Offre d'emploi n° 17629217

Description du poste

Une centrale inertielle calcule en temps réel la position, la vitesse et l'orientation d'un véhicule en intégrant les mesures de mouvement fournies par trois accéléromètres et trois gyromètres. Pour limiter la dérive des erreurs de navigation, ces données inertielles sont fusionnées avec celles de capteurs externes, comme le GNSS ou l'odomètre, qui sont également sujets à des perturbations.

Ce couplage s'effectue traditionnellement grâce à des variantes du filtre de Kalman, étendu ou inodore. Ces filtres récursifs, reposant sur un schéma prédicteur-correcteur, minimisent l'erreur quadratique moyenne dans des modèles linéaires soumis à des bruits blancs, gaussiens et indépendants. Cependant, leurs performances dépendent fortement de la qualité des modèles utilisés et se dégradent rapidement dès que ces conditions ne sont plus remplies, ce qui est fréquent en navigation. Par exemple, les mesures acoustiques LBL/USBL sont souvent perturbées par des bruits non gaussiens à distribution à queues lourdes.

Tirant parti des avancées récentes en apprentissage profond appliqué à l'estimation, de nouvelles approches hybrides ont été développées, associant filtre de Kalman et réseaux de neurones récurrents afin de dépasser ces limites 1, 2. Ces méthodes innovantes visent à renforcer la robustesse et la précision des estimations dans des contextes où les hypothèses classiques du filtre de Kalman ne sont plus respectées.

1 H. Mortada, C. Falcon, Y. Kahil, M. Clavaud, et J.-P. Michel, Deep Learning-Augmented Kalman filter for State Estimation and Consistent Uncertainty Quantification. Dans rd European Signal Processing Conference (EUSIPCO), IEEE, (2025), pp

2 C. Falcon, H. Mortada, M. Clavaud, et J.-P. Michel, Recursive KalmanNet : Analyse des capacités de généralisation d'un réseau de neurones récurrent guidé par un filtre de Kalman. Dans 30e Colloque sur le traitement du signal et des images, GRETSI (2025), pp

Missions

• Développer des approches hybrides combinant filtre de Kalman et réseaux de neurones (RNN, CNN)
• Assurer un suivi de vos travaux par des présentations régulières et des rapports intermédiaires
• Documenter vos résultats en rédigeant un rapport scientifique selon les standards académiques
• Diplôme d'ingénieur généraliste ou Master 2 en mathématiques appliquées
• Un intérêt pour la poursuite en thèse CIFRE constitue un atout
• Connaissances approfondies en intelligence artificielle pour les séries temporelles
• Bonnes connaissances en statistiques et en traitement du signal
• Excellente maîtrise de Python et Pytorch