Recrutement

Spécialités de la thèse

Traitement du Signal, Génie Informatique, Navigation, Statistique

Directrice de thèse

Valérie RENAUDIN (UGE/AME/GEOLOC)

Encadrant de thèse

Ni ZHU (UGE/AME/GEOLOC)

Mots-clés

Surveillance de l’intégrité, hybridation multi-capteur (GNSS/INS), positionnement, niveau de protection, intelligence artificielle, mobilité, usagers vulnérables

Contexte

L’utilisation de dispositifs interconnectés exploitant la localisation impacte de plus en plus les déplacements et cet essor couvre une grande variété de secteurs de marché. Il n’est plus limité aux applications traditionnelles grand public de navigation ou de divertissement, mais il a déjà été étendu à d'autres applications de fiabilité ou sécurité critiques. Par exemple, certaines informations sur la mobilité, telles que les trajectoires des voyageurs, sont utilisées pour automatiser les Enquêtes Ménages Déplacements (EMD). De plus en plus d’applications sont dédiées aux utilisateurs vulnérables (personnes en situation de handicap, enfants, personnes âgées, etc.) pour accompagner leur quotidien ou contribuer au suivi médical. Ces nouvelles applications permettent aussi aux autorités publiques d’exploiter les informations de Position, de Vitesse et de Temps (PVT) pour accompagner l’aménagement du territoire et la vie citoyenne (planification urbaine, optimisation du transport public, le vote électronique). Ces données assistent aussi l’envoi de service d'urgence pour les usagers vulnérables. La facilité d'accès aux données de localisation et leur grande quantité sont un avantage pour la société, mais l'absence d’information qualifiée sur l’incertitude de positionnement posent de nombreux problèmes d’exploitation et de fiabilité de service. Connaître l’incertitude de l'information fournie par le système de positionnement est devenu critique. C’est au cœur du concept d'intégrité du positionnement visé par cette recherche.

L'intégrité du positionnement est une mesure de confiance, qui peut être placée dans l'exactitude des informations fournies par le système complet. Plus concrètement, d'une part, il permet de détecter et d'exclure les mesures erronées et, d'autre part, il peut fournir un indicateur d'incertitude de positionnement, c'est-à-dire le niveau de protection (PL). Dans la littérature actuelle, les recherches sur la surveillance de l'intégrité du positionnement sont surtout limitées à des applications sur un seul mode de transport, comme les aéronefs[1], les véhicules terrestres[2, 3] ou les drones [4].

Cependant, les applications grand public dédiées aux voyageurs ou aux utilisateurs vulnérables ne peuvent pas se limiter à un seul mode de transport puisque les informations de positionnement sont nécessaires sur toute la chaîne multimodale. Peu de travaux de recherche abordent la problématique de la surveillance de l'intégrité dans un contexte multimodal. L'objectif de cette thèse est donc de dépasser cette limite avec la conception d’un système de surveillance de l'intégrité dans le contexte du transport multimodal qui réponde aux exigences de précision et de fiabilité dictées par les usages. Le premier défi à relever dans cette thèse est de catégoriser les applications basées sur la position, puis de définir les spécifications et les tolérances sur la précision de positionnement et le risque d'intégrité pour différentes catégories d'applications dans le contexte du transport multimodal. En effet, la conception de l'algorithme de surveillance de l'intégrité dépend fortement des applications ciblées. Par exemple, le risque d'intégrité et la tolérance aux erreurs de positionnement diffèrent entre des applications de divertissement et des services de guidage d’un malvoyant. En outre, les exigences en matière de précision sont également différentes pour différents modes de transport. Une fois les spécifications définies, le deuxième défi consiste à étudier les caractérisations des erreurs de mesure et leur propagation dans un filtre de positionnement avec un système hybride comprenant GNSS, capteurs inertiels (INS), magnétomètre et baromètre. Le GNSS souffre surtout d’erreurs instantanées dues à la propagation du signal par trajets multiples dans les canyons urbains. D'autres capteurs, tels que les INS sont principalement contaminés par des erreurs à croissance lente (ou erreur de rampe). Elles doivent être considérées pour détecter et exclure correctement les défauts de mesure et estimer un PL qui s’adapte à la fois aux différents modes de transport et différents utilisateurs ciblés. Le dernier défi consiste à reconnaître le contexte de localisation (environnement, mode de transport, nature des déplacements piétons). Ce contexte peut fournir des informations complémentaires pour limiter la croissance des erreurs ou encore aider à la prise de décision globale sur, par exemple, le choix du modèle dynamique du système.

Une façon prometteuse de relever ces défis est de combiner les méthodes traditionnelles avec les techniques de l'intelligence artificielle (IA). Au cours des dernières décennies, l'IA s'est avérée hautement applicable dans différentes disciplines et certains travaux de recherche récents sur le positionnement assisté par IA montrent des résultats encourageants tels que la classification des signaux GNSS LOS / NLOS(direct/indirect), la reconnaissance d'activité humaine avec des signaux inertiels. Cependant, peu de recherches abordent le sujet de la surveillance de l'intégrité assistée par l'IA, mais des discussions préliminaires à ce sujet sont apparues récemment [5-6]. La contribution attendue de cette thèse est principalement de concevoir un système de surveillance de l'intégrité dans le contexte du transport multimodal pour répondre aux exigences de précision et de fiabilité des usages.

Description du poste

Sur la base des travaux de recherche existants[2, 7, 8], le candidat devra :

• Faire un état de l’art sur les méthodes de surveillance de l'intégrité des systèmes de positionnement multi-capteur dans le contexte du transport multimodal
• Pour différents modes de transport dans différents environnements, définir les spécifications et les tolérances en précision de positionnement et de risque d'intégrité
• Étudier les caractéristiques d'erreur de mesure et de propagation (y compris GNSS, INS, magnétomètre, baromètres) depuis l'espace de mesure vers l'espace de position dans un filtre de positionnement (ex: filtre étendu de Kalman)
• Concevoir un module de surveillance de l'intégrité assisté par IA d'un système de positionnement multi-capteurs sur un déplacement multimodal pour éliminer les erreurs de mesure et fournir un indicateur d'incertitude de positionnement. Les techniques d’IA hybride seront abordées en combinant les méthodes d'apprentissage traditionnelles avec de la sélection de statistiques pertinentes, adaptées à la reconnaissance du contexte de localisation ainsi que la détection d'erreurs de mesure
• Concevoir et réaliser des expérimentations en se basant notamment sur les équipements du laboratoire GEOLOC pour valider et évaluer le système de surveillance de l’intégrité proposé.

[1] Kropp, Victoria. Advanced receiver autonomous integrity monitoring for aircraft guidance using GNSS. Diss. Universität der Bundeswehr München, 2018.

[2] N. ZHU, « GNSS propagation channel modeling in constrained environments: contribution to the improvement of the geolocation service quality », Thèse de doctorat, Université de Lille, 2018.

[3] Tran, Hieu Trung, and Letizia Lo Presti. "Kalman filter-based ARAIM algorithm for integrity monitoring in urban environment." ICT Express 5.1 (2019): 65-71.

[4] Maaref, Mahdi, and Zaher M. Kassas. "UAV Integrity Monitoring Measure Improvement using Terrestrial Signals of Opportunity." Proceedings of the Institute of Navigation (ION) GNSS+, September 16-20, 2019, Miami, FL, United States. (2019).

[5] Kim, Daehee, and Jeongho Cho. "Improvement of Anomalous Behavior Detection of GNSS Signal Based on TDNN for Augmentation Systems." Sensors 18.11 (2018): 3800.

[6] Gogliettino, Giovanni, Renna, Michele, Pisoni, Fabio, Di Grazia, Domenico, Pau, Danilo, "A Machine Learning Approach to GNSS Functional Safety," Proceedings of the 32nd International Technical Meeting of the Satellite Division of The Institute of Navigation (ION GNSS+ 2019), Miami, Florida, September 2019, pp. 1738-1752.

[7] Crespillo, O. Garcia, et al. "Innovation vs residual KF based GNSS/INS autonomous integrity monitoring in single fault scenario." Proceedings of the 30th International Technical Meeting of The Satellite Division of the Institute of Navigation (ION GNSS+ 2017), Portland, Oregon. 2017.

[8] El-Mowafy, Ahmed, and Nobuaki Kubo. "Integrity monitoring of vehicle positioning in urban environment using RTK-GNSS, IMU and speedometer." Measurement Science and Technology 28.5 (2017): 055102

Compétences requises

• Diplôme d’ingénieur ou de Master 2 en traitement du signal / Informatique / ingénierie géomatique / Télécommunications / Mathématiques appliquées
• Maitrise de traitement du signal
• Mathématiques appliquées
• Positionnement par fusion multi-capteur
• Estimation d'état
• Statistiques
• Des connaissances sur les méthodes d’apprentissage seraient un plus.

Vous êtes intéressés par l'apport de l'intelligence artificielle dans la construction de modèles physiques pour répondre aux enjeux et besoins des nouveaux services de mobilité ? Le laboratoire commun inmob sur le campus de Nantes de l'université Gustave Eiffel de France, pourrait être la prochaine étape de de votre carrière.

Contexte

Les recherches du Laboratoire Geoloc de l’Université Gustave Eiffel s’intéressent au développement de méthodes et systèmes de positionnement dynamique pour le voyageur. Il dispose d’un large champ de compétences en conception et programmation d’algorithmes de géolocalisation sans balise avec des moyens d’essais originaux. La société Okeenea Digital est une société innovante issue du groupe Okeenea spécialisée depuis 26 ans dans la conception et la fourniture de solutions d’accessibilité pour améliorer la mobilité en situation de handicap. Ces deux organismes se sont associés dans le laboratoire commun inmob (cartographie du handicap par mesure inertielle pour faciliter la mobilité) afin d'améliorer la mobilité des personnes en situation de handicap.

Notre ambition est de concevoir de nouvelles approches basées sur l'intelligence artificielle pour construire des modèles physiques qui décrivent les spécificités individuelles de déplacement des personnes en situation de handicap et ainsi individualiser les approches. Ces recherches vont permettre d'accroitre les performances des technologies actuelles de géolocalisation encore insuffisantes pour accompagner un aveugle ou une personne déficiente auditive sur tout son itinéraire et en toute sécurité sans dépendre d'un réseau très dense d balises. Pour renforcer l'équipe du labcom et contribuer aux travaux en intelligence artificielle au service de la mobilité, nous recherchons un ingénieur de recherche ou postdoc, idéalement avec des compétences complémentaires en physique/mathématique et intelligence artificielle.

Description du poste

Le candidat.e retenu sera responsable des actions de R&D en "machine learning" pour concevoir les modèles nécessaires au calcul de trace de déplacement et d'amélioration du navigateur au sens large. Ses responsabilités principales comportent notamment :

• La conception de modèles pour calculer le vecteur déplacement d'une personne équipée d'un téléphone portable (signaux inertiels et satellitaires GNSS
• La conception et maintenance d'une base de données des signaux recueillis par des objets connectés portés par les personnes en situation de handicap
• Le transfert de briques scientifiques et technologiques sur un système embarqué pour du temps réel
• La participation au pilotage et à l'administration du programme de recherche
• Le co-encadrement des travaux de doctorants et stagiaires
• La publications d'articles scientifiques

Compétences requises

• Diplôme d’ingénieur, de Master 2 ou doctorat en : Traitement du signal, Machine Learning, Informatique ou tout autre discipline comparable
• Maitrise des statistiques, du "data mining", du traitement de signal
• Solides compétences en programmation Python et TensorFlow (cpp souhaité)
• Expérience de travail dans l'utilisation du machine learning appliqué au domaine de la physique
• Capacité éprouvée d'intégration des données à grande échelle
• Compréhension significative des technologies des objets connectés et de la programmation sous Android
• Capacité à intégrer efficacement les résultats de la recherche dans les publications et la propriété intellectuelle
• Créativité et ouverture à l'innovation
• Enthousiasme, responsabilité et excellentes capacités de collaboration
• Passion pour la production de données de haute qualité
• Solides compétences orales et écrites en Anglais