Chercheur Doctorant (H/F)

La quatrième révolution industrielle est fortement influencée par l'utilisation massive des technologies émergentes de l'information et de la communication, telles que la robotique, l'intelligence artificielle (IA) et la réalité virtuelle (VR), en association avec le jumeau numérique (JN), défini comme le modèle virtuel du système physique. L'un des défis actuels consiste à maintenir le JN à jour en fonction des évolutions du système physique, de sorte que la prise de décision du superviseur soit la plus pertinente possible pour améliorer la productivité, fabriquer des produits individualisés et moins coûteux, renforcer la sécurité et l'efficacité de l'opérateur et mieux utiliser les ressources disponibles (Huang et al., 2021). Pour réaliser cette mise à jour du physique vers le virtuel, une solution consiste à tirer parti des capacités de perception des robots en détectant et en estimant la pose 6D ([Tx,Ty,Tz], [Rx,Ry,Rz]) des objets industriels disséminés dans l'entrepôt.L'estimation de la pose 6D d'objets rigides est un problème bien connu en vision par ordinateur, et de nombreux travaux ont déjà été publiés (Marchand, Uchiyama et Spindler, 2016), (Chen et al., 2020). Les approches actuelles peuvent être classées en 3 catégories principales : 1) Les méthodes traditionnelles basées sur : les caractéristiques de paires de points ; l'appariement de modèles (Hinterstoisser et al., 2011) ; les caractéristiques locales 3D (Buch, Kiforenko et Kraft, 2017) ; 2) Les méthodes d'apprentissage profond basées sur les réseaux neuronaux convolutifs (CNN) : SSD-6D (Kehl et al., 2017) ; PoseCNN (Xiang et al., 2018) ; Deep6DPose (Do et al., 2018) ; 3) Approches mixtes combinant des méthodes d'apprentissage traditionnelles et profondes : BB8 (Rad et Lepetit, 2017) ; YOLO-6D (Tekin, Sinha et Fua, 2018) et YOLO6D+ (Kang et al., 2020).Malgré la quantité important de contributions en estimation de pose 6D, très peu de contributions se sont concentrées sur les objets sans texture dans un contexte industriel. En 2022, Gorschlüter et al. ont proposé une étude sur la détection d'objets en 6D basée sur des modèles 3D pour des applications industrielles (Gorschlüter, Rojtberg et Pöllabauer, 2022). En 2022, Chen et al. (Chen et al., 2022) et Belke et al. (Belke et al., 2022) ont axé leur contribution sur les défis de l'adaptation du domaine synthétique/réel pour compenser la rareté des bases de données réelles annotées d'objets industriels et leur limitation à des cas d'utilisation spécifiques. En 2020, Pitteri (Pitteri, 2020) s'est concentrée sur les objets industriels sans texture et a proposé une approche basée sur la définition d'un nouveau descripteur : LSE (Local Surface Embbedings) défini un vecteur de 11 paramètres estimé pour chaque sommet du modèle CAO et ensuite projeté sur le plan de l'image. Malgré des résultats prometteurs, l'approche proposée n'est pas en temps réel, en raison d'une explosion combinatoire lors des étapes de prédiction des LSE et de mise en correspondance entre les descripteurs 3D et 2D.Les contributions de cette thèse portent sur l'estimation de la pose 6D d'objets sans texture dans un contexte industriel, et visent à revisiter l'approche de Pitteri en questionnant les alternatives possibles aux descripteurs LSE et à son architecture de traitement pour rendre l'estimation de la pose 6D temps réel. Deux pistes de travail principales sont envisagées : 1.La première se concentre sur l'utilisation de réseaux neuronaux (NN). 2.Une autre piste de recherche consistera à envisager une approche basée sur les surfaces 3D-2.