Methods and tools for the development of explainable embedded artificial neural networks for autonomous transportation

在智能人工智能方面，尤其是L的徒弟更是深谙传统，博采众长。Néanmoins，de tees décitions sont displexiquer car les réseaux de Neurons second(DNN)Sont Toujour perçus comme des“boçtes nores”Qui réalisent des Algplicilement Comparéhensible Par les Homaines Car les Sont Assez Loines du Reasonement Humain(DNN)。某些应用程序批评告诉交通自动驾驶普罗维登斯关于Pouvit Non Seeit Uniulement Explexiquer Leur décisions maiségalement certifator la bonne décision est dans les bonnes情况的规定。神经网络(BNN)是一种简单的语音合成方法。再加上，我们的自然语言(Vrai Ou Faaux)是一种自然的语言，这句话的意思是：候选人和候选人之间的关系是正确的，S的观点是正确的。该项目提出了人工神经元应用程序(ANN)，尤其是与S研发人员的互动，使S的列车实现了自主化。项目的原则是：一)提出一个科学合理的分段方案；二)提出实施L的《企业会计准则》；三)提出一个可解释的、可证明的方案；三)提出一个可解释的方案。加拿大/魁北克省最重要的项目是维护其领导权和情报人工活动，以及加拿大和加拿大的交通运输系统和L的活动。CE项目贡献了形成和发展博士后、三国医生、六人组和六人组(IA)，以及加拿大的国家和地区需求。

Les avancées récentes en intelligence artificielle, en particulier l'apprentissage profond, montrent que, pour certaines applications, la machine est meilleure que les humains pour prendre des décisions. Néanmoins, de telles décisions sont difficiles à expliquer car les réseaux de neurones profonds (DNN) sont toujours perçus comme des "boîtes noires" qui réalisent des algorithmes difficilement compréhensibles par les humains car ils sont assez lointains du raisonnement humain. Certaines applications critiques telles que le transport autonome pourraient théoriquement bénéficier de ces avancées récentes de DNN si on pouvait non seulement expliquer leurs décisions mais également certifier que la bonne décision est prise dans les bonnes circonstances. Les réseaux de neurones binaires (BNN) permettent une mise en oeuvre à faible consommation. De plus, leur nature booléenne (vrai ou faux) fait que ce sont de bons candidats pour expliquer leur comportement et prouver certaines propriétés avec des théorèmes formels. Le présent projet propose d'étudier le processus d'apprentissage des réseaux de neurones artificiels (ANN), en particulier les BNNs, avec des outils interactifs développés récemment par Zetane afin de développer des réseaux ANNs/BNNs modulaires de faible puissance pouvant être utilisés dans les capteurs (caméra / radar / lidar) développés par Thales pour les trains autonomes. Le projet couvrira trois axes principaux : i) proposer un ANN modulaire pour la segmentation de la scène ferroviaire ; ii) proposer des implémentations de faible puissance pour l'extraction de caractéristiques binaires et le BNN en tant que tel pour l'informatique embarquée; et iii) proposer des méthodes et des outils pour construire un ANN/BNN explicable et certifiable. Ce projet est important pour le Canada/Québec afin de maintenir son leadership en intelligence artificielle et son rôle actif dans les systèmes de transport de demain au Canada et à l'échelle mondiale. Ce projet contribuera à la formation d'un chercheur postdoctoral, trois étudiants au doctorat, six étudiants à la maitrise et neuf stagiaires dans un domaine (IA) qui est en forte demande au Canada.