Ce projet de recherche vise à améliorer l'estimation de la sélectivité des prédicats spatiaux multidimensionnels en utilisant des retours d'optimiseurs. Il explore divers modèles d'apprentissage automatique (réseaux de neurones, modèles basés sur les arbres, etc.) pour optimiser les requêtes spatiales dans les bases de données. Les résultats sont comparés à des méthodes traditionnelles comme les histogrammes ou les R-Tree.

Ce projet de recherche vise à améliorer l'estimation de la sélectivité des filtres spatiaux en utilisant des retours d'optimiseurs basés sur l'apprentissage automatique. Il explore différentes approches (réseaux de neurones, modèles arborescents, etc.) pour prédire efficacement la sélectivité des requêtes géospatiales, optimisant ainsi les performances des systèmes de gestion de bases de données spatiales.

Ce projet développe des algorithmes pour optimiser le placement d'utilités et de résidences sur une carte urbaine. Il utilise des réseaux de neurones et des algorithmes génétiques pour générer des configurations réduisant les distances de déplacement. Deux approches sont proposées : une méthode avancée basée sur l'IA et une solution plus simple pour des résultats rapides. L'objectif est d'améliorer l'efficacité des aménagements urbains en analysant les données spatiales.

Outil dédié à la gestion et à l'analyse de données géographiques pour les collectivités territoriales. Permet de cartographier des indicateurs socio-économiques, d'optimiser l'aménagement du territoire et de faciliter la prise de décision par les acteurs publics ou privés. Intègre des fonctionnalités avancées pour le traitement et la visualisation de données spatiales.

Bibliothèque open source dédiée à la robotique et à la manipulation de données géométriques. Elle permet de simuler des mouvements, calculer des trajectoires, analyser des surfaces et traiter des données spatiales pour des applications robotiques avancées. Utilisée pour optimiser les déplacements et les interactions avec l'environnement.

Cartiflette-r est une bibliothèque R qui permet d'accéder aux fonds de carte officiels français (IGN, contours administratifs, IRIS, etc.) enrichis des métadonnées de l'Insee. Elle facilite la récupération et l'analyse de données géographiques (communes, départements, régions) via des requêtes SQL ou des filtres avancés. Les données sont disponibles en GeoParquet ou GeoJSON, optimisées pour des traitements rapides et une intégration dans des workflows d'analyse spatiale.

Outil permettant de créer et d'exécuter des workflows pour générer des itinéraires géographiques à partir de données vectorielles. Il facilite la création de graphes routiers (OSRM, pgRouting, Valhalla) et automatise les mises à jour des bases de données spatiales. Destiné aux utilisateurs de la géoplateforme, il optimise la gestion des données et des services d'itinérance.

Ce projet est une bibliothèque Python dédiée au clustering sous contrainte de rayon. Il permet de regrouper des données en clusters où chaque point est à une distance maximale d'un centre, en utilisant des algorithmes basés sur le problème du Dominating Set Minimum. Idéal pour des applications nécessitant une segmentation précise et optimisée des données spatiales ou multidimensionnelles.

AMOEBA est un framework open source conçu pour modéliser et optimiser des systèmes complexes à l'aide d'agents autonomes. Il permet de simuler des interactions entre entités, d'analyser des données spatiales et de détecter des anomalies dans des environnements dynamiques. Utilisé dans des domaines comme la robotique, l'urbanisme ou la gestion de ressources, il facilite la prise de décision en temps réel et l'adaptation automatique des modèles.

Ce projet développe une méthode innovante pour représenter et stocker des données 3D de manière compacte et évolutive. Il utilise la quantification vectorielle pour transformer des nuages de points en formats optimisés, facilitant leur analyse et leur visualisation. L'objectif est de réduire l'espace de stockage tout en conservant la précision des données spatiales, idéal pour les applications nécessitant une grande quantité de données géométriques.