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

185

Documents en Open Access %

55 %

Références bibliographiques

221

Mots-clés

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