Détection automatique de l’environnement d’un véhicule autonome à l’aide de l’intelligence artificielle
Bibliographic record
Abstract
Le Ministère des Transports du Québec (MTQ) souhaite préparer la province du Québec pour l’arrivée des véhicules autonomes. Ce projet a été confié à l’École de Technologie supérieure (ÉTS) et à l’Institut du Véhicule Innovant (IVI), dans le but de cartographier les routes du Québec à l’aide d’images provenant d’une caméra montée sur un véhicule. À partir de ces images, des objets seront détectés à l’aide d’algorithmes de vision artificielle. Ainsi, le MTQ souhaite faire la détection automatique des nids de poule, lampadaires brisés et glissières de sécurité accidentées défectueuses afin de rehausser le niveau de sécurité routière. \n \nCette étude met l’accent sur la récupération de données locales afin d’entrainer des modèles de détections pour les infrastructures routières. De ce fait, des modèles basés sur l’apprentissage profond et l’architecture YOLO ont été entrainés. Le meilleur résultat obtenu pour la détection de nids de poule est 0.729 mAP. Pour la détection de lampadaires brisés, il est de 0.840 mAP. Aussi, ce projet a permis de récupérer une base de données contenant de plus de 8000 images et 4 classes de détections.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".