Altran

About: Altran is a company organization based out in Neuilly-sur-Seine, France. It is known for research contribution in the topics: Software development & Formal verification. The organization has 488 authors who have published 512 publications receiving 6395 citations.

Modelling Aerodynamics Unsteady Loads on the Horizontal Tail Plane of a Civil Aircraft

Abstract: During flight, emergency descent situations are part of those extreme conditions that can lead the empennage of an aircraft to vibrate. These vibrations are mainly due to the separated flow on the upper surface of the structure which increases the pressure fluctuations on the empennage, sometimes leading to buffeting. This situation can cause structural fatigue and can induce certification and design constraints on the structure. Hence, an accurate prediction of the unsteady loads is needed to take these forces into account in the early phase of the empennage design. This paper presents a new approach to accurately model the unsteady aerodynamic loads resulting from the interaction between the horizontal tail plane and the wing wake. The method is based upon the coherence method and is compared to the method developed by Soumillon [2], based upon the correlation method. The results obtained by this new model show good agreements with the experimental data.

Video based vehicle detection and tracking for driver assistance systems

Abstract: El presente trabajo se centra en el uso de las tecnicas analisis de imagen y vision artificial en el ambito de los sistemas avanzados de ayuda a la conduccion, comunmente conocido por sus siglas en ingles, ADAS (Advanced Driver Assistance Systems). Los sistemas basados en vision artificial suponen un complemento muy potente a los sistemas clasicos que usan sensores activos, ya que su caracter no-intrusivo evita posibles interferencias entre vehiculos, ofreciendo una mayor riqueza de informacion con un coste mas asequible. Los principales retos para la vision por ordenador en este campo son la gran heterogeneidad de los vehiculos y su entorno, el efecto de la iluminacion y las condiciones meteorologicas en su apariencia. Particularmente, se aborda la deteccion y el seguimiento automatico de vehiculos con una camara monocular embarcada y apuntando en la direccion de avance del vehiculo. Se plantea como contribucion principal un marco global con un enfoque estadistico que tenga en cuenta la variabilidad del entorno, de manera que los vehiculos se puedan identificar independientemente de su apariencia y de las condiciones de la escena. El marco se compone de tres bloques: generacion de hipotesis, verificacion de hipotesis, y seguimiento. La generacion de hipotesis, deteccion de regiones donde potencialmente hay vehiculos, se basa en una estimacion robusta de la perspectiva de la escena que permite generar una imagen rectificada del plano de la imagen. En la verificacion de hipotesis se explora un metodo de aprendizaje supervisado evaluando el rendimiento de diferentes caracteristicas. Finalmente, el seguimiento propuesto esta constituido por un metodo Bayesiano basado en filtros de particulas, donde se define un modelo dinamico de velocidad constante, y se propone un modelo de observacion combinando modelos de apariencia en el dominio original y transformado. Los resultados obtenidos sobre secuencias reales demuestran la robustez del marco propuesto. Se potencia el intercambio de informacion entre los diferentes bloques con objeto de obtener el mayor grado posible de adaptacion a cambios en el entorno y reducir el coste computacional, permitiendo elevadas tasas de acierto en la fase de verificacion y reduciendo el numero de fallos en el seguimiento.