Recrutement

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 de balises. Pour renforcer l'équipe du labcom et contribuer aux travaux en intelligence artificielle au service de la mobilité, nous recherchons un candidat en thèse doctorale, idéalement avec des compétences complémentaires en physique/mathématique et intelligence artificielle.

Sujet de recherche

De nombreuses applications basées sur les smartphones aident à la navigation des personnes. Elles exploitent les signaux GPS, Wifi, Bluetooth, du téléphone portable, de la caméra et de l'inertie pour calculer les coordonnées géographiques. Mais leur précision est encore insuffisante pour les applications où les accidents sont possibles. Les itinéraires estimés souffrent de dérives et d'erreurs de positionnement dues à la faible qualité des capteurs embarqués dans le smartphone et aux obstacles environnants. Des balises (tags Bluetooth, autres tags de l'Internet des objets) peuvent être utilisés pour améliorer les performances, mais elles nécessitent une infrastructure spécifique de capteurs déployés en ville. Il est également possible de considérer des points d'intérêt virtuels, tels que les transitions entre l'extérieur et l'intérieur ou la montée/descente d'escaliers, pour corriger les coordonnées grâce aux données cartographiques et au contenu du système d'information géographique associé. Si ce concept est bien connu, il souffre d'un manque de robustesse et n'est pas adapté aux besoins spécifiques des personnes en situation de handicap. A l'image des applications qui intègrent les spécificités d'usage (par ex Soundscape) au coeur de le R&D, cette thèse vise à observer les comportements des déficients visuels pour proposer des nouvelles balises virtuelles qui leur sont propre.

Objectif de recherche

Cette thèse vise à apprendre les motifs propres à la mobilité des déficients visuels pour construire des bases de données de balises virtuelles qui permettront en phase d’exploitation des recalages opportun de la trace. Les travaux débuteront par la lecture et l'analyser des articles sur les méthodes de reconnaissance des déplacements de formes à partir de signaux et d'images. Les codes existants de correspondance de cartes et de reconnaissance de formes des algorithmes de "pedestrian dead-reckoning" devront être repensés pour identifier les besoins de recalage sur balises virtuelles. Observer et identifier par des expériences les points d'intérêt virtuels liés à la situation de handicap et plus particulièrement des déficients visuels sera une étape clé des recherches. Il s'agira ensuite de proposer et tester des méthodes d'apprentissage automatique ou d'apprentissage profond pour reconnaître ces points d'intérêt. L’objectif final étant de porter ces approches sur smartphone pour améliorer et sécuriser le guidage de déficients visuels en transport multimodal.

Compétences requises

• Titulaire d’un diplôme d’ingénieur / MSc 2 en : traitement du signal, géomatique, intelligence artificielle ou sciences informatiques
• Maitrise du traitement du signal/d'image, de la fouille de données, des mathématiques appliquées, des méthodes d’apprentissage automatique et des statistiques
• Connaissance en positionnement par fusion multi-capteur et théorie de l’estimation
• Solides compétences en programmation Python, Matlab 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 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

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 de balises. Pour renforcer l'équipe du labcom et contribuer aux travaux en intelligence artificielle au service de la mobilité, nous recherchons un candidat en thèse doctorale, idéalement avec des compétences complémentaires en physique/mathématique et intelligence artificielle.

Description du stage

Au sein du laboratoire GEOLOC, vous travaillerez au quotidien avec nos équipes de recherche. Vous aurez en charge la création graphique des contenus du projet Inmob et leur accessibilité à chacun : mettre en image des concepts ou des chiffres, être force de proposition, faciliter la viralité... Bref, rendre les contenus encore plus captivants. Plus concrètement, voici ce qui vous attend :

• Créer des contenus “premium” sous différents formats : interviews des différents acteurs du projet, infographies, pages web...
• Créer et décliner des d’assets visuels : bannières, images à la une d’articles, visuels Social Media…
• Mettre en place des chartes design de contenus pour les réseaux sociaux.
• Rédiger les textes de remplacement des photos et vidéos sur site web du laboratoire GEOLOC dans le cadre de l'accessibilité du numérique (RGAA).
• Élaboration et production de supports papiers dédiés aux déficients visuels.
• Être force de proposition.

Nous travaillons au quotidien principalement avec la suite Adobe.

Compétences requises

• Vous avez bon œil et une bonne patte graphique
• Vous avez une expérience minimale
• Vous maîtrisez la suite Adobe (Illustrator, InDesign, Photoshop, After Effects, Premiere Pro)
• Vous avez des connaissances en motion design
• Vous êtes minutieux et vous mettez un point d’honneur à livrer un travail de qualité
• Vous êtes organisés et êtes capables de gérer votre planning pour respecter les délais
• Vous avez des notions sur l'accessibilité et le handicap

Vous vous reconnaissez ? Ce poste est fait pour vous ! N'hésitez pas à nous envoyer votre portfolio avec votre candidature.

PROBLEMATIC

In recent years, a great research interest came up on the automatic protection of vulnerable road users (VRUs) like pedestrians, bicyclists, or even cars. One main problem of it is the estimation of the position and additionally the intention of all road users in order to avoid upcoming collisions. Positioning in urban canyons and underground environments like tunnels, where GNSS reception is difficult, will require a combination of sensors and other information such as environmental maps in order to overcome positioning service failures. A solution for pedestrian navigation developed at Univ-Eiffel and DLR is pedestrian dead reckoning based on inertial measurements with a body worn sensor. Unfortunately, those systems relying only on the IMU still suffer from a remaining drift.  Therefore, the developed pedestrian navigation systems reduce the remaining drift by different techniques like learning a map of the environment, feature detection or GNSS, when available. With these techniques accurate tracks of pedestrians can be estimated. But still the intention of the vulnerable road user - i.e. where the road users will most probably go next and the next destination of the user – is not yet fully investigated. The overall goal is to locate all vulnerable road users, estimate their intention, and inform the nearby road traffic for instance at intersections in order to create awareness of approaching VRUs and to enable collision avoidance.

CONTEXT

There are different ways of estimating the intention of the vulnerable road user: One way is to make use of the last estimated track and to predict the future track from it. For this, machine learning techniques can be for instance used in order to learn the possible continuing of the tracks of the road user depending on the track history. Another way is to combine the estimated tracks of multiple pedestrians, bicyclists, and cars in a suitable way. From the combination of all tracks a layout of the environment can be learned that enables the generation of a map containing not only the road map but also the environmental details of the area. In addition, this map can provide information about obstacles like potholes or road construction and determine possible destinations or intentions of the road users.

TASKS

Your task is to predict reliably the next steps/path of the road user out of the knowledge of obstacles on the road and the possible destination of the user in order to provide information about possible collisions in the environment. More specifically, your tasks are:

1. Do a literature research on track prediction and intention analyzing methods.
2. Develop a machine learning technique for track prediction based on the trend of the previous track. The machine learning technique shall be designed for pedestrian tracks, which include all possible turns and random movements.
3. Analyze the pedestrian positioning performance requirements (e.g., accuracy, maximal tolerable positioning errors etc.) in different environments and try to apply these criteria as constraints for track/intention prediction.
4. Compare the developed technique to methods given in the literature.
5. Combine multiple tracks in order to obtain an environmental map. Develop a method to use that map for track prediction and intention analysis.
6. Compare and evaluate the proposed methods with real experiments by using the positioning equipment existing in the labs.
7. Opportunity to publish in conferences or journals.

REQUIRED SKILLS

• Knowledge of signal processing, machine learning and statistical analysis;
• Strong programming skills in Matlab, Python;
• Creativity, responsibility and strong oral/written skills in English.

PROBLEMATIC

With the continuous development of intelligent objects, new mobility applications, from pedestrian navigation aids to autonomous vehicles, require highly accurate positioning information. Especially for the reliability-critical applications, such as guidance for blind people, providing accurate positioning information is essential. Global Navigation Satellite Systems (GNSS) are still the main positioning tools for outdoor localization services. However, it is commonly accepted that urban environments present great challenges to common commercial GNSS receivers. This is because GNSS positioning performances can be severely degraded by obstacles, which lead to multipath and Non-Line-of-Sight (NLOS) reception. It is essential to distinguish the LOS/NLOS receptions in order to process the latter in an appropriate manner and thus improve the GNSS positioning accuracy.

CONTEXT

In the current literature, much research work has addressed the problematic of NLOS mitigation for vehicular navigation applications. One of the most efficient techniques is to use a sky-pointing fisheye camera to differentiate between the sky and obstacles. Then LOS/NLOS can be classified by projecting the visible satellites onto the previous obtained skymask image [1]. However, when the GNSS receiver is positioned on the body of a pedestrian (hand-held or foot-mounted), not only the environmental obstacles (such as buildings, vegetation, etc) but also the pedestrian’s body can create mask effects, which can potentially degrade the GNSS positioning performances. Very few research works in the state-of-the-art has addressed the body mask effects on GNSS signal reception for pedestrian navigation. The main objective of this internship is to analyze the mask effects of both environments and the pedestrian’s body on a hand-held and foot mounted positioning equipment, which aims at improving the GNSS positioning accuracy.  

MAIN TASKS

This internship consists essentially of simulation work including image processing and integration of multiple data (ephemeris, topographic and altimetric datasets, etc.). Nevertheless, it is planned to carry out - at the beginning of the period - a set of experimental fieldwork aiming at collecting data. In this objective, it will be a question of installing a camera on the top of the target pedestrian positioning equipment named ULISS (Ubiquitous Localization with Inertial Sensors and Satellites), which is developed by the GEOLOC Lab. From the collected datasets, the main tasks of this internship are as follows:

1. Make image segmentation to differentiate the sky and obstacles;
2. Choose a proper projective transformation method to project the visible satellites from the ephemeris onto the image;
3. Based on the previous two steps, analyze the GNSS LOS/NLOS receptions for the hand-held and the foot-mounted positioning equipment. Compare both results to the reference trajectory and draw conclusions regarding the body mask effects.
4. Develop an accurate 3D urban model of the area, explore the 3D city model, realize a skymask matching technique [2] to make accurate positioning in urban environments (two different techniques for producing the sky maps associated with each position will be explored whether they are raster or vector).
5. Propose a method to better take advantage of the LOS/NLOS classification in the navigation filter (such as NLOS exclusion or weighting according to LOS/NLOS, etc) and then validate the proposed method by real experimentation.
6. The work may result in a high-quality scientific paper presented at a conference or submitted to a journal.

[1] Horide, K., Yoshida, A., Hirata, R., Kubo, Y., & Koya, Y. (2019, July). NLOS Satellite Detection Using Fish-Eye Camera and Semantic Segmentation for Improving GNSS Positioning Accuracy in Urban Area. In Proceedings of the ISCIE International Symposium on Stochastic Systems Theory and its Applications (Vol. 2019, pp. 212-217).

[2] Lee, M. J. L., Lee, S., Ng, H. F., & Hsu, L. T. (2020). Skymask matching aided positioning using sky-pointing fisheye camera and 3d city models in urban canyons. Sensors, 20(17), 4728.

PROBLEMATIC

From autonomous vehicles to connected wearable devices, accurate positioning information is required for all the Location-Based Services (LBS). For the safety-critical applications, however, the reliability of the positioning information is more important. If one can monitor the reliability of the information provided by the positioning system, in case of non-reliable positioning delivered, an alert can be sent to warn the users of the potential dangers. This is the concept of positioning integrity monitoring, which can guarantee the safety of the LBS users. As a hot issue originally introduced in the aviation domain for the Safety-of-Life (SoF) applications, positioning integrity monitoring has been being discussed and designed in recent years for terrestrial applications such as autonomous vehicles. One important technique proposed by the integrity monitoring technique is to estimate a statistical positioning error bound (i.e., Protection Level). This estimated position error can be used as an indicator of system reliability while contributing to the decision-making to prevent users from huge system errors. Therefore, it is essential to estimate the positioning error bound, which can not only properly bound the true position error but also with reasonable sizes, which means it should not be too big.

CONTEXT

There are different algorithms in the current literature to estimate the position error bound. Most of them are based on the statistical analysis of source errors’ propagation through the corresponding positioning filter. These methods are generally computational costly and have the risk of providing too huge error bounds, which can impact the continuity performance of the system. Also, some hidden errors or slowly growing errorq can be possibly ignored when calculating the error bounds with the traditional methods. The AI-based positioning uncertainty estimation has recently emerged in some Radio Access Technology (RAT)-based positioning system, which proves to be highly promising. The main objective of this internship is to explore the feasibility of using AI-based methods to estimate the positioning error bound for a hybrid GNSS/INS positioning system.

MAIN TASKS

The main tasks are as follows:

1. Understand the theories of positioning uncertainty estimation with classic statistical methods;
2. Do a literature research on AI-based positioning uncertainty estimation and identify the best methodology;
3. Construct the training database: by using the existing ones or by making new acquisitions;
4. Train the prediction model and test it;
5. Compare the proposed AI-based method with the traditional methods.

REQUIRED SKILLS

• Knowledge of signal processing, machine learning and statistical analysis;
• Strong programming skills in Matlab, Python;
• Creativity, responsibility and strong oral/written skills in English.

The work may result in a high quality scientific paper presented at a conference or submitted to a journal.
Opportunity to continue a PhD with the funding of an europeen project.