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

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