulation qui gère le cycle d'activation de la simulation. L'implémentation de ce nouveau milieu d'interaction apporte de nouvelles possibilités. Une d'entre elles est l'usage des informations temporelles perçues à travers l'environnement temporel pour optimiser le raisonnement anticipatif de l'agent. Ce raisonnement anticipatif est particulièrement intéressant dans le contexte de la ville intelligente, car il augmente le réalisme de la simulation en faisant transparaître une capacité cognitive qui est propre à l'humain. Il permet également d'améliorer le mécanisme de décision de l'agent en choisissant un comportement plus pertinent qui prend en compte le contexte d'activation temporel, spatial et social de l'agent. Il se base sur des informations sur le passé, sur le présent et sur le futur planifié, que l'agent perçoit au niveau de l'environnement temporel. La prise en compte des informations futures planifiées constitue une originalité de cette approche. Pour résumer, nos deux contributions relèvent du temps. La première concerne la représentation du temps comme un milieu d'interaction : l'environnement temporel. La deuxième concerne le raisonnement temporel : un raisonnement anticipatif basé sur la perception de l'environnement spatial, de l'environnement temporel et de l'environnement social. Plus particulièrement, nous exploitons la visibilité sur la dimension future du temps qui est permise par l'environnement temporel. Dans l'exemple du rechargement des véhicules électriques, l'intégration de notre approche permet l'optimisation de la répartition des recharges dans l'espace et dans le temps. Nous montrons cela à travers une implémentation sur un modèle de simulation appelé SkuadCityModel. Plus généralement, au niveau de la ville intelligente, l'implémentation de nos contributions permet l'optimisation de la gestion des ressources dans l'espace et dans le temps.

The multiagent simulation is a promising approach for smart city design and planning. In this context, we focus on the example of recharging electric vehicles on public charging points. This example illustrates a problem of managing limited and shared resources in time and space. Rolland May defines three main dimensions that should be integrated by the system: the space, the organisation and the time. In multi-agent simulations, the spatial dimension and the social dimension are the subject of numerous proposals in the literature. In opposite, time remains subject to very few studies and consideration. In addition, if a lot of research deals with spatial and organisational consideration in the agent's reasoning, the time consideration, as a system dynamic, is often overlooked.This highlights two aspects to which we want to contribute:- the need for interaction support to exchange spatial, social and temporal information;- the need for reasoning that takes this exchanged spatial, temporal and organisational information into account.Thought this thesis, our first objective aim at making the multiagent simulation paradigm evolve in order to consider time as a new medium of interaction, in the same way as the spatial environment or the organisational environment. For that purpose, we draw on existing approaches that are commonly used for modelling the space and organisations. Our model is called Agent-Group-Environment-Time (AGRET). It is an extension of the generic organisational model AGR and its variant AGRE.The originality of our approach is that it integrates the temporal dimension as an environment, in the same way as the spatial environment and the social environment. This time environment is used to support the exchange and the storage of time information. It complements the simulation scheduler which manages the simulation activation cycle. The implementation of this new interaction environment brings new possibilities. One of these possibilities is the use of temporal, spatial and social information, perceived through the environments, to optimise the agent's reasoning. In this context, we choose to focus on anticipatory reasoning which is particularly interesting in the context of the smart city. This anticipatory reasoning increases the realism of the simulation by showing a cognitive capacity that is specific to humans. It also improves the agent's decision mechanism by choosing a more relevant behaviour that takes into account the agent's temporal, spatial and social activation context. This anticipatory reasoning is based on information about the past, the present and the future, which the agent perceives through the temporal environment. The inclusion of future information in the anticipative reasoning is an original feature of this approach. This functionality is made possible by the temporal environment, which allows storing and perceiving information on the temporal dimension.To summarise, our contributions are both about time. Our first contribution is about the representation of time as an environment. In the multi-agent level, we propose an interaction support for the exchange and storage of information on space, time and organisation. Our second contribution is about temporal reasoning. We propose an anticipative reasoning based on the perception of spatial, temporal and social environments. In particular, we exploit the visibility of the future dimension of time that is allowed by the temporal environment. In the example of electric vehicles recharge, the integration of our approaches allows, at the collective level, the optimisation of the recharge distribution in space and time. We show this through an implementation on a multi-agent simulation model called SkuadCityModel. More generally, at the level of the smart city, the implementation of our contributions allows the optimisation of resource management in space and time.; La simulation multi-agent est une approche prometteuse pour la construction et la planification des villes intelligentes. Dans ce contexte, nous nous basons sur l'exemple du rechargement de véhicules électriques avec des bornes de recharge publiques. Cet exemple illustre une problématique de gestion de ressources partagées et limitées dans le temps et dans l'espace. Rolland May définit trois principales dimensions que doit intégrer le système : l'espace, l'organisation et le temps. Dans la littérature des simulations multi-agent, la dimension spatiale et la dimension sociale font l'objet de nombreuses propositions. Contrairement à cela, la considération du temps comme une dynamique du système reste sujette à très peu d'étude. De plus, si beaucoup de travaux de recherche traitent de la considération spatiale et organisationnelle dans le raisonnement de l'agent, la considération de la dynamique temporelle est souvent négligée. Cela met en évidence deux aspects sur lesquels nous aimerions contribuer : - le besoin de support d'interaction pour échanger des informations spatiale, sociale et temporelle ; - le besoin de raisonnement anticipatif prenant en compte ces informations spatiale, temporelle et organisationnelle échangées. À travers cette thèse, notre premier objectif consiste à faire évoluer le paradigme de simulation multi-agent de manière à considérer le temps comme un nouveau milieu d'interaction que nous appelons l'environnement temporel. Pour mettre en place cet environnement temporel au sein du système, nous proposons un modèle appelé Agent-Groupe-Rôle-Environnement-Temps (AGRET). Il s'agit d'une extension du modèle générique d'organisation Agent-Groupe-Rôle (AGR) et de sa variante Agent-Groupe-Rôle-Environnement (AGRE). L'originalité de notre approche consiste en la considération de la dimension temporelle comme un environnement, au même titre que l'environnement spatial et l'environnement social. L'environnement temporel est utilisé comme support pour l'échange et le stockage d'informations temporelles. Il vient en complément à l'ordonnanceur de la simulation qui gère le cycle d'activation de la simulation. L'implémentation de ce nouveau milieu d'interaction apporte de nouvelles possibilités. Une d'entre elles est l'usage des informations temporelles perçues à travers l'environnement temporel pour optimiser le raisonnement anticipatif de l'agent. Ce raisonnement anticipatif est particulièrement intéressant dans le contexte de la ville intelligente, car il augmente le réalisme de la simulation en faisant transparaître une capacité cognitive qui est propre à l'humain. Il permet également d'améliorer le mécanisme de décision de l'agent en choisissant un comportement plus pertinent qui prend en compte le contexte d'activation temporel, spatial et social de l'agent. Il se base sur des informations sur le passé, sur le présent et sur le futur planifié, que l'agent perçoit au niveau de l'environnement temporel. La prise en compte des informations futures planifiées constitue une originalité de cette approche. Pour résumer, nos deux contributions relèvent du temps. La première concerne la représentation du temps comme un milieu d'interaction : l'environnement temporel. La deuxième concerne le raisonnement temporel : un raisonnement anticipatif basé sur la perception de l'environnement spatial, de l'environnement temporel et de l'environnement social. Plus particulièrement, nous exploitons la visibilité sur la dimension future du temps qui est permise par l'environnement temporel. Dans l'exemple du rechargement des véhicules électriques, l'intégration de notre approche permet l'optimisation de la répartition des recharges dans l'espace et dans le temps. Nous montrons cela à travers une implémentation sur un modèle de simulation appelé SkuadCityModel. Plus généralement, au niveau de la ville intelligente, l'implémentation de nos contributions permet l'optimisation de la gestion des ressources dans l'espace et dans le temps.

Les effets de la Grande Récession et les développements technologiques actuels marquent les attitudes et les habitudes de mobilité dans les milieux urbains et métropolitains. Ils reflètent la situation de précarité d’emploi et les conditions de vie, les changements culturels et sociaux ou la diffusion de nouveaux modes de déplacements. Dans ce contexte, deux approches sont possibles, étroitement liées et qui déterminent le devenir de la mobilité urbaine : la durabilité et la mobilité intelligente. Elles configurent un modèle de connectivité accessible, effectif, attrayant et durable.Axé sur le discours dual de la légitimation et du conflit des nouvelles mobilités, cet article tente d’identifier certains des nouveaux modes de mobilité urbaine qui ont surgi dans les villes espagnoles en conséquence de la crise économique et des transformations socioculturelles et technologiques. Pour cela, il analyse le cas de la ville de Saragosse et révise les changements de mobilité, de modes de déplacement et les politiques de transports adoptées ses dernières années. The effects of the Great Recession and current technological developments influence the attitudes and patterns of mobility in urban and metropolitan areas. They reflect the situation of precarious employment and living conditions, cultural and social changes or the spread of new modes of travel. In this context, two approaches are possible which determine the future of urban mobility: sustainability and smart mobility. They configure an accessible, efficient, attractive and sustainable connectivity model.Focusing on the dual discourse of the legitimization and the conflict of the new mobilities, this article tries to identify some of the new modes of urban mobility that have arisen in the Spanish cities as a consequence of the economic crisis and recent socio-cultural and technological transformations. For this, we will analyze the case of the city of Zaragoza reviewing the changes in mobility, modes of travel and transport policies adopted in recent years.

Un des fondements de l’Ingénierie Système réside dans la compréhension et la formulation des exigences de différentes parties prenantes pour mieux maîtriser et contrôler la complexité du système à concevoir. L’évaluation des performances du système nécessite par ailleurs la prise en compte des expertises interdisciplinaires qui peuvent être incertaines, voire incomplètes. La prise en compte des interdépendances entre plusieurs domaines d’activité dans la conception et le déploiement d’un système de mobilité urbaine durable est un bon exemple, qui reflète la problématique de l’élicitation des connaissances pluridisciplinaires, puis de leur utilisation dans la définition d’une architecture distribuée. Le renouveau de la mobilité urbaine a en effet fait émerger des alternatives aux déplacements habituels, faisant place à la mobilité douce, à l’usage raisonnée des véhicules personnels, à la multimodalité et à l’inter-mobilité. Dans ce contexte, la convergence tend à s’opérer vers des plateformes numériques offrant des services variés, à la demande, adaptés aux besoins immédiats des usagers. Ces services sont généralement développés par des acteurs du secteur privé qui détiennent à la fois l’expertise et la technologie pour les déployer. Il s’agit donc, pour les pouvoirs publics considérés comme organe de contrôle et de régulation de la mobilité, de définir quelles infrastructures et quels services offrir et selon quelles modalités. Le travail de recherche effectué dans cette thèse vise à proposer puis valider, une démarche générale pour accompagner les décideurs des villes dans la conception et la mise en place des solutions de mobilité du futur. Un cadre méthodologique prenant en compte l’aide au choix de politiques et de partenaires cibles a pour cela été proposé, basé sur une méthode d’analyse multicritère, dans un cadre de décision collective et sous incertitude. Un méta-modèle d’un système de mobilité durable a ensuite été élaboré, à partir des connaissances élicitées d’un ensemble de standards et référentiels, de même qu’une architecture distribuée du système. Afin d’étudier la faisabilité de l’implémentation de cette architecture, en considérant le point de vue de l’aide à la décision, une roadmap de mise en œuvre a enfin été proposée, basée sur un système de recommandations visant à optimiser la réalisation de projets de mobilité nouveaux

ELSAT2020 Workshop mi-parcours - Conseil Régional des Hauts de France, Lille, FRANCE, 15-/06/2018 - 15/06/2018; Le projet ELSAT2020 est un projet du CPER 2015-2020. L'axe OS4.1 "Dimensionnement et performance des fonctions véhicule - Mobilité intelligente" s'intéresse à quatre thématiques de recherche "Performance des infrastructures urbaines et sécurité de la mobilité", "Systèmes de communications et de localisations fiables et intelligents", "Maintenance prédictive autonome des systèmes de transports câblés", "Cyber-sécurité dans les systèmes communicants", "Techniques et outils pour la compétitivité ferroviaire" réunissant des laboratoires et institutions de la région des Hauts de France. Cette présentation dresse un état de l'avancée des travaux de cet axe à mi-parcours du projet ELSAT 2020.

Ce mémoire d'habilitation présente une synthèse de mes réalisations académiques depuis la thèse de doctorat jusqu'à ma récente arrivée à l'IMT Atlantique de Brest. Après une année de post-doctorat en 2011 à l'Université de Technologie du Queensland (QUT, Australie), j'ai effectué la majorité de mes recherches entre 2011 et 2016 au laboratoire d'Ingénierie Circulation Transport (LICIT) de l'IFSTTAR et l'ENTPE de Lyon en tant que chargé de recherches, avant d’intégrer, en 2016, l'IMT Atlantique (ex Télécom Bretagne), au sein de l'équipe DECIDE du lab-STICC (UMR CNRS 6285). Mes thèmes de recherches s’inscrivent dans une application large des mathématiques, à la croisée de l’analyse de données et de la recherche opérationnelle. Pendant les cinq premières années de ma carrière post-thèse, le domaine applicatif de la mobilité intelligente a constitué le fil d’Ariane de mes recherches. Sur la dernière année, mon recrutement à l’IMT Atlantique m’a permis d'approfondir un nouveau champ d’application, la santé connectée, tout en continuant les travaux précédents. Les mutations technologiques ont amené, dans ces deux domaines, une hyper-connectivité, des données ouvertes et de masse (big data), qui ouvrent de formidables perspectives mais aussi une exigence nouvelle de la part des différents acteurs qui souhaitent tout connaître, tout de suite : supervision en temps réel des activités, analyse et prévision des trajets, informations ciblées sur les loisirs, conseils pour leur bien-être, etc. Il s’ensuit un besoin sans précédent de recherche afin de transformer ces masses d’information en connaissances. Au cours des précédentes années, mes travaux ont tenté de contribuer aux domaines disciplinaires de l’informatique et des mathématiques appliquées afin de mieux comprendre et caractériser la mobilité des usagers, ou fournir des outils d’aide à la décision pour la prise en charge de patients à risque en santé mentale. La soutenance d’HDR pose d’abord les motivations de nos travaux sur la mobilité intelligente et donne une présentation originale et synthétique de notre démarche, fondée sur trois directions de recherche. Le cheminement logique entre les trois thèmes de recherche s'appuie sur des montées en échelle successives, du véhicule au réseau, en passant par les données générées par les véhicules. Le premier type de contributions concerne la modélisation et la simulation des véhicules connectés (C-ITS). Ce travail est relatif à la question de l'anticipation des nouvelles technologies, il est centré sur le véhicule à l'aide d'une approche de type model driven. Le deuxième thème répond à la question de l'extraction de connaissances à partir des nouvelles sources de données, centré sur les nouvelles données générées par (entre autres) les nouveaux véhicules à l'aide d'approches de type data driven. Nous présentons quelques résultats sur la caractérisation des états de trafic, à travers la modélisation des temps de parcours et de leur incertitude, l'analyse spatiotemporelle du réseau et la prévision court terme par des méthodes d'apprentissage statistique. Le troisième thème montre comment les résultats des deux premières approches peuvent offrir une meilleure planification des trajets à l'échelle d'un réseau. Il répond à la question de l'optimisation des itinéraires dans les réseaux de transports, il est centré sur l'usager qui souhaite se déplacer d'un point A à un point B et le problème est résolu à l'aide d'algorithmes de recherche de plus court chemin. Dans une deuxième partie, la soutenance d’HDR synthétise nos premiers résultats sur le thème de la santé connectée, résultant de la collaboration avec le CHU Brest. Nous verrons comment des méthodes d'apprentissage non supervisé et supervisé permettent de faire avancer la recherche en santé mentale, par l'extraction de connaissances à partir de grandes bases de données patients. Pour finir, nous inscrirons la mobilité et la santé connectées dans un projet de recherche global pour les années à venir, ayant trait à l'extraction de connaissances et l'optimisation sous contraintes complexes pour des données hétérogènes.

Ce mémoire d'habilitation présente une synthèse de mes réalisations académiques depuis la thèse de doctorat jusqu'à ma récente arrivée à l'IMT Atlantique de Brest. Après une année de post-doctorat en 2011 à l'Université de Technologie du Queensland (QUT, Australie), j'ai effectué la majorité de mes recherches entre 2011 et 2016 au laboratoire d'Ingénierie Circulation Transport (LICIT) de l'IFSTTAR et l'ENTPE de Lyon en tant que chargé de recherches, avant d’intégrer, en 2016, l'IMT Atlantique (ex Télécom Bretagne), au sein de l'équipe DECIDE du lab-STICC (UMR CNRS 6285). Mes thèmes de recherches s’inscrivent dans une application large des mathématiques, à la croisée de l’analyse de données et de la recherche opérationnelle. Pendant les cinq premières années de ma carrière post-thèse, le domaine applicatif de la mobilité intelligente a constitué le fil d’Ariane de mes recherches. Sur la dernière année, mon recrutement à l’IMT Atlantique m’a permis d'approfondir un nouveau champ d’application, la santé connectée, tout en continuant les travaux précédents. Les mutations technologiques ont amené, dans ces deux domaines, une hyper-connectivité, des données ouvertes et de masse (big data), qui ouvrent de formidables perspectives mais aussi une exigence nouvelle de la part des différents acteurs qui souhaitent tout connaître, tout de suite : supervision en temps réel des activités, analyse et prévision des trajets, informations ciblées sur les loisirs, conseils pour leur bien-être, etc. Il s’ensuit un besoin sans précédent de recherche afin de transformer ces masses d’information en connaissances. Au cours des précédentes années, mes travaux ont tenté de contribuer aux domaines disciplinaires de l’informatique et des mathématiques appliquées afin de mieux comprendre et caractériser la mobilité des usagers, ou fournir des outils d’aide à la décision pour la prise en charge de patients à risque en santé mentale. La soutenance d’HDR pose d’abord les motivations de nos travaux sur la mobilité intelligente et donne une présentation originale et synthétique de notre démarche, fondée sur trois directions de recherche. Le cheminement logique entre les trois thèmes de recherche s'appuie sur des montées en échelle successives, du véhicule au réseau, en passant par les données générées par les véhicules. Le premier type de contributions concerne la modélisation et la simulation des véhicules connectés (C-ITS). Ce travail est relatif à la question de l'anticipation des nouvelles technologies, il est centré sur le véhicule à l'aide d'une approche de type model driven. Le deuxième thème répond à la question de l'extraction de connaissances à partir des nouvelles sources de données, centré sur les nouvelles données générées par (entre autres) les nouveaux véhicules à l'aide d'approches de type data driven. Nous présentons quelques résultats sur la caractérisation des états de trafic, à travers la modélisation des temps de parcours et de leur incertitude, l'analyse spatiotemporelle du réseau et la prévision court terme par des méthodes d'apprentissage statistique. Le troisième thème montre comment les résultats des deux premières approches peuvent offrir une meilleure planification des trajets à l'échelle d'un réseau. Il répond à la question de l'optimisation des itinéraires dans les réseaux de transports, il est centré sur l'usager qui souhaite se déplacer d'un point A à un point B et le problème est résolu à l'aide d'algorithmes de recherche de plus court chemin. Dans une deuxième partie, la soutenance d’HDR synthétise nos premiers résultats sur le thème de la santé connectée, résultant de la collaboration avec le CHU Brest. Nous verrons comment des méthodes d'apprentissage non supervisé et supervisé permettent de faire avancer la recherche en santé mentale, par l'extraction de connaissances à partir de grandes bases de données patients. Pour finir, nous inscrirons la mobilité et la santé connectées dans un projet de recherche global pour les années à venir, ayant trait à l'extraction de connaissances et l'optimisation sous contraintes complexes pour des données hétérogènes.

La dernière décennie a vu l’émergence des travaux autour des systèmes dynamiques interconnectés (systèmes en réseaux ou systèmes cyberphysiques). Dans cette habilitation à diriger des recherches, je donne un aperçu des contributions qui ont été les miennes durant la dernière décennie sur : l’analyse des systèmes en réseaux (problème de consensus, observabilité et application à la préservation de la vie privée), le traitement des données de grandes dimensions (analyse tensorielle pour l’identification des systèmes non-linéaires, décomposition distribuée de tenseurs de grandes dimensions), et l’application à la mobilité intelligente (navigation en milieu urbain, prédiction et estimation de trafic, estimation d’attitude pour la navigation pédestre). Une prospective est ensuite développée autour de la sécurité des systèmes en réseaux, en se basant sur la théorie des systèmes, et sur l’analyse des données de grandes dimensions organisées dans des tenseurs de données avec des applications sur la mobilité intelligente.