Détail du sujet

30/11/2018 Sujet 36 :  Reconstruction de trajectoires à partir de capteurs hétérogènes
Auteur : Romain Rouvoy  Ecrire 
(Responsable Informatique : Romain Rouvoy  Ecrire )

Contexte

Les solutions de géolocalisation indoor se multiplient et proposent de situer un utilisateur ou un objet (asset) avec plus ou moins de précision (du mètre au millimètre). Pour pallier aux imprécisions de ces solutions, les utilisateurs de ces technologies peuvent être amenés à se doter de différentes technologies (e.g., caméra, WiFi, Bluetooth, LiFi, etc.) pour suivre plus précisément leurs cibles en fonction des zones couvertes.


Problématique

Cependant, la combinaison de ces technologies hétérogènes engendre nécessairement des problèmes quant à la construction de trajectoires globales à partir des fragments de trajectoires remontés individuellement par chaque technologie.


Travail à effectuer

L'objectif de ce projet consiste donc à développer un algorithme de reconstruction des trajectoires "globales" qui soit capable "d'assembler" des fragments de trajectoires hétérogènes pour produire une (ou plusieurs) trajectoire•s globale•s cohérente•s aux utilisateurs finaux.

L'algorithme proposé pourra notamment tenir compte des méta-données associées aux fragments de trajectoires—i.e., timestamp, description de la cible, qualité de la localisation—pour optimiser la qualité de la reconstruction de trajectoires.


Bibliographie

[1] Ahmed, Mahmuda, and Carola Wenk. “Constructing Street Networks from GPS Trajectories.” In Algorithms – ESA 2012, 60–71. https://doi.org/10.1007/978-3-642-33090-2_7.
[2] Alahi, A., K. Goel, V. Ramanathan, A. Robicquet, L. Fei-Fei, and S. Savarese. “Social LSTM: Human Trajectory Prediction in Crowded Spaces.” In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 961–71, 2016. https://doi.org/10.1109/CVPR.2016.110.
[3] Bartoli, Federico, Giuseppe Lisanti, Lamberto Ballan, and Alberto Del Bimbo. “Context-Aware Trajectory Prediction.” ArXiv:1705.02503 [Cs], May 6, 2017. http://arxiv.org/abs/1705.02503.
[4] Castro, Pablo Samuel, Daqing Zhang, and Shijian Li. “Urban Traffic Modelling and Prediction Using Large Scale Taxi GPS Traces.” In Pervasive Computing, 57–72. https://doi.org/10.1007/978-3-642-31205-2_4.


Autres informations

Les développements menés dans le cadre de ce projet appliqueront les bonnes pratiques de Génie Logiciel Agile, depuis la mise en œuvre d’un développement objet, l’application de design patterns, du clean code, l’utilisation d’analyseurs statiques, la mise en œuvre d’une chaine de compilation, la documentation du code développé et la livraison sous forme de conteneur logiciel (Docker).

Sujet non-attribué