Description du poste
*Développement d’un système de stabilisation dynamique intelligent pour un drone dédié à la collecte des déchets maritimes échoués*
*Contexte et objectifs*
Dans une optique de protection des écosystèmes côtiers, les drones autonomes sont de plus en plus utilisés pour la collecte de déchets maritimes échoués sur les plages, les berges et les zones difficiles d’accès.
Toutefois, ces milieux naturels présentent de nombreux défis pour la stabilité du déplacement, notamment :
* terrains irréguliers : sable, galets, boue, obstacles naturels ;
* perturbations externes : vents côtiers, courants d’air, pentes.
Afin de garantir un déplacement précis et stable, le drone doit être capable d’ajuster son équilibre en temps réel face à ces perturbations [1].
L’objectif principal de ce stage est de concevoir et de développer un système de stabilisation dynamique exploitant des capteurs inertiels, combiné à des algorithmes d’apprentissage automatique (notamment le Reinforcement Learning (RL) et les réseaux de neurones artificiels (ANN)) [2,3], afin de permettre au drone de s’auto-adapter en temps réel aux perturbations environnementales et de maintenir sa stabilité.
*Tâches à réaliser*
*1.
Étude bibliographique*
* analyse des méthodes classiques de stabilisation : PID, logique floue, LQR, etc.
;
* revue des approches basées sur l’intelligence artificielle :
* apprentissage par renforcement (Reinforcement Learning – RL) ;
* réseaux de neurones artificiels (ANN).
*2.
Proposition d’une approche*
* définition de l’architecture du système ;
* développement d’un modèle de stabilisation basé sur le RL, le Deep RL ou les ANN ;
* intégration d’un réseau neuronal prédictif pour l’estimation d’état ou la compensation dynamique.
*3.
Implémentation et validation*
* codage des algorithmes en Python ;
* simulation sous ROS/Gazebo sur différents scénarios de terrain instable ;
* analyse comparative des performances (PID vs approches IA).
*4.
Valorisation et diffusion*
* documentation complète du code et des modules développés ;
* rédaction d’un article scientifique (5 à 7 pages).
*Compétences requises*
* connaissances en robotique, automatique et intelligence artificielle ;
* maîtrise de Python et bases en apprentissage automatique ;
* pratique de ROS et Gazebo.
*Références bibliographiques*
[1] Byun, G.
S., & Cho, H.
R.
(2016).
_The stabilization loop design for a drone-mounted camera gimbal system using intelligent-PID controller_.
The Journal of the Korea Institute of Intelligent Transport Systems, 15(1), 102–108.
[2] Meza Ibarra, J.
R., Martínez Ulloa, J., Moreno Pacheco, L.
A., & Rodríguez Cortes, H.
(2024).
_Altitude controller based on artificial neural network–genetic algorithm for a quadcopter MAV_.
International Journal of Robotics & Control Systems, 4(4).
[3] Panda, P., Sahoo, D., & Sahoo, D.
(2024, December).
_Deep reinforcement learning for real-time robotic control in dynamic environments_.
In _2024 6th International Conference on Computational Intelligence and Networks (CINE)_ (pp.
1–6).
IEEE.
Type d'emploi : Stage
Durée du contrat : 6 mois
Rémunération : 4,35€ par heure
Nombre d'heures : 35 par semaine
Lieu du poste : En présentiel
