Segmentation LiDAR en conditions météo dégradées pour véhicules autonomes
Aperçu
En quoi consiste ce défi.
Analysez des nuages LiDAR sous pluie, concevez un modèle de segmentation 3D robuste et obtenez un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Comment adapter un modèle de segmentation sémantique 3D de nuages de points LiDAR pour qu'il reste fiable face aux artefacts causés par la pluie et le brouillard, sans sacrifier la latence d'inférence requise pour un véhicule autonome ?
Earning criteria — what you'll demonstrate
- Maîtriser les représentations de nuages de points 3D et les architectures de segmentation sémantique adaptées aux données LiDAR
- Évaluer quantitativement la robustesse d'un modèle de perception face à des perturbations réalistes du signal capteur
- Comprendre les contraintes de latence temps réel imposées par l'intégration dans un véhicule autonome
- Articuler les compromis entre complexité du modèle, robustesse et temps d'inférence dans un contexte industriel
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceIngénieur en IA
Ce défi développe la capacité à concevoir des modèles de perception robustes sous contraintes industrielles (latence, fiabilité), compétence centrale pour un ingénieur IA travaillant sur des systèmes embarqués critiques dans l'automobile ou la robotique.
Ce défi renforce
- 3d-vision
- ai-assisted-coding
- attention-mechanisms
Ingénieur en Apprentissage Automatique
L'expérience de bout en bout — de l'analyse des données brutes à l'optimisation du modèle pour l'inférence temps réel — reproduit le quotidien d'un ingénieur ML spécialisé dans les systèmes de perception autonome.
Ce défi renforce
- 3d-vision
- anomaly-detection
- analytical-reasoning
Scientifique en IA Appliquée
L'évaluation critique de la robustesse, la comparaison d'architectures et la documentation des compromis reflètent le travail d'un scientifique appliqué qui doit transformer la recherche en solutions déployables.
Ce défi renforce
- attention-mechanisms
- analytical-reasoning
- anomaly-detection