Stage - Ingénieur en traitement statistique du signal - H/F

  • Stage, 5-6 mois
  • Temps plein
  • Expérience : pas de préférence
  • Master, Bac+5
  • Ingénierie

#JoinOurCrew


Mission

Estimation du pilonnement par apprentissage profond guidé par la physique à partir de mesures inertielles

Le pilonnement désigne le mouvement de translation verticale d’un système maritime par rapport au géoïde. Son estimation précise est essentielle pour de nombreuses opérations en mer, notamment pour la stabilisation de plateformes lors de transferts de personnes ou de marchandises, ainsi que pour le post-traitement de données bathymétriques ou d’imagerie sonar.

Une centrale inertielle, associée à la connaissance de la pesanteur locale, permet d’estimer l’accélération verticale du système dans le repère géographique, puis le pilonnement par double intégration. Cette double intégration est toutefois instable : les moindres erreurs de mesure s’accumulent et font diverger l’estimation. Pour y remédier, les approches classiques appliquent un filtre passe-haut qui isole les composantes dynamiques du pilonnement. Ce filtre est cependant réglé de manière empirique, en fonction de l’état de mer, et nécessite un temps de convergence avant de fournir une estimation précise.

Le pilonnement peut pourtant être décomposé en trois contributions, dont l’articulation offre une structure physique pertinente à exploiter : (1) l’élévation de la surface libre, principalement induite par la houle, modélisée sous hypothèse de stationnarité comme un processus stochastique caractérisé par sa densité spectrale de puissance (spectres de Pierson-Moskowitz et JONSWAP [1]) ; (2) la réponse dynamique du porteur à cette excitation, décrite par son opérateur de réponse en amplitude (Response Amplitude Operator, RAO), dont la connaissance est généralement incomplète ; (3) le mouvement de navigation du porteur, observable via les mesures inertielles, elles-mêmes entachées des erreurs des capteurs.

L’objectif du stage est de développer une méthode d’estimation du pilonnement à partir des seules mesures inertielles, en exploitant les connaissances physiques disponibles, sans pour autant reposer sur un modèle explicite de la houle ni de la dynamique du porteur. La piste privilégiée est celle des approches hybrides, combinant modèles physiques et apprentissage profond. En particulier, les architectures KalmanNet [2, 3], qui associent le filtrage de Kalman à des réseaux de neurones récurrents, permettent de préserver la structure physique du modèle d’état dans le processus d’estimation, tout en exploitant les capacités d’apprentissage du réseau pour estimer les composantes inconnues à partir des données.

Bibliographie.

[1] Hasselmann, K. et al, Measurements of Wind-Wave Growth and Swell Decay during the Joint North Sea Wave Project (JONSWAP), Ergänzungsheft zur Deut. Hydrogr. Z., Reihe A (8°), 12, (1973), 1-95.

[2] 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), 885-889.

[3] 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), 425-428.

Missions.

  • Réaliser un état de l’art des méthodes existantes d’estimation du pilonnement.
  • Concevoir et développer des estimateurs du pilonnement intégrant les connaissances physiques disponibles.
  • Entraîner et évaluer les méthodes développées sur des données simulées et expérimentales (INS, GNSS RTK).
  • Évaluer les performances des estimateurs développés et les comparer aux méthodes de référence.
  • Présenter régulièrement l’avancement des travaux et rédiger des rapports intermédiaires.
  • Rédiger un rapport scientifique final respectant les standards académiques

Profil

  • Étudiant·e en dernière année d’école d’ingénieurs généraliste ou en Master 2 de mathématiques.
  • Motivation pour poursuivre le projet en thèse CIFRE à l’automne 2027.
  • Solides connaissances en traitement statistique du signal et en séries temporelles.
  • Connaissances en apprentissage profond (RNN, PINN).
  • Expérience en développement avec 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.