{"id":22,"date":"2015-06-15T11:01:33","date_gmt":"2015-06-15T09:01:33","guid":{"rendered":"http:\/\/members.loria.fr\/thierrygartiser\/?page_id=22"},"modified":"2026-03-24T10:08:16","modified_gmt":"2026-03-24T08:08:16","slug":"projets","status":"publish","type":"page","link":"https:\/\/members.loria.fr\/DBoltcheva\/projets\/","title":{"rendered":"Projects"},"content":{"rendered":"

\"\"<\/a>My work spans computer graphics to computational geometry and topology. With an overall goal of shape analysis and understanding, my research interests include the acquisition, reconstruction and processing of 3D shapes.<\/p>\n

\"\"<\/a><\/p>\n

I have worked on shapes digitized with laser scanners as well as medical imagery. These shapes range from human bodies and organs to animals, trees, plants or even mechanical parts.<\/p>\n

Keywords:<\/strong> mesh generation, shape understanding, geometry processing, computational topology, feature detection, 3D shape analysis.<\/p>\n

 <\/p>\n

AFFECT : Du pixel au pouls, du shader \u00e0 l\u2019\u00e9motion<\/h4>\n

Ce projet vise \u00e0 explorer comment les environnements immersifs XR peuvent moduler nos \u00e9tats \u00e9motionnels et nos perceptions.<\/em><\/span><\/p>\n

Imaginez-vous un environnement immersif qui ne se contente pas de montrer des images ou de jouer des sons, mais qui est construit comme une v\u00e9ritable partition fr\u00e9quentielle<\/strong>.<\/p>\n

\"\"<\/a><\/p>\n

Tout commence par quelques fichiers JSON : de simples lignes de texte qui d\u00e9crivent la \u00abpersonnalit\u00e9\u00bb de chaque stimulus \u2014 ses fr\u00e9quences visuelles, son rythme sonore, sa densit\u00e9, sa vitesse. Ces param\u00e8tres sont ensuite interpr\u00e9t\u00e9s par Unity, qui agit comme un chef d\u2019orchestre. Il g\u00e9n\u00e8re des textures, active des shaders, synchronise le son et les mouvements, et assemble le tout dans une sc\u00e8ne XR vivante.<\/div>\n
<\/div>\n
Une fois le casque enfil\u00e9, le participant se retrouve plong\u00e9 dans un monde o\u00f9 chaque oscillation visuelle, chaque pulsation sonore et chaque micro\u2011mouvement de t\u00eate fait partie d\u2019un m\u00eame syst\u00e8me. Cette multimodalit\u00e9 n\u2019est pas un simple d\u00e9cor : elle est con\u00e7ue pour dialoguer avec le cerveau<\/strong>.<\/div>\n
Les fr\u00e9quences lentes tendent \u00e0 activer les dynamiques alpha<\/em>, associ\u00e9es au calme et \u00e0 la r\u00e9gulation. Les fr\u00e9quences rapides, elles, stimulent les dynamiques gamma<\/em>, li\u00e9es \u00e0 la vigilance et \u00e0 l\u2019activation \u00e9motionnelle.<\/div>\n
<\/div>\n
Pendant que l\u2019exp\u00e9rience se d\u00e9roule, le corps r\u00e9pond. Le c\u0153ur ralentit ou s\u2019acc\u00e9l\u00e8re, la peau devient plus ou moins conductrice, la pupille se contracte ou se dilate, la respiration se synchronise ou se d\u00e9r\u00e8gle l\u00e9g\u00e8rement. Tous ces signaux sont enregistr\u00e9s en continu, comme si l\u2019on captait la bande\u2011son physiologique de l\u2019exp\u00e9rience<\/strong>.<\/div>\n
<\/div>\n
L’objectif du projet est justement de comprendre ce dialogue subtil : comment la structures fr\u00e9quentielle d’un environnement immersif influence-t-elle l’\u00e9tat interne d’une personne ? Peut-on pr\u00e9dire l’apaisement ou l’activation \u00e9motionnelle \u00e0 partir de la fa\u00e7on dont le cerveau et le corps r\u00e9sonnent avec ces stimuli ?<\/div>\n
<\/div>\n
En reliant le pipeline technique, la perception multimodale, les dynamiques neuronales et les r\u00e9ponses physiologiques, le projet cherche \u00e0 cartographier cette cha\u00eene compl\u00e8te \u2014 du pixel au pouls, du shader \u00e0 l\u2019\u00e9motion<\/strong><\/span>. \u00a0\u00a0 \u00a0\u00a0 Plus…<\/a><\/div>\n
<\/div>\n
<\/div>\n
\n
\n<\/div>\n

Neurobooths-os<\/a>\u00a0is a python package to initialize, synchronize and record behavioral and physiological data streams from wearables, D-\/RGB cameras, eye tracker, ECG, mouse and microphone in a booth.<\/p>\n

Human Computer Integration Lab\u00a0 <\/a>engineer interactive devices that\u00a0integrate<\/b> directly with the user’s body.<\/p>\n

Neurofeedback Home Devises <\/a>neurofeedback training at home is now accessible to anyone interested in improving mental focus, reducing stress, or enhancing overall well-being.<\/strong><\/em><\/p>\n

\n

EatingXR<\/h4>\n

Ce projet, en collaboration avec Muriel Jacquot<\/a>, vise \u00e0 d\u00e9velopper une d\u00e9gustati\"\"<\/a>on multisensorielle augment\u00e9e.\u00a0 Il s’agit de proposer une extension du syst\u00e8me Eating, initialement con\u00e7u pour simuler le geste de manger en XR, vers une interaction hybride combinant d\u00e9gustation r\u00e9elle d\u2019un bol de riz et diffusion olfactive synchronis\u00e9e.<\/p>\n

Concr\u00e8tement, l’extension du syst\u00e8me vers une interaction r\u00e9elle n\u00e9cessite une formalisation math\u00e9matiques pr\u00e9cise du geste r\u00e9el, de la profondeur dans le bol et la pr\u00e9diction du mouvement et la latence olfactive. Il s’agit donc\u00a0de mettre en place des mod\u00e8les adapt\u00e9s pour garantir la coh\u00e9rence temporelle et spatiale entre le geste r\u00e9el, la bouche virtuelle et la diffusion d’odeur.<\/p>\n

 <\/p>\n

Topological-based roof modeling from 3D point clouds<\/span><\/h4>\n

\"\"\u00a0\u00a0\u00a0<\/a>Automatic extraction of building roofs from remote sensing data is important for many applications including 3D<\/span>city modeling, urban planning, disaster management, and simulations. In this paper, we propose an automatic<\/span>workflow for roof reconstruction by polygonal models from classified high-density LIDAR data. Roof planes are<\/span>initially delineated by a segmentation algorithm combining a robust Hough-based normal estimator and a region<\/span>growing strategy. Then, each roof is modeled by a 2D <\/span>\u03b1<\/span>-shape mesh which is used to discover not only building<\/span>outline but also all ridges defined by intersecting roof planes, without any geometrical calculations. The mesh<\/span>directly encodes the topological relations between neighboring planes which allows us to build the final polygonal<\/span>model straightforwardly. This topological approach makes our solution more simple and robust than existing<\/span>methods which mostly extract the intersection lines by means of geometrical computations. Experimental results<\/span>show that the proposed workflow offers a high success rate for extraction at plane level (94% completeness, 92.7%<\/span>correctness, 90.8% quality) when LIDAR point density is sufficiently high.<\/span><\/p>\n

 <\/p>\n

Surface mesh generation from 3D point clouds<\/h4>\n

\"\"<\/a>La num\u00e9risation d\u2019objets r\u00e9els est de plus en plus utilis\u00e9e dans des domaines tels que la CAO, l\u2019architecture, la simulation scientifique ou la fabrication additive. Les outils d\u2019acquisition (scanner laser, Kinect, photogramm\u00e9trie,…) permettent de produire des repr\u00e9sentations num\u00e9riques d\u2019objets sous forme de nuages de points 3D qui \u00e9chantillonnent la surface de ces objets. Il faut alors produire \u00e0 partir de ces points un maillage qui approxime ou interpole les points d\u2019entr\u00e9e. (Par exemple, la figure ci-contre est une reconstruction du ch\u00e2teau Saint Gallen \u00e0 partir d\u2019un \u00e9chantillon LIDAR de 14 millions de points.) C\u2019est un probl\u00e8me fondamental mais difficile car il faut choisir le maillage le plus \u00ab\u00a0probable\u00a0\u00bb selon des crit\u00e8res mal d\u00e9finis.<\/p>\n

Objectifs :<\/strong> Diverses m\u00e9thodes ont \u00e9t\u00e9 propos\u00e9es pour aborder ce probl\u00e8me de reconstruction : Ball Pivoting<\/em>, Cocone<\/em>, Poisson<\/em> . . . Certaines se comportent tr\u00e8s bien en pratique, mais avec peu de garanties th\u00e9oriques sur la qualit\u00e9 du r\u00e9sultat. D\u2019autres sont bien comprises th\u00e9oriquement mais s\u2019av\u00e8rent moins efficaces en pratique. L\u2019objectif de ce travail est de concilier ces deux types d\u2019approches.
\nLes m\u00e9thodes qui offrent des garanties th\u00e9oriques commencent par calculer un premier volume approximant la surface, puis s\u2019en servent pour filtrer une subdivision bien choisie de l\u2019espace 3D ambiant, produisant ainsi une soupe de triangles qu\u2019elles traitent (suppression de slivers, recollements locaux) pour obtenir un maillage. La subdivision de l\u2019espace ambiant est g\u00e9n\u00e9ralement la t\u00e9tra\u00e8dralisation de Delaunay de l\u2019\u00e9chantillon, l\u2019approximation volumique varie (union de boules ou de co-cones par exemple). Si l\u2019\u00e9chantillon est suffisamment pr\u00e9cis, le maillage produit est garanti d\u2019\u00eatre une bonne approximation g\u00e9om\u00e9trique et topologique de la surface originelle.<\/p>\n

Nous avons r\u00e9cemment propos\u00e9 une variante de ces m\u00e9thodes qui s\u2019affranchit de la construction (co\u00fbteuse) d\u2019une \"\"<\/a>subdivision de l\u2019espace ambiant. Il s\u2019agit de calculer directement le diagramme de Vorono\u00ef des points d\u2019entr\u00e9e restreint \u00e0 l\u2019union de disques centr\u00e9s aux points et orthogonaux aux normales estim\u00e9es de la surface aux points. Cela revient \u00e0 calculer de mani\u00e8re ind\u00e9pendante la facette de Vorono\u00ef restreinte pour chaque point d\u2019entr\u00e9e, par une routine de type polygon-plan clipping. La figure de droite montre les facettes de Vorono\u00ef calcul\u00e9es, sur un cheval, pour diff\u00e9rentes valeur du rayon des disques.
\nCette m\u00e9thode se comporte exp\u00e9rimentalement tr\u00e8s bien, notamment car elle se parall\u00e9lise tr\u00e8s facilement.
\nActuellement, elle est d\u00e9j\u00e0 d\u00e9ploy\u00e9e par plusieurs industriels, dont Trimble\u00a0<\/a>, fabriquant de scanners 3D. L\u2019objectif de ce stage est d\u2019\u00e9tudier ses performances d\u2019un point de vue th\u00e9orique. On \u00e9tudiera en particulier les\u00a0 techniques similaires de construction locales d\u00e9velopp\u00e9es en g\u00e9om\u00e9trie algorithmique. On s\u2019efforcera notamment de d\u00e9crire de quelle mani\u00e8re le maillage reconstruit s\u2019\u00e9loigne d\u2019une triangulation de Delaunay restreinte.<\/p>\n

 <\/p>\n

Building modelling from LIDAR data<\/h4>\n
Reconnaissance de b\u00e2timents \u00e0 partir de nuages de points 3D<\/h5>\n

La num\u00e9risation d\u2019objets r\u00e9els est de plus en plus utilis\u00e9e dans des domaines tels que l\u2019urbanisme, l\u2019architecture ou l\u2019am\u00e9nagement d\u2019espaces publics. Les outils d\u2019acquisition tels que les lidars ou la photogramm\u00e9trie permettent de produire des repr\u00e9sentations num\u00e9riques de villes enti\u00e8res sous forme de nuages de points 3D \u00e9chantillonnant les surfaces des objets de l\u2019environnement.
\nAujourd\u2019hui, le processus de cr\u00e9ation d\u2019une maquette num\u00e9rique \u00e0 partir de tels relev\u00e9s est long, fastidieux et essentiellement manuel. Dans ce processus de r\u00e9tro conception, l\u2019op\u00e9rateur humain trace \u00e0 la main les \u00e9l\u00e9ments constitutifs de la maquette de sorte \u00e0 coller au mieux au nuage de points. \"\"<\/a><\/p>\n

Par exemple, la figure ci-contre repr\u00e9sente une maquette virtuelle de la ville de Monaco, g\u00e9n\u00e9r\u00e9e avec le logiciel RhinoCity \u00e0 partir de donn\u00e9es lidar et de photogramm\u00e9trie. Des outils d\u2019assistance semi-automatiques \u00e9mergent sur le march\u00e9, mais ils ne r\u00e9pondent pas suffisamment au besoin, tant en termes de pr\u00e9cision que d\u2019efficacit\u00e9.<\/p>\n

Notre \u00e9quipe de recherche travaille en collaboration avec la soci\u00e9t\u00e9 RhinoTerrain<\/a> qui est sp\u00e9cialis\u00e9e dans la g\u00e9omatique et l\u2019imagerie 3D. Elle d\u00e9veloppe une nouvelle g\u00e9n\u00e9ration d\u2019outils 3D de \u201cG\u00e9o-Mod\u00e9lisation\u201d d\u00e9di\u00e9s \u00e0 la production structur\u00e9e de donn\u00e9es g\u00e9or\u00e9f\u00e9renc\u00e9es et standardis\u00e9es. Un des axes R&D de la soci\u00e9t\u00e9 porte sur l\u2019optimisation du processus de r\u00e9alisation d\u2019une maquette 3D \u00e0 partir des relev\u00e9s pouvant provenir de sources diff\u00e9rentes (points 3D lidar, images satellites, photos,
\netc.). L\u2019objectif est, bien s\u00fbr, de r\u00e9duire les co\u00fbts li\u00e9s \u00e0 la constitution des maquettes, d\u2019accro\u00eetre sa comp\u00e9titivit\u00e9 et d\u2019acc\u00e9l\u00e9rer l\u2019adh\u00e9sion des industriels \u00e0 la m\u00e9thodologie. L\u2019objectif \u00e0 long terme est de d\u00e9velopper un outil permettant d\u2019assister le dessinateur dans la cr\u00e9ation des maquettes 3D de mani\u00e8re semi-manuelle.<\/p>\n

 <\/p>\n

Geological modelling from LIDAR data<\/h4>\n
D\u00e9tections des lignes caract\u00e9ristiques \u00e0 partir de donn\u00e9es scanners de massifs rocheux<\/h5>\n

L\u2019interpr\u00e9tation de donn\u00e9es num\u00e9riques de massifs rocheux, \u00e9galement nomm\u00e9 affleurements, est une \u00e9tape cruciale pour l\u2019analyse des corps g\u00e9ologiques, leur g\u00e9om\u00e9trie et leur agencement. Elle est n\u00e9cessaire pour la compr\u00e9hension et la reconstitution spatio-temporelle des ph\u00e9nom\u00e8nes de formation du sous-sol.<\/p>\n

\"\"<\/a>Aujourd\u2019hui, le scanner LIDAR est un syst\u00e8me de t\u00e9l\u00e9mesure attrayant car il offre la possibilit\u00e9 d\u2019obtenir la g\u00e9om\u00e9trie d\u2019un affleurement en un temps raisonnable. Lors des campagnes de r\u00e9coltes de donn\u00e9es par LIDAR, l\u2019acquisition de la g\u00e9om\u00e9trie des affleurements s\u2019effectue soit par voie terrestre, soit par LIDAR a\u00e9roport\u00e9 dans le cas des falaises (cf. figure ci-contre). Cependant, les volumes g\u00e9n\u00e9r\u00e9s atteignent souvent plusieurs millions de points pour quelques kilom\u00e8tres d\u2019acquisition. Du fait des quantit\u00e9s de donn\u00e9es \u00e0 traiter, l\u2019interpr\u00e9tation r\u00e9alis\u00e9e de fa\u00e7on manuelle se r\u00e9v\u00e8le fastidieuse et chronophage. Elle s\u2019attache principalement \u00e0 relever, \u00e0 partir des donn\u00e9es num\u00e9riques d\u2019affleurements, les points d\u00e9crivant les discontinuit\u00e9s i.e. les limites stratigraphiques et les fractures. L\u2019automatisation partielle de cette \u00e9tape constitue le principal objectif de ce travail, \u00e0 long terme.<\/p>\n","protected":false},"excerpt":{"rendered":"

\"\"<\/a>My work spans computer graphics to computational geometry and topology. With an overall goal of shape analysis and understanding, my research interests include the acquisition, reconstruction and processing of 3D shapes.<\/p>\n

\"\"<\/a><\/p>\n

I have worked on shapes digitized with laser scanners as well as medical imagery. These shapes range from human bodies and organs to animals, trees, plants or even mechanical parts.<\/p>\n

Keywords: mesh generation, shape understanding, geometry processing, computational topology, feature detection, 3D shape analysis.<\/p>\n

 <\/p>\n

AFFECT : Du pixel au pouls, du shader \u00e0 l\u2019\u00e9motion<\/p>\n

Ce projet vise \u00e0 explorer comment les environnements immersifs XR peuvent moduler nos \u00e9tats \u00e9motionnels et nos perceptions.<\/em><\/p>\n","protected":false},"author":5,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"page-fullwidth.php","meta":{"footnotes":""},"class_list":["post-22","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/members.loria.fr\/DBoltcheva\/wp-json\/wp\/v2\/pages\/22","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/members.loria.fr\/DBoltcheva\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/members.loria.fr\/DBoltcheva\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/members.loria.fr\/DBoltcheva\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/members.loria.fr\/DBoltcheva\/wp-json\/wp\/v2\/comments?post=22"}],"version-history":[{"count":77,"href":"https:\/\/members.loria.fr\/DBoltcheva\/wp-json\/wp\/v2\/pages\/22\/revisions"}],"predecessor-version":[{"id":694,"href":"https:\/\/members.loria.fr\/DBoltcheva\/wp-json\/wp\/v2\/pages\/22\/revisions\/694"}],"wp:attachment":[{"href":"https:\/\/members.loria.fr\/DBoltcheva\/wp-json\/wp\/v2\/media?parent=22"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}