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

181

Documents en Open Access %

56 %

Références bibliographiques

216

Mots-clés

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