Cette thèse porte sur la vérification formelle pour garantir la robustesse de modèles de machine learning dédiés à la détection de pistes d'atterrissage. Dans un premier temps, les recherches se sont concentrées sur les perturbations plausibles liées au domaine opérationnel (ODD), menant au développement d'une méthodologie ainsi que d'un outil visant à démontrer la robustesse des modèles face aux transformations géométriques (rotation, translation, échelle, etc.). Cet outil utilise une optimisation Lipschitz et des relaxations linéaires pour encapsuler l'ensemble des images perturbées.
Par ailleurs, les garanties de robustesse, initialement appliquées à la classification, ont ensuite été étendues à la détection d'objets, un domaine jusqu'alors moins exploré. Une méthode de vérification a ainsi été mise au point en formalisant la métrique d'Intersection sur Union (Intersection over Union - IoU) pour des perturbations de luminosité, de bruit blanc et de contraste.
Enfin, les enjeux de certification (ED-324/ARP-6983, concept papers de l'EASA) appliqués au cas d'utilisation de la détection de piste, ont été définis. |
This thesis focuses on formal verification to ensure the robustness of machine learning models dedicated to runway detection. Initially, the research concentrated on plausible perturbations related to the Operational Design Domain (ODD), leading to the development of a methodology and a tool aimed at demonstrating the robustness of the models against geometric transformations (rotation, translation, scaling, etc.). This tool uses Lipschitz optimization and linear relaxations to encapsulate the entire set of perturbed images.
Furthermore, the robustness guarantees, initially applied to classification, were subsequently extended to object detection, a domain that had previously been less explored. A verification method was thus developed by formalizing the Intersection over Union (IoU) metric for brightness, white noise, and contrast perturbations.
Finally, the certification challenges (ED-324/ARP-6983, EASA concept papers) for object detection models, applied to the runway detection use case, were defined. |