Stage – deep learning pour réglage des bruits d'un filtre de kalman de navigation f/h

STAGE – Deep Learning pour réglage des bruits d'un filtre de Kalman de navigation F/H

Société : Safran Electronics & Defense
Domaine d'activité : Mathématiques et Algorithmes
Emplacement : Eragny-sur-oise, Ile de France, France
Type de contrat : Stage
Durée du contrat : Temps complet
Diplôme requis : BAC+5
Expérience requise : Jeune diplômé-e/Première expérience
Langue(s) parlée(s) : Anglais Courant

Une centrale inertielle est un équipement dont le but est de fournir à chaque instant sa position, sa vitesse et son orientation à un porteur (dont les types sont variés, de la fusée Ariane 6 au sous-marin, en passant par les avions et les moyens de transport terrestre par exemple).
Une centrale inertielle est constituée entre autre :

1. de capteurs inertiels (3 gyromètres et 3 accéléromètres) permettant d'estimer la quantité de mouvement subis par le porteur,
2. de capteurs non-inertiels (baromètre, odomètre, loch, récepteur GNSS, caméra, cartographie…) améliorant la localisation du porteur à l'aide d'un algorithme de fusion de données (généralement un Filtre de Kalman Etendu).

Le filtre de Kalman présente plusieurs paramètres (bruits de mesures et bruits de modèles notamment). Bien que des a priori peuvent être disponibles sur les valeurs de ces paramètres, il est en général nécessaire de mener un processus d'optimisation pour trouver les meilleurs réglages. Ce processus est principalement empirique, basé sur des essais/erreurs et nécessitant de nombreuses simulations pour converger vers le réglage pertinent.
Les réseaux de neurones (en particulier leur version « profonde ») deviennent l'état de l'art dans de nombreux domaines pour remplacer des processus empiriques. Ils peuvent donc a priori être utilisés avantageusement pour le réglage des paramètres d'un filtre de Kalman, à condition d'avoir des données disponibles pour l'apprentissage.
Par ailleurs, des travaux récents de Safran (en particulier la thèse de Colin Parellier, en partenariat avec Mines Paristech, voir Speeding-Up Backpropagation of Gradients Through the Kalman Filter via Closed-Form Expressions | IEEE Journals & Magazine | IEEE Xplore) ont permis d'optimiser la backpropagation d'un filtre de Kalman, ce qui permet un apprentissage bien plus rapide.
Le but de ce stage est de tester l'apport du Deep Learning pour améliorer les réglages d'un filtre de Kalman de navigation en temps réel (filtrage) et en temps différé (lissage) et d'évaluer l'apport en termes de précision et de robustesse, ... sur des données simulées (et réelles sur opportunité).

La personne retenue pour ce stage sera intégrée dans l'équipe de conception R&T sur les centrales inertielles.


Parlons de vous

Compétences techniques : Deep Learning, Filtrage de Kalman, Python, Traitement du Signal, Simulation, Matlab/Simulink
Qualités requises : Rigueur, Curiosité, Capacités d'analyse, Synthèse
Formation : Ingénieur généraliste, Master en Deep Learning
Contraintes particulières liées au poste : Résultats du stage confidentiels entreprise
Niveau d'anglais : Courant

Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi.

#J-18808-Ljbffr