Mila · MIST Lab · 2025–2026 · Préprint, premier auteur
AURA* : planifier sous incertitude de perception
[Résumé en une phrase : ce que c'est, pour qui, et le résultat principal.]
Contexte
[Où et pourquoi le projet a démarré : employeur, cours ou compétition, et les personnes impliquées.]
[Les contraintes : délai, données disponibles, outils imposés, confidentialité.]
Problème
Un planificateur qui interdit toute cellule incertaine cesse d'avancer. Un planificateur qui ignore l'incertitude prend des risques qu'il ne voit pas.
Approche
Un planificateur de trajectoire qui transforme l'incertitude de perception calibrée, issue de l'imagerie 2D et du LiDAR 3D, en un champ de risque continu, exploré par un A* adaptatif.
- [Choix de conception 1, et pourquoi il l'emporte sur l'alternative]
- [Choix de conception 2, et pourquoi]
- [Choix de conception 3, et pourquoi]
Résultats
100 % de missions réussies là où la référence géométrique tombe à 0,4 %. Risque épistémique maximal réduit de 94,9 % pour environ 9 % de distance en plus.
[Comment c'est évalué : données, référence, protocole, et qui a validé.]
Limites et suite
- [Ce qui ne marche pas encore, ou les limites connues du résultat]
- [Ce que vous feriez autrement]
- [La prochaine étape, si le projet continue]
Stack
- Python
- PyTorch
- SegFormer
- PointNet++
- conformal prediction
- [Ajouter un outil]