Guilhem Carmouze

UPSSITECH, école d’ingénieurs de l’Université de Toulouse. Niveau Master. Cinquième et dernière année en 2026-2027.

UPSSITECH, Université de Toulouse

Artificial Intelligence Research Center (AIRC), AIST, Tsukuba, Japon. Rapport de 29 pages en anglais : « Creation of a 360° Navigation Dataset Using 3D Gaussian Splatting ».

• Développement d’ArtiFixer-360, un pipeline d’une vidéo pinhole à une vidéo 360° : COLMAP, scène de gaussiennes 3DGRUT, rig ancré dans le monde de 14 vues de 110° qui se recouvrent, réparées ensemble par un modèle de diffusion vidéo 14B puis redistillées dans la scène, critères d’acceptation sans référence. +23 602 lignes et 119 tests sur l’ArtiFixer amont de NVIDIA ; nœuds à 4 GPU du cluster ABCI.
• Synchronisation tenant compte de la profondeur : −27 % d’erreur de recouvrement de profondeur inter-vues sur les vues réparées (0,0340 à 0,0247), avant distillation. Essai de référence de 117 images : erreur de recalage temporel (MAE, rendus bruts contre sortie) de 0,037 à 0,020. L’essai complet de 154 images a échoué à mes propres critères d’acceptation, d’où une refonte qui part de la géométrie.
• Phases précédentes : A* sur grille d’occupation à 5 cm et panoramas de 4096 × 2048 rendus depuis six vues pinhole (simulation DISCOVERSE et MuJoCo) ; interface ROS 2 Humble préparée pour un modèle de navigation visuelle sur le robot Kachaka (sur main, modèle non branché ; aucun essai sur le vrai robot revendiqué).
• Aussi : travail sur SVLR (training-free visual language robotics, CNRS-AIST JRL), un pipeline modulaire qui transforme une consigne en actions du robot sans entraînement.

Outils d’IA utilisés pour la recherche, le code et la relecture, comme déclaré dans le rapport ; pas pour lancer les expériences ni produire les résultats.

Codeartifixer-360-pipelinenav_3dgs_panoKachakaNavigation

Usine 4.0 (Industrie 4.0, usine connectée), avec ma promotion à l’UPSSITECH.

• Ma part : la couche de simulation et d’outillage. Simulateur Pygame 2D avec caméra qui s’ajuste à la piste, chargeur de pistes de cônes CSV typé et modèle de capteur à champ de vision configurable qui sélectionne les cônes visibles.
• Aussi : détection de cônes (PyTorch), traitement d’image et commande (ROS, Python, C++). Planificateurs : travail de mes coéquipiers.

CodeTLSe_Racing_DriverlessPathPlanning

Équipe de six : pilotage des moteurs par Arduino, caméra Raspberry Pi, cartographie LiDAR avec ICP, commandes vocales, suivi de balle.

• Ma part : l’interface web, une application monopage qui pilote le robot par l’API Web Bluetooth ; le flux caméra MJPEG du Raspberry Pi ; l’algorithme qui transforme les coordonnées image de la balle en commandes pour la garder centrée ; le cadencement des commandes vocales découpées.
• Le semestre d’avant, avec un camarade de promotion : un détecteur de balles de couleur en C11 pur, sans OpenCV.

CodePFR2 (dépôt d’équipe)PFR