Détection de véhicules fondée sur l'estimation de carte de probabilités

La detection et la localisation des obstacles a partir d'un nuage de points LiDAR sont des sujets majeurs dans le domaine de la conduite autonome. Les methodes qui de-viennent de plus en plus precises operent toutes de bout en bout, c'est-a-dire en retournant directement les coordon-nees des boites englobantes des objets d'interet qu'elles es-timent correctes. Cette strategie rend plus difficile le diagnostic en cas de defaillance. Nous presentons une approche simple qui produit d'une part une carte de probabilite in-termediaire permettant de selectionner les regions d'inte-ret pour un systeme a posteriori, et de les visualiser lors de l'inference. D'autre part, les vehicules correctement de-tectes sont representes sous la forme d'ellipses. Un ve-hicule cache pourra ne pas etre une ellipse complete, sa marque indiquera tout de meme une presence. Grâce a cette representation parametrique des obstacles, une extraction directe des predictions a partir de cette carte inter-mediaire est possible. La simplicite architecturale de l'ap-proche proposee, en comparaison des methodes de l'etat de l'art, ne l'empeche pas d'atteindre un haut niveau de performances sur le benchmark KITTI pour la detection d'obstacles en vue de dessus. Mots Clef Apprentissage profond, LiDAR, detection d'objets. Abstract Detection and localization of obstacles from a LiDAR point cloud have become a major stake for autonomous driving. While methods become more and more precise, they operate in an end-to-end fashion, returning directly the final boxes whose probability is beyond some threshold. This strategy makes the diagnosis difficult in case of failure as it does not allow to identify which area of the scene caused the false prediction. The method introduced in this paper create first an intermediate probability map allowing the selection of a region of interest for a subsequent detection system and the visualization of the regions that got the focus of the algorithm. Moreover, the detected vehicles are represented as ellipses. A hidden vehicle may illustrate a truncated shape but the mark in the map still indicates a possible existence. Thanks to this parametric representation , extracting obstacles directly from the probability map is possible. With its simple architecture, the proposed algorithm reaches high levels of performance on the KITTI Object Dataset Benchmark. Keywords Deep learning, LiDAR, object detection. FIGURE 1-Une carte de probabilite binarisee predite en Bird's Eye View (bas gauche) est utilisee par un RPN (Re-gion Proposal Network) pour predire les ellipses finales (bas droite).