___________________________________________________________

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, données de conduite).

Le programme E3S: Ecoquartier Smart, Sobre et Sûre

Le programme E3S est un partenariat entre l'Université Gustave Eiffel et Eiffage composé de 8 projets de recherche sur l'innovation urbaine. E3S signifie Eco-quartier Intelligent, Sûr, Durable : le projet profite de l'opportunité d'un grand projet de construction appelé LaVallée récemment démarré en banlieue parisienne. Son étendue spatiale est d'environ 500 m x 400 m, faisant partie d'une plus grande ville appelée Châtenay-Malabry. L'ensemble du quartier doit être livré en 2027. Nous sommes dans la première phase du projet avec les premières voiries en construction et les premiers habitants attendus d'ici 2022. La figure ci-dessous illustre le futur futur virtuel du quartier LaVallée.

Dans sa conception, le quartier LaVallée est physiquement ouvert sur l'extérieur et offrira des services qui intéresseront les autres résidents ou usagers des environs. Pour connaître l'effet de cette ouverture sur un transit potentiel de visiteurs dans le quartier, ainsi que sur les lieux d'intérêt pour les habitants, il faut prévoir les flux de micro-déplacements au sein du quartier en situation de projet (c'est-à-dire une fois l’éco-quartier construit).

Les travaux menés au laboratoire GRETTIA portent sur la modélisation dynamique du trafic (route, transports en commun et modes actifs) en fonction de la demande de déplacements et de l'offre d'infrastructures. L'offre de déplacement est constituée du réseau routier et de la localisation des équipements. Nous construisons des plans d'activités quotidiennes pour un ensemble d'agents (une population synthétique), et calculons l'évolution temporelle des déplacements prévus, c'est-à-dire le trajet prédit des personnes au cours d'une journée type ainsi que leur mode de déplacement. Le mouvement des personnes peut alors être utilisé pour des applications urbanistiques telles que la prédiction de la vitalité urbaine (futurs points chauds et lieux d'interaction) et l'expérience perceptive des bâtiments et des espaces publics dans des scènes incluant des dynamiques réalistes d'agents.

MATSIM pour la modélisation basée activités des déplacements franciliens

https://www.youtube.com/watch?v=ITMZlrnaaW0

Extraction de caractéristiques essentielles de données de conduite par deep learning (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). 

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 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.

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.

_________________________________________________________________

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 2022 :

- 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)

- Master 2 SIMUR Master in Sustainable and integrated Mobility in Urban Regions, University of Bologna: Building Information Model: the case of district LaVallée real estate development