Contexte
Ce sujet s’inscrit dans les thématiques de recherche de l’équipe EDyFI portant plus particulièrement sur la fusion de données multi-capteurs et la navigation intelligente. Dans un premier temps, il a pour but de prolonger, à l’aide de la mise en place de nouvelles campagnes d’expérimentions, une preuve de concept validée sur des enregistrements réels réalisés in situ, ayant démontré la capacité d’un réseau LSTM à prédire avec précision la trajectoire 2-D et le profil d’altitude 3-D d’un véhicule sur route. Dans un second temps, il s’agira de conceptualiser et programmer l’hybridation des algorithmes IA reposant sur les LSTM et ceux du filtrage non-linéaire classique pour obtenir une localisation en continu du véhicule filtrage même en cas de situations de mesure sensorielle dégradées.
Description
Le stage vise à développer une solution de virtualisation de capteurs (Virtual Sensing) fondée sur des réseaux de neurones récurrents LSTM pour maintenir une géolocalisation 3-D continue en cas de dégradation ou perte du signal GNSS (masquages urbains, multitrajets, etc.). Les différentes étapes du stage s’articuleront autour de trois axes majeurs :
- la simulation et le paramétrage : analyse de l’impact du type de bruit et optimisation de la taille de la fenêtre temporelle glissante d’apprentissage du réseau LSTM ;
- l’enrichissement vectoriel : intégration des vitesses 3D GPS ainsi que des mesures inertielles (accélérations, vitesses angulaires et orientation 3-D de l’IMU intégré au capteur de localisation) dans le tenseur d’entrée ;
- l’hybridation et le filtrage : couplage des prédictions du réseau LSTM avec un filtre de Kalman (EKF/UKF) et mise en place d’une boucle de rétroaction pour la correction cinématique et le réentraînement du réseau.
Références
[1] Z. Wang et al., « Enhancing Integrated Navigation with a Self-Attention LSTM Hybrid Network for UAVs in GNSS-Denied Environments » in Drones, vol. 9, no. 279, 2025. https://doi.org/10.3390/drones9040279
[2] X. Jin et al. « GPS Tracking Based on Stacked-Serial LSTM Network » in Chinese Journal of Information Fusion, vol. 1, no. 1, pp. 50–62, 2024. https://doi.org/10.62762/CJIF.2024.361889
[3] A. Mohanty, G. Gao, « A survey of machine learning techniques for improving Global Navigation Satellite Systems » in EURASIP J. Adv. Signal Process, vol. 2024, no. 73, 2024. https://doi.org/10.1186/s13634-024-01167-7
[4] K. Wang et al., « An Integrated Smart Road Stud-Based Vehicle Localization Method With Velocity Estimation, » in IEEE Internet of Things Journal, vol. 13, no. 7, pp. 13305-13316, 2026. https://doi.org/10.1109/JIOT.2026.3654932
Profil recherché
- Vous êtes en dernière année d’un master ou d’une école d’ingénieurs avec une spécialisation dans les domaines du traitement du signal et des images, de l’intelligence artificielle ou de la robotique.
- Vous avez de solides compétences en algorithmique et en langage de développement Python.
Organisation du stage et modalités de candidature
Lieu du stage : Laboratoire d’Informatique, Signal et Image de la Côte d’Opale, Calais (62).
Durée : 5 à 6 mois à partir de février/mars 2027.
Dépôt de candidature (aucune candidature examinée par e-mail) : voir lien externe