📌 Points clés (TL;DR)
- Le problème : L'OCR sur une seule image subit inévitablement des confusions ponctuelles (ex.
6confondu avec8) dues aux vibrations et aux reflets.- La solution : Filtrage grammatical strict par expressions régulières (Regex) associé à un vote majoritaire sur une fenêtre glissante de 11 images consécutives.
📌 Points clés (TL;DR)
- Le problème : Les plaques découpées mesurent souvent moins de 40x20 pixels avec une forte pixellisation de compression H.264 ; l'interpolation bicubique rend les caractères illisibles.
- La solution : Restauration des contours de caractères par un réseau de neurones résiduel EDSR (facteur 4x) combiné à un moyennage temporel multi-images.
📌 Points clés (TL;DR)
- Le problème : Scanner directement une image 1080p complète pour y trouver une plaque de 30x15 pixels génère de faux positifs et fait chuter le débit sous 10 FPS.
- La solution : Hiérarchie en 2 étapes — Détecter d'abord le véhicule (YOLOv3), puis localiser la plaque uniquement dans la zone du pare-chocs (YOLOv5), avec suivi CSRT sur les images intermédiaires.
📌 Points clés (TL;DR)
- Le problème : Les reflets sur route mouillée et les ombres créent des lignes parasites ; une simple vérification de coordonnées X déclenche des alertes erronées.
- La solution : Filtrage strict par pentes de droites et calcul du chevauchement de surface (IoU > 0,15) entre le polygone du véhicule et le tracé de la voie.
📌 Points clés (TL;DR)
- Le problème : Les vidéos de dashcam à haute vitesse souffrent de vibrations, de contre-jours et de flous de mouvement sévères, rendant la reconnaissance directe des plaques et des lignes très instable.
- La solution : Un pipeline modulaire en 6 étapes respectant une contrainte stricte de 30 FPS, associant vision géométrique, réseaux de neurones YOLO, super-résolution EDSR et vote temporel.
📌 Points clés (TL;DR)
- Le problème : Contraintes sévères sur microcontrôleur (Arduino Uno avec 2 Ko de SRAM), glissement des roues et Reality Gap entre simulateur et monde réel.
- La solution : Calcul de pose par vision externe au plafond (ArUco 6-DoF à 60 FPS) et transmission des commandes moteur en Bluetooth série HC-06.
📌 Points clés (TL;DR)
- L'objectif : Mesurer les performances réelles de la politique optimale ($\epsilon=0$) sans bruit stochastique afin de valider son déploiement en conditions réelles.
- Le résultat : Le Q-learning tabulaire atteint 92 % de succès tout en étant 15 fois plus léger en calcul que Deep Q-Networks (DQN).
📌 Points clés (TL;DR)
- Le problème : Quand la cible se trouve derrière un mur, la seule récompense de proximité attire le robot dans une impasse frontale : un minimum local.
- La solution : Champ de répulsion d'obstacle prioritaire et accélération par simulation headless sans rendu graphique.
📌 Points clés (TL;DR)
- Le problème : Des récompenses trop éparses (+1 à la cible, -1 en collision) provoquent une errance stérile du robot pendant des milliers d'épisodes.
- La solution : Façonnement de récompense dense par variation de distance géométrique ($\Delta d$) et pénalisation des rotations sur place.
📌 Points clés (TL;DR)
- Le problème : Des données de capteurs continues créent une explosion combinatoire d'états pour le Q-learning tabulaire ; la communication synchrone avec Webots exige une latence minime.
- La solution : Discrétisation compacte en 648 états (3 secteurs de distance, 4 quadrants de cap et 6 zones d'éloignement) et liaison par socket TCP local.