Ingénieur de recherche en perception · Konboi
Doctorat · Vision par ordinateur et apprentissage automatique
Apprentissage profond pour la perception 3D — modèles géométriques, fusion multi-capteurs et apprentissage tenant compte de l'incertitude.
Travaux récents : calibration LiDAR–caméra en ligne et estimation d'incertitude pour la conduite autonome.
Konboi · Motional · Toyota · UTC/CNRS · Paris
Ingénieur de recherche en perception chez Konboi à Paris, sur les camions autonomes et le rétrofit IA pour le fret. Je construis des systèmes d'apprentissage profond pour la perception 3D — apprentissage géométrique, fusion multimodale et modèles qui indiquent quand ils sont peu fiables.
Avant Konboi, j'ai travaillé sur la perception chez Motional et Toyota Motor Europe. Mon doctorat à Heudiasyc (UTC/CNRS) a abouti à trois articles de conférence et deux brevets internationaux sur la calibration caméra–LiDAR.
Une grande partie de mes publications porte sur la calibration extrinsèque en ligne : estimer des transformations 6-DoF à partir de données de conduite ordinaires, sans cibles, avec incertitude — PseudoCal, UniCal, MULi-Ev et WACV 2025 sur KITTI, DSEC et nuScenes.
Sélection — WACV, atelier CVPR, BMVC Oral et travaux associés.
Quantification d'incertitude pour la calibration en ligne via prédiction conforme (KITTI, DSEC).
Calibration en ligne du LiDAR avec des caméras à événements par apprentissage profond.
Transformeur à branche unique avec fusion multimodale précoce pour l'alignement 6-DoF. Brevet WO2024182787.
Apprentissage géométrique auto-supervisé sans cible via pseudo-LiDAR en 3D.
UTC / Heudiasyc, 2025. Calibration multi-capteurs en ligne et apprentissage profond pour la conduite autonome.
Création et publication d’un jeu de données reproductible dérivé de KITTI : 22 400 paires caméra–LiDAR, cinq niveaux de décalibration synthétique et des fenêtres temporelles à erreur constante. Inclut des outils de chargement publics, des protocoles d’évaluation documentés et des résultats UniCal sur trois graines aléatoires.
Jeu de données public pour la calibration caméra–LiDAR : perturbations reproductibles, fenêtres temporelles et résultats de référence UniCal.
Reconnu pour ses contributions en évaluation à la conférence.
Ingénieur de recherche en perception — camions autonomes et rétrofit IA pour le fret.
Soutenance de Deep Learning for Multi-Sensor Calibration in Autonomous Driving à l'UTC.