Fiche personnelle

Fiche personnelle de BELAROUSSI Rachid

  • Présentation

    Fonction : Chercheur
    25 allée des Marronniers 78000 Versailles-Satory - Bâtiment : Allee des Marroniersrachid.belaroussi(at)ifsttar.fr

    Affectation : COSYS - LIVIC


    Description

    ________________________________________________________________
    FORMATION
    ________________________________________________________________

    Ingénieur de l'École Supérieure de Physique et de Chimie Industrielles - ESPCI ParisTech

    Master Electronique (UPMC-Paris VI), option Instrumentation

    Doctorat UPMC-Paris VI : Localisation du visage dans des images et séquences vidéos couleur


    ________________________________________________________________
    ACTIVITÉS DE RECHERCHE
    ________________________________________________________________

    Mes activités se tournant vers le machine learning de signaux et de données, mes projets de recherche s’orientent naturellement vers l’application de ces méthodes d’apprentissage à plusieurs problématiques portées par le Grettia (trafic routier, mobilité), ainsi que le LIVIC et le LEPSIS en collaboration avec l'Université de Bologne (données de conduite).  

    Analyse du trafic routier : apprentissage supervisé pour la prévision de volume sur un réseau autoroutier.

    On privilégie une approche d’inférence par compilation de données télé-relevées (boucles de comptage en #véhicules-5 min), dans un domaine où la modélisation physique prime. Les perspectives sont multiples : estimation des temps de parcours, état du trafic, évaluation a posteriori des aménagements (extension possible aux problèmes de simulation a priori), gestion et régulation intelligente du trafic (affectation dynamique).



    Les routes intelligentes sont monitorées par des capteurs enfouis mesurant le nombre de véhicules, et leur vitesse, passant une station donnée durant une période donnée. Le résultat, mesuré en véhicules-5 min, est appelé Volume. La prévision à court-terme du trafic fait largement appel, dans la littérature, à des approches statistiques modélisant les séries temporelles (moyenne glissante, ARIMA, filtre de Kalman…), à des approches non-paramétriques (réseaux de neurones, SVM, k-NN…) ou à une combinaison de ces méthodes ; depuis trois ans, quelques rares articles présentent des travaux d’applications de réseaux profonds à ce problème. Ces travaux appliquant le deep learning aux données de trafic agrègent les mesures des autoroutes de tout le réseau pour ne donner qu’une estimation du flux moyen sur une autoroute (moyenne des stations de cette route). La prévision de trafic utilise alors les volumes moyens des instants précédents du réseau, sans prise en compte de la répartition spatiale des capteurs. Or les stations de comptage sont distribuées sur les routes et autoroutes, et la distance les séparant peut affecter la corrélation de leurs mesures.

    Nous explorons une approche où les corrélations spatiales peuvent être modélisées, en tenant compte de toutes les stations dans l’architecture de nos réseaux et par l’introduction de champ récepteur locaux et d’une ou plusieurs couches de convolution ; on s’intéressera particulièrement au poids des stations d’entrée et de sortie du réseau routier.  


    Extraction de caractéristiques essentielles de données de conduite par deep learning (LIVIC-LEPSIS/Unibo)

    Étude de modèles génératifs profond (DSAE : auto-encodeurs empilés et DBN : Deep Belief Network) pour la construction d’un espace de représentation des données de conduite (cap, vitesse, accélération long/lat, freinage, angle au volant mais aussi direction du regard et EEG) issues de véhicules réels ou d’un simulateur. On se concentre sur des méthodes d’apprentissage non-supervisé mettant en lumière des événements particuliers (accidents, intersections, feux, céder le passage). Je collabore avec le LEPSIS pour les données d’odométrie d’un simulateur de conduite (conduite de nuit, conducteur avec ou sans cataracte) et avec l’Université de Bologne (Unibo-DICAM) pour les données sur piste réelle (odométrie, et physiologie : oculométrie, EEG).


    Depuis cinq ans, les réseaux de neurones profond révolutionnent la vision des ordinateurs et la reconnaissance de la parole, et montrent des résultats prometteurs dans d’autres domaines tels que la compréhension du langage et la traduction automatique. En dehors des domaines de l’image et du son, ces techniques sont très peu exploitées pour le domaine des transports intelligents : principalement pour faire de la perception autour du véhicule ou dans l’habitacle. Nous utilisation ces réseaux pour faire de la visualisation de données complexes et de grandes dimensions, celle de données de conduite (cap, vitesse, accélération long/lat, freinage, angle au volant mais aussi direction du regard et EEG) issues de véhicules réels ou d’un simulateur. On se concentre sur des méthodes d’apprentissage non-supervisé mettant en lumière des événements particuliers (accidents, intersections, feux, céder le passage).

    Je collabore avec le LEPSIS pour les données d’odométrie d’un simulateur de conduite (conduite de nuit, conducteur avec ou sans cataracte) et avec l’Université de Bologne (Unibo-DICAM) pour les données sur piste réelle (odométrie, et physiologie : oculométrie, EEG). L’intégration de données physiologiques aux données du véhicule, particulièrement peu explorée dans ce domaine intéresse beaucoup le DICAM et nous collaborons par l’intermédiaire d’une doctorante et une stagiaire de l'Unibo.



    _________________________________________________________________
    Publications
    _________________________________________________________________

    https://scholar.google.fr/citations?user=gM_1xWcAAAAJ&hl=fr

    https://dblp.org/pers/hd/b/Belaroussi:Rachid


    ________________________________________________________________
    ENSEIGNEMENT ET FORMATION À LA RECHERCHE
    ________________________________________________________________

    Enseignant vacataire de 2015 à 2018 :
    -    Master 2 Robotique de POLYTECH Paris UPMC (Paris VI). Cours magistraux et TP en Reconnaissance des formes et Apprentissage statistique.
    -       Master 2 CFA I4 (Paris VI). TP en vision des ordinateurs (OpenCV)



  • Publications