Le laboratoire LISPEN décroche un projet ANR Jeune Chercheur, porté par Arnaud Polette, enseignant-chercheur sur le campus Arts et Métiers d’Aix-en-Provence. Le projet GENERAT3D vise à générer automatiquement des données multimodales d’assemblages de pièces mécaniques pour l’apprentissage machine en rétro-conception de produits.
L’objectif de GENERAT3D est de développer des méthodes de génération automatique de grands volumes de données pour alimenter des méthodes d’apprentissage machine pour la rétro-conception de pièces et d'assemblages mécaniques.
Des méthodes de génération de données artificielles pour l’apprentissage machine
Récolter et labelliser des données pour l'apprentissage machine est un travail qui peut s'avérer chronophage, tout particulièrement dans le contexte multimodal de la rétro-conception de produits où il est nécessaire d'avoir une labellisation par pièce et par assemblage dans plusieurs types de représentations 2D et 3D. Pour cela des méthodes d’augmentation de données CAO, de génération d'images photo-réalistes, de nuages de points « tels que scannés », ainsi que de cartes de profondeurs seront développées. Des cas d'études utilisant ces données seront développés lors du projet afin d’illustrer leurs exploitations.
Impacts et retombées prévus pour l’Industrie du Futur
La mise à disposition de ces méthodes de génération de grands volumes de données (ainsi que de jeux de données déjà générés) permettra en premier lieu la mise en place de nouvelles méthodes de rétro-conception de produits telles que l’aide à la rétro-conception ou l’automatisation de la rétro-conception.
À plus long terme, ces méthodes seront également profitables à d’autres applications en lien avec l’ingénierie des systèmes dans un contexte d’Industrie du Futur où l’apprentissage machine permet aujourd’hui de lever de nouveaux verrous scientifiques, telles que la conception de produits, le fonctionnement en temps réel des jumeaux numériques, la détection de défaut de fabrication, ou encore la réalité virtuelle et augmentée.
Impacts et retombées pour la communauté scientifique
Ces bases de données et algorithmes auront également pour vocation de fonctionner de façon communautaire, afin de pouvoir les diffuser, les enrichir, et les partager avec différentes communautés scientifiques. Cela peut par exemple servir de benchmark commun pour des projets liés à la CAO, à la modélisation géométrique, à l’informatique graphique, et à de nombreuses autres communautés scientifiques impliquant du traitement 3D et d’images.
Le partage des bases de données issues de ces méthodes pourrait prendre la forme d’une page web interactive en accès libre sur le site du laboratoire.
Les résultats, algorithmes, méthodes, et expérimentations obtenus seront également diffusés à travers différentes revues internationales, ainsi que dans des communication nationales et internationales.
Impacts et retombées pour l’établissement
Les bases de données et algorithmes de génération conçus lors du projet offriront de nombreuses perspectives à cette thématique dans le contexte scientifique actuel où les données numériques sont des ressources précieuses. Les données produites pourront également être exploitées dans le cadre de la formation des étudiants de l’établissement, notamment auprès des étudiants de Master et des doctorants.
Grâce à quel financement ?
Le budget attribué par l’ANR à GENERAT3D est de 172 000 euros. Il permettra le financement de la thèse de doctorat de Lucas Vergez accueilli sur le campus d’Aix-en-Provence début janvier 2021 pour 3 ans, et de 2 stagiaires en Master recherche.
Durée du projet : 42 mois
Données multimodales : nuage de points, maillage, image photo-réaliste, labels | Crédit photo Arnaud Polette
Contact : arnaud.polette@ensam.eu
