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 2025 33rd European Signal Processing Conference (EUSIPCO), IEEE, (2025), pp.
885-889.
[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.
425-428.
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
A propos d’EXAIL
Exail est une entreprise industrielle de haute technologie spécialisée dans les technologies de pointe en robotique, maritime, navigation, aérospatiale et photonique.
Dotée d'une forte culture entrepreneuriale, Exail offre des performances, une fiabilité et une sécurité inégalées à ses clients civils et militaires opérant dans des environnements difficiles.
Des profondeurs de la mer à l'espace, Exail étend ses capacités grâce à une gamme complète de composants, de produits et de systèmes robustes fabriqués en interne.
Employant 2000 personnes dans le monde, la société bénéficie d'une empreinte mondiale et exerce ses activités dans plus de 80 pays.
Exail est née de l'union des forces du groupe ECA et d'iXblue en 2022.
C'est une filiale d'Exail Technologies, une entreprise familiale spécialisée dans la haute technologie.
