Présentations

Loren Shure, MathWorks

Insight. Implementation. Integration.

AI, or artificial intelligence, is transforming the products we build and the way we do business. It also presents new challenges for those who need to build AI into their systems. Creating an “AI-driven” system requires more than developing intelligent algorithms. It also requires:

• Insights from domain experts to generate the tests, models, and scenarios required to build confidence in the overall system
• Implementation details including  data preparation, compute-platform selection, modeling and simulation, and automatic code generation
• Integration into the final engineered system

Join us as Loren Shure demonstrates how engineers and scientists are using MATLAB^® and Simulink^® to successfully design and incorporate AI into the next generation of smart, connected systems.

Cynthia Cudicini, MathWorks

Découvrez les nouvelles fonctionnalités de la version R2019a des familles de produits MATLAB^® et Simulink^® qui vous permettront d’améliorer l’efficacité de vos travaux de recherche, de vos designs et de vos processus de développement.

Fulvio Martinelli, MathWorks

Les systèmes ADAS et de conduite autonome redéfinissent l’industrie automobile et changent de nombreux aspects de nos transports, des trajets quotidiens au camionnage longue distance. MATLAB^® et Simulink^® permettent de développer les composants de perception, de planification et de contrôle de ces systèmes.

Dans cette présentation, vous découvrirez ces solutions à travers les exemples suivants :

• Perception : conception d’algorithmes de LIDAR, vision, radar et fusion de capteurs avec des données en temps réel et enregistrées
• Planification : visualisation des cartes du réseau routier, conception de planificateurs de trajectoires et génération de code C/C++
• Contrôle : conception d’un contrôleur prédictif pour l’assistance à la conduite dans un embouteillage, test avec des scènes et capteurs synthétiques, génération de code C/C++
• Deep learning : annotation des données, apprentissage du réseau et génération de code GPU
• Systèmes : simulation d’algorithmes de perception et de contrôle, intégration et test de codes existants

 

Gérald Albertini, MathWorks

Le développement d’équipements conformes au standard 5G-NR s’accélère avec le déploiement des premiers équipements envisagés dès 2019. Le nouveau standard 5G NR (New Radio) est basé sur une architecture flexible qui constitue le socle des communications ultra-rapides et à faibles latences nécessaires à la nouvelle génération d’équipements pour les réseaux mobiles, le véhicule connecté, la ville intelligente, l’internet des objets industriels ou encore l’e-santé.

La flexibilité du standard 5G-NR rend toutefois la conception et le test d’équipements de nouvelle génération plus complexes et les ingénieurs en charge du développement de ces produits ont besoin d’une compréhension claire des concepts fondamentaux sur lesquels reposent la spécification 5G-NR.

Dans cette présentation, nous aborderons les éléments essentiels qui constituent la couche physique du standard 5G-NR : de la structure de la forme d’onde à la formation et la gestion des faisceaux dans les systèmes massive MIMO, en passant par la modulation et le codage, venez découvrir comment MATLAB^® vous permet de modéliser, simuler et évaluer les performances de bout en bout de votre système.

Valerie Leung, MathWorks

L’IA, ou intelligence artificielle, va modifier radicalement le rôle des ordinateurs dans nos vies professionnelles et privées. Les deux nouveaux workflows, le deep learning et le reinforcement learning, transforment l’ensemble des industries et améliorent les applications telles que le diagnostic des maladies, le véhicule autonome, ainsi que le contrôle de robots.

Cette présentation explique comment MATLAB^® vous accompagne dans les workflows de deep learning et de reinforcement learning, et aborde les sujets suivants :

• Automatisation de la préparation et de l’annotation des données d’apprentissage
• Interopérabilité avec les outils open source de deep learning
• Entrainement des réseaux de neurones profonds sur des images, signaux et texte
• Réglage des hyperparamètres pour accélérer le temps d’apprentissage et améliorer la précision du réseau
• Génération de code pour diverses cibles telles que NVIDIA^®, Intel^® et ARM^®

Victor Racine, Quantacell

Les laboratoires de recherche en biologie et en médecine génèrent toujours plus d'images, plus résolues et avec une gamme de marquage toujours plus étendue. Leur interprétation automatique permet de répondre à de nouvelles questions, de manière reproductible et rapide. Mais cela nécessite de concevoir de nouveaux outils permettant des interprétations automatiques et robustes. Nous présenterons un ensemble d'outils prototypés rapidement sur une base de MATLAB^® alliant l'analyse d'image, le machine learning et la visualisation de données.

Nicolas Castet, Airbus

L’objectif du projet présenté était de réaliser un démonstrateur permettant de valider les possibilités offertes par l’intelligence artificielle pour améliorer et simplifier les inspections de l’avion.

Ce projet s’est concentré sur trois axes principaux :

• La détection d’éléments dans un flux vidéo tels que des tuyaux, câbles, trous de ventilation, fixations, basée sur du deep learning
• L’application d’une mesure sur les éléments identifiés comme le rayon de courbure, centrage, distance, prise en compte de la perspective, en utilisant des techniques de traitement d’image
• La visualisation des résultats en temps réel, à l’aide d’un GPU portable, avec une vidéo de sortie contenant des indications en temps réel

Pierre Harouimi, MathWorks

L’émergence de l’intelligence artificielle permet aujourd’hui à l’industrie d’en tirer de larges bénéfices pour des applications telles que la maintenance prédictive. Cependant, modéliser un système physique pour le déployer à plus grande échelle peut contenir des complexités telles que :

• Peu voire pas de données de défaillances (anomalies)
• Un trop grand volume de données temps-réel provenant de nombreux et différents capteurs
• La difficulté de bâtir une architecture en streaming avec la gestion de la temporalité des données

Cette présentation a pour but de répondre à ces différents challenges, en utilisant MATLAB^®, Apache™ Kafka^® et Microsoft^® Azure^®. Vous découvrirez ainsi comment développer un modèle de machine learning pour prédire la maintenance d’un système. Ce modèle sera déployé sur le cloud et utilisera Kafka pour gérer les situations « out-of-order » (données en sortie désordonnées) ou de fenêtrage temporel. Ce système a été construit en seulement trois semaines, ce qui montre la facilité et la rapidité du prototypage d’un tel projet, favorisant ainsi l’expertise métier.

Olivier Bouissou, MathWorks

Tous les mois ou presque, l'actualité nous donne à apprécier les conséquences d'un bug logiciel. Aéronautique, automobile, médical ou autre ; tous les secteurs industriels sont exposés à ce risque, dont les conséquences peuvent être dévastatrices. Durant cette session, nous aborderons les différentes techniques d'analyse statique permettant de prévenir, détecter et éradiquer ces erreurs, tant sur des modèles de simulation que sur du code embarqué.

Sebastien Ratisseau, Zodiac Aero Electric

Zodiac Aero Electric (récemment rattaché au groupe Safran) conçoit et produit des cœurs électriques d'aéronefs. Alliant composants électrotechniques et logiciel embarqué, ces systèmes assurent la distribution de la puissance électrique à bord d'avions tels que l'A350 ou le 787. Historiquement, les clients de Zodiac ont incité les équipes R&D à développer et livrer, en complément des systèmes à proprement parler, des modèles de simulation représentatifs de leur comportement, visant à faciliter le travail d'intégration. De fil en aiguille Zodiac s'est approprié la méthodologie Model-Based Design, désormais communément employée. À travers l'évocation de projets phares pour le groupe, cette intervention retracera l'adoption du Model-Based Design, mettant l'accent sur les motivations sous-jacentes, les activités mises en place ainsi que les gains observés.

Romain Lachaux, MathWorks

Le système de gestion de batterie (BMS) garantit des performances optimales, une utilisation sans risques et une durée de vie maximisée d’un pack batterie, et ce pour une large palette de profils d’utilisations. Grâce à Simulink^®, les ingénieurs utilisent la simulation afin de modéliser la réponse du système et les algorithmes de contrôle. Il est alors possible de surveiller divers paramètres comme la température, l’état de charge (SOC) ou encore l’état de santé (SOH) des cellules de la batterie pour l’ensemble des conditions d’utilisations visées.

Simulink aide les ingénieurs à réaliser des simulations très tôt dans le développement afin d’itérer rapidement sur le design du système. Ces simulations seront également utiles pour la phase de tests hardware-in-the-loop (HIL) avant l’implémentation sur des prototypes physiques, limitant ainsi les risques de défaillance.

Dans cette présentation, vous découvrirez comment Simulink facilite la collaboration entre ingénieurs de différents domaines tout au long du cycle de développement.

Daniel Martins, MathWorks

La certification d’un système implique un grand nombre d’activités dont certaines sont liées au développement logiciel. Il s’agit alors de montrer que le logiciel produit remplit bien sa fonction avec un degré de confiance suffisant. Simulink est utilisé pour le développement d’algorithmes et la génération de code par de nombreuses industries. Celles-ci ont très rapidement voulu aller jusqu’à la certification et tirer un maximum de crédits de son utilisation. Cette présentation couvrira un ensemble d’objectifs directement atteignables dans l’environnement Simulink^®.

Laurent Royer, MathWorks

Le model-based system engineering peut être interprété différemment par différentes équipes, mais la plupart des approches partent d'exigences pour mener une décomposition du système et suivre le processus d'allocation des exigences. Des arbitrages sont ensuite menés sur les variantes d'architectures systèmes afin de produire l’architecture candidate à partir de laquelle l'algorithme est développé puis simulé pour valider les exigences.

Cette présentation montre comment les solutions MathWorks rendent possible ce workflow, en permettant aux utilisateurs de :

• Capturer, visualiser, analyser et gérer les exigences
• Développer un modèle d'architecture à partir des exigences, de modèles Simulink existants ou d'autres architectures
• Examiner le modèle d'architecture en s'appuyant sur plusieurs vues
• Allouer des exigences aux composants et réaliser des analyses de couverture et d'impact du changement
• Réaliser des études pour comparer, évaluer ou optimiser l'architecture du système
• Concevoir les composants spécifiés dans le modèle d'architecture
• Vérifier le comportement du système par simulation

Fahd Morchid, MathWorks

Les besoins en innovation, les temps de développement réduits et les exigences de qualité ont significativement tendus les flots traditionnels de conception FPGA, ASIC et SoC.

Dans cette présentation, vous découvrirez l’utilisation du Model-Based Design avec MATLAB^® et Simulink^® pour la conception et la vérification des systèmes et algorithmes, et comment :

• Vérifier le bon fonctionnement des algorithmes au niveau système
• Optimiser les algorithmes sur la précision des données et avec une architecture adaptée aux FPGA, ASIC et SoC
• Prototyper et débugger un modèle en cours d’exécution sur une plateforme hardware connectée à MATLAB et Simulink
• (Re)-générer les designs validés et les modèles de vérification
• Disposer d’un flot de conception intégré pour accélérer la vérification et respecter les spécifications fonctionnelles

Kévin Roblet et Mathieu Cuenant, MathWorks

Introduit il y a plus de 20 ans, le concept de maintenance prédictive connait aujourd’hui un vif regain d’intérêt. Grâce aux technologies à disposition, les ingénieurs peuvent concevoir des algorithmes permettant d’anticiper des défaillances, et mettre ces derniers en production dans des infrastructures de type « cloud ».

Durant cette session, venez découvrir comment les outils MathWorks vous aident à construire des indicateurs de santé d’un équipement, élaborer des estimateurs de durée de vie ou mettre au point des jumeaux numériques. Nous aborderons également l’aspect collecte, centralisation et traitement de données en provenance d’équipements connectés.

Gérald Albertini, MathWorks

Le développement de systèmes autonomes connait actuellement une phase de croissance exponentielle. Les applications les plus emblématiques étant certainement liées au développement des véhicules autonomes ou des drones dotés de capacités de pilotage et navigation automatique, que ce soit pour des applications de transport de biens ou de personnes ou encore pour l’aide aux victimes de catastrophes naturelles.

Dans cette présentation, vous découvrirez comment concevoir, simuler et analyser des systèmes qui fusionnent les données issues de capteurs hétérogènes afin de maintenir des informations de position et d’orientation précises, mais également établir une connaissance de son environnement immédiat.

A partir d’exemples concrets, nous aborderons les points suivants :

• Définition de trajectoires et de scénarios multi-plateformes
• Simulation de mesures de centrales inertielles et GPS
• Génération de détections à partir de modèles de capteurs radar, EO/IR et sonar
• Conception d’algorithmes de pistage multi-cibles, de fusion et de localisation
• Evaluation des performances système à partir de données réelles ou synthétiques

Olivier Berard, MathWorks

Développer un produit performant, robuste et pour un coût optimisé nécessite d’avoir au plus tôt, dans son processus de design, la capacité à percevoir finement les interactions entre les différents composants du système dans lequel il s’intègre. La modélisation est un moyen efficace de répondre à ce besoin.

Les solutions MathWorks de simulation et de génération de code vous accompagnent dans ces contextes de prototypage, de production et de certification. Ces outils vous permettent de développer, simuler et analyser votre système. Vos modèles peuvent aussi servir de spécifications pour générer automatiquement du code embarquable sur des cibles temps-réel et permettre ainsi le passage de la simulation virtuelle à des tests sur matériel.

Dans cette présentation, nous traiterons des capacités de MATLAB^® et Simulink^® à générer du code embarqué à destination de simulateurs temps-réel, de microcontrôleurs et de DSP.

Nous verrons ainsi comment MATLAB et Simulink peuvent étendre votre capacité à vérifier vos choix de conception et leur mise en œuvre au plus tôt et à moindre coût.

David Terrier, Fresenius Kabi

Fresenius Kabi conçoit et fabrique des appareils médicaux dont le logiciel embarqué est soumis à de fortes contraintes normatives (IEC 62304). Pour développer une nouvelle gamme de pompe à perfusion, les ingénieurs se sont appuyés sur la méthodologie Model-Based Design ; de l'élaboration des spécifications à la génération du code de production, en passant par le prototypage rapide et les étapes de vérification. Ce témoignage mettra en exergue les bénéfices d'une telle approche, tout en insistant sur les étapes suivies en vue de la certification du système.

Pascal Paper, Airbus

La méthode PMM^® (Property Model Methodology), guidée par les objectifs de la norme ARP4754A, propose à l’ingénieur système une approche incrémentale, efficace et naturelle, dédiée à la spécification et à la conception des systèmes. Depuis début 2017, elle a été évaluée avec succès au sein d’AIRBUS HELICOPTERS, et les solutions MathWorks ont été sélectionnées pour en soutenir l’implémentation. Suite à la présentation des principes et processus de l’approche PMM, les résultats et les perspectives industrielles mettront en évidence la manière dont cette approche pourra contribuer à répondre aux défis des futurs développements.

Igor Carron, LightOn

A large aspect of the development in artificial intelligence in recent years has revolved around building and the very fast iteration on a diverse set of tasks that can be automated. This rapid development has been enabled in large part due to improvement in computational hardware and to a dynamic community involvement. However, some are beginning to see signs of an endgame for hardware performance improvement with a continuing need for ever more complex algorithms developments. In this talk, we will provide insights on using new physical phenomena to build new computational hardware and how to engage the AI community in this exciting adventure.

Avec la participation de :

• Brice Beltran, DGA Techniques Aéronautiques
• James Bezamat, Safran Electronics & Defense
• Luc Pelle, PMV Consulting Services
• David Terrier, Fresenius Kabi
• Patrick Munier, MathWorks