Year: 2019
Type: dissertation
Abstract: Plus de 15 000 demandes de secours en montagne sont recensées chaque année, sur le territoire français, en majorité durant les périodes estivales et hivernales. Lorsque ces demandes concernent des interventions à l’extérieur des domaines skiables, elles sont réalisées par des corps spécialisés, comme les Pelotons de Gendarmerie en Haute-Montagne (PGHM). Ces secouristes spécialisés sont chargés de l’opération de secours en tant que telle, mais également de sa préparation, ce qui implique notamment de délimiter la zone d’intervention et donc d’identifier la position de la victime. Cette étape peut s’avérer difficile, car elle nécessite que le requérant décrive le plus précisément possible sa position, malgré la fatigue, la panique ou sa méconnaissance de la région. Grace à la multiplication des téléphones dotés de GPS, des solutions de géo-localisation plus fiables et précises ont été développées, mais les secouristes doivent encore procéder fréquemment à une localisation manuelle, s’appuyant uniquement sur le discours du requérant, leurs connaissances et leur expérience.L’objectif de cette thèse est de proposer une méthode permettant d’assister les secouristes dans la situation où la position du requérant ne peut être identifiée que manuellement. Nous proposons de développer une méthode permettant d’identifier les zones correspondant à une description orale de position (e.g. « Je suis à côté d’un lac »), c’est-à-dire permettant de transformer une position exprimée dans un référentiel indirect (une description orale) en une position exprimée dans un référentiel direct, c’est-à-dire décrite par des coordonnées, qu’il est alors possible de cartographier. Le développement d’une telle méthode se heurte à de nombreux verrous scientifiques, comme la prise en compte de l’imprécision inhérente au langage naturel, de potentielles erreurs de description ou l’identification de la sémantique des prépositions utilisées pour décrire une position en milieu montagneux.
Source: HAL
Author: Bunel, Mattia
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W3186227256