Recrutement

RESUME (Fiche de Poste)

Les recherches sur les outils d’accompagnement à la mobilité des personnes en situation de handicap visuel portent essentiellement sur les systèmes digitaux : application de guidage GPS sur smartphone, canne instrumentée, description auditive de l’environnement, etc., et moins sur l’assistance par des chiens guide. Ces dernières recherches portent sur la médiation animale [1], la formation des bénéficiaires adultes ou mineures [2] ou encore la sélection et l’entrainement des chiens [3-4]. Peu de recherche s’intéressent à l’appariement entre chiens guide et les bénéficiaires, or cet appariement joue un rôle crucial dans le succès de l’accompagnement à la mobilité. Le processus actuel repose essentiellement sur des critères qualitatifs renseignés lors de l’évaluation des besoins du bénéficiaire, le profilage de chien et des rencontres supervisées. Cette approche peut entraîner des incompatibilités nuisant à l'efficacité et au bien-être du duo. Dans ce contexte, cette thèse vise à faire évoluer ce processus d’appariement en introduisant des approches qualitatives et automatisables avec un outil permettant de mesurer avec précision la compatibilité entre le chien et l'humain, en s'appuyant sur des critères comportementaux, émotionnels et biomécaniques ainsi que des modèles de marche appris sur les chiens et les bénéficiaires. L’analyse du couple chien-humain est une façon originale de repenser les approches scientifiques en navigation qui permettront de s’adresser à d’autres populations vulnérables. 

Cette thèse s’inscrit dans une collaboration internationale entre MIRA au Canada, un acteur de référence dans la formation de chiens guides et d'assistance, l’association Valentin Haüy, acteur historique de l’aide aux personnes déficientes visuelles en France et l'Université Gustave Eiffel. En s’appuyant sur des capteurs de mouvement portables et des outils d'analyse comportementale avancés issus du labcom INMOB [5], la thèse développera une méthodologie permettant de collecter des données précises sur les styles de marche des bénéficiaires et des chiens, ainsi que sur leurs comportements et états émotionnels. Les recherches débuteront par le développement et l’intégration de systèmes d’acquisition avec la mise au point et l’adaptation de dispositifs de captation de mouvement et d'analyse comportementale pour une utilisation facile et efficace avec les chiens et les bénéficiaires. Des collectes de données de marche, comportementales et émotionnelles seront réalisées pour créer des profils détaillés lors des séances d'appairage et dans des situations variées. Les données collectées seront traitées et analysées pour développer un modèle d’appariement  chien-bénéficiaire basé sur la compatibilité des profils de marche et comportementaux. Enfin le modèle sera intégré dans le processus d'appariement de MIRA pour évaluation et ajustement basé sur les retours d'expérience et les succès d'appariements. 

Ce travail mobilisera des compétences interdisciplinaires en géomatique, éthologie, sciences du mouvement et intelligence artificielle pour traiter les données captées et les intégrer dans un outil d’aide à la décision. La méthodologie comprendra la captation des mouvements à l’aide de capteurs inertiels, l’analyse de la dynamique de la marche via des algorithmes de traitement du signal, ainsi que l’observation et la quantification des comportements lors des interactions homme-chien. Le candidat en thèse s’insèrera dans ce projet de recherche fondamentale en se concentrant sur des questions intermédiaires en collaboration avec l’équipe encadrante. 

Les retombées attendues de ce projet sont multiples. Les recherches permettront d’améliorer la qualité des appariements chien-bénéficiaire, avec une réduction des échecs et des réaffectations. Elles contribueront aussi à un meilleur bien-être des chiens et des bénéficiaires en garantissant une meilleure compatibilité dès la phase de sélection. Enfin des avancées scientifiques dans les domaines de la biomécanique de la marche et de l’éthologie appliquée aux interactions homme-animal sont attendues.

L’élargissement des connaissances sur les relations dynamiques entre humains et chiens d’assistance, permettront d’ouvrir des perspectives pour de nouvelles applications, notamment en réhabilitation, accompagnement des personnes âgées et gestion des troubles comportementaux. La thèse sera menée dans un cadre de collaboration académique et industriel, avec un fort potentiel de transfert technologique vers des organismes impliqués dans la formation de chiens guides et d'assistance.

REFERENCE

[1] Alice Mignot, « Bénéfices de l'approche pluridisciplinaire dans la compréhension de la médiation animale ainsi que dans l'évaluation du bien-être du chien médiateur », thèse doctorale, Université de Nanterre - Paris X, 2022. 

[2] Fanny Menuge, Identification of factors influencing the acquisition of skills necessary to work as a guide dog for blind children : conception d’un programme d’optimisation. Animal biology. Institut National Polytechnique de Toulouse - INPT, 2022. English.

[3] Fondation MIRA,  Chiens-guides pour les personnes non-voyantes ou ayant une déficience visuelle https://www.mira.ca/fr/programmes/chien-guide-deficience-visuelle 

[4] Nicolas Dollion; Margot Poirier; Association Handi'Chiens; Fondation Mira; Florian Auffret; Nathe François; Pierrich Plusquellec; Marine Grandgeorge. (2024) "Effects of service dogs on children with ASD’s symptoms and parents' wellbeing: on the importance of considering those effects with a more systemic perspective.". PLoS One 2024 Jan 3;19(1) https://doi.org/10.1371/journal.pone.0295702   

[5] Publications du labcom INMOB (cartographie du handicap par mesure INertielle pour faciliter la MOBilité) financé par l’ANR, https://anr.hal.science/search/index/?q=*&anrProjectReference_s=ANR-20-LCV1-0002  

MOTS CLES

Navigation, Assistance à la mobilité, Chien guide, Mobilité Durable

La complexité des scénarios de positionnement et les exigences des applications basées sur la localisation ont considérablement augmenté en raison des avancées technologiques, de l'urbanisation et de l'élargissement des cas d'utilisation dans divers secteurs. Les applications dans des domaines tels que les véhicules autonomes, la navigation intérieure, la santé, la réalité augmentée et la logistique nécessitent toutes des solutions de plus en plus sophistiquées pour offrir des expériences précises, fiables et adaptatives qui tiennent compte des conditions dynamiques et variées. En même temps, d'énormes quantités de données de navigation sont générées par différents capteurs de navigation, nécessitant des méthodes avancées pour le traitement et l'analyse.

Les approches basées sur l’apprentissage automatique deviennent de plus en plus populaires dans le domaine de la localisation et de la navigation en raison de leur capacité à résoudre des défis complexes que les méthodes traditionnelles peinent à modéliser avec précision. Par exemple, les erreurs de réception GNSS dues aux trajets multiples et aux réceptions non directe (Non-Line-Of-Sight) sont difficiles à prédire avec les modèles conventionnels, ce qui pousse de nombreux chercheurs à explorer des techniques basées sur l'intelligence artificielle (IA) pour détecter et exclure les mesures GNSS erronées [1-2]. Les modèles d'IA, en particulier ceux utilisant l'apprentissage automatique, offrent une approche plus adaptative et dynamique pour identifier et atténuer ces erreurs, améliorant ainsi considérablement la fiabilité des systèmes de positionnement basés sur le GNSS. De plus, les paramètres des filtres de navigation, tels que le filtre de Kalman étendu (EKF) et l'optimisation de graphes de facteurs (FGO), sont cruciaux pour déterminer la performance du positionnement, car ils sont fortement sensibles à des facteurs contextuels tels que les conditions environnementales et la qualité des appareils. L'ajustement précis de ces paramètres de filtrage peut améliorer considérablement la stabilité et la robustesse de la précision de la localisation, et les techniques d'apprentissage profond montrent un potentiel pour automatiser et optimiser ce processus, le rendant ainsi plus efficace et précis [3]. Dans le domaine de la navigation et du positionnement, les techniques d'apprentissage supervisé sont souvent appliquées pour garantir des résultats plus contrôlables, prévisibles et une meilleure performance globale, offrant un moyen efficace de s'adapter à des conditions diverses et aux exigences des systèmes.

Les étiquettes nécessaires pour l'apprentissage supervisé, en particulier les étiquettes de haute qualité, sont souvent coûteuses à obtenir en raison de facteurs tels que la nécessité de travail humain, d'équipements coûteux ou d'un accès à des données cartographiques détaillées. Par exemple, l'étiquetage des données GNSS en ligne de vue (Line-Of-Sight) et hors ligne de vue (NLOS) repose généralement sur des dispositifs encombrants tels que des caméras fisheye ou des systèmes assistés par cartes 3D, qui peuvent introduire des erreurs comme des imprécisions dans la segmentation des images, des erreurs de calibration des caméras et des écarts dans les cartes. La question principale de recherche et l'objectif de cette thèse de doctorat est donc de proposer une méthodologie généralisable d'étiquetage des données utilisant l'apprentissage par renforcement (RL) pour générer automatiquement des étiquettes de haute qualité. En utilisant uniquement la trajectoire de référence, cette approche vise à étiqueter des quantités intermédiaires telles que la qualité des données des capteurs et les paramètres de filtrage de manière économique et évolutive.

L'apprentissage par renforcement est particulièrement adapté à cette tâche car il permet un processus d'apprentissage autonome et adaptatif où le système peut affiner en continu sa stratégie d'étiquetage en fonction des retours de l'environnement. Les tâches principales de cette thèse incluent : 1) Une revue approfondie de l'état de l'art sur l'apprentissage par renforcement, en mettant l'accent sur ses applications dans les systèmes de localisation et de navigation, ainsi que son potentiel pour résoudre les défis liés à l'étiquetage des données. 2) La modélisation du problème d'étiquetage des données de navigation dans le cadre de l'apprentissage par renforcement en définissant soigneusement les éléments clés du problème, y compris l'état, les actions, l'environnement et les récompenses. Cela mène à une méthodologie appropriée permettant aux algorithmes d'apprentissage par renforcement d'optimiser de manière autonome le processus d'étiquetage, en s'appuyant uniquement sur la trajectoire de référence, qui est de toute façon nécessaire pour l'évaluation des performances. De cette manière, le coût et l'efficacité de l'étiquetage des données seront considérablement réduits. 3) Deux études de cas seront menées pour démontrer l'efficacité de la méthodologie proposée : a) l'étiquetage de la qualité des capteurs, par exemple les données GNSS et du système de navigation inertielle (INS) ; b) l'étiquetage des paramètres de filtrage, par exemple EKF et/ou FGO, afin de garantir que le filtre reste robuste et précis dans des conditions variées.

Compétences requises : apprentissage par renforcement, traitement du signal, mathématiques appliquées, fusion multisensorielle pour le positionnement, estimation d'état.
Mots-clés : Positionnement, données multisensorielles, étiquetage, apprentissage par renforcement.   

Compétences requises : apprentissage par renforcement, traitement du signal, mathématiques appliquées, fusion multicapteur pour le positionnement, estimation d'état.

Profil attendu :

Titulaire d’un diplôme d’ingénieur ou master 2 en intelligence artificielle / Informatique/ traitement du signal et image

Mots-clés :

Positionnement, données multisensorielles, étiquetage, apprentissage par renforcement

[1] N. Zhu, R. He, Z. Wang, CarNet: A generative convolutional neural network-based line-of-sight/non-line-of-sight classifier for global navigation satellite systems by transforming multivariate time-series data into images, Engineering Applications of Artificial Intelligence, Volume 145, 2025, 110160, ISSN 0952-1976, https://doi.org/10.1016/j.engappai.2025.110160. 

[2] García Crespillo, O., Ruiz-Sicilia, J. C., Kliman, A., & Marais, J. (2023). Robust design of a machine learning-based GNSS NLOS detector with multi-frequency features. Frontiers in Robotics and AI, 10, 1171255.

[3] Li, Shuo, et al. "Exploring the Potential of Deep Learning Aided Kalman Filter for GNSS/INS Integration: A Study on 2D Simulation Datasets." IEEE Transactions on Aerospace and Electronic Systems (2023).

[4] Zhu, N., Bouronopoulos, A., Leduc, T., Servières, M., & Renaudin, V. (2023, April). Evaluation of the Human Body Mask Effects on GNSS Wearable Devices for Outdoor Pedestrian Navigation Using Fisheye Sky Views. In 2023 IEEE/ION Position, Location and Navigation Symposium (PLANS) (pp. 841-850). IEEE.

Possibilité de poursuite en thèse à l’issue du stage

Sujet :

En milieu urbain, la précision des systèmes de positionnement par satellite (GNSS) est fortement compromise par l'environnement. Les bâtiments, la végétation et la morphologie de la ville peuvent en effet provoquer des réflexions, diffractions ou blocages des signaux des satellites. Cette dégradation des mesures (pseudorange, carrier phase, doppler shift) impacte significativement la qualité du positionnement - un enjeu critique pour des applications exigeant une haute précision, comme les véhicules autonomes et le guidage de personnes déficientes visuelles.

Pour estimer une position à partir des mesures satellitaires, on utilise couramment des algorithmes "snapshot" tels que la régression des moindres carrés pondérés (WLS). L'une des stratégies permettant d'améliorer la précision consiste à attribuer, pour chaque instant de mesure, un indicateur de confiance à chaque satellite. Ces indicateurs servent ensuite de pondération dans l'estimation de position, permettant ainsi de réduire l'influence des mesures de moindre qualité. Bien que des heuristiques existent dans la littérature, elles nécessitent de régler des hyperparamètres et ne sont pas forcément adaptées à des environnements urbains complexes.

Ce stage propose d'explorer une nouvelle approche basée sur l'apprentissage par renforcement. L'objectif est de déterminer une fonction capable de prédire l'indicateur de confiance d'un satellite à partir de ses signaux mesurés. L'apprentissage par renforcement est particulièrement adapté à ce problème car il ne nécessite pas de référence (*ground truth*) pour les pondérations. A la place, nous disposons uniquement de la position de référence du capteur. Dans ce paradigme, un agent prédit des pondérations et reçoit une récompense basée sur la qualité de ses prédictions, ici évaluée avec l'erreur de positionnement commise avec les pondérations prédites. 

Tâches :

• État de l'art sur les méthodes d'apprentissage par renforcement
• Modélisation du problème d'apprentissage
• Implémentation et entraînement d'un modèle, en utilisant des données produites au laboratoire GEOLOC
• Évaluation du modèle et comparaison avec un paradigme d'apprentissage profond end-to-end (https://arxiv.org/abs/2409.12996)

Compétences requises :

• Connaissances en Machine Learning
• Développement informatique (Python ou MATLAB)

Contexte :

Le laboratoire GEOLOC est situé sur le campus de Nantes de l’Université Gustave Eiffel. Les thématiques de recherche du laboratoire portent sur la géolocalisation avec la fusion multicapteur pour le transport multimodal. 

Modalités :

• Le stage aura lieu au laboratoire GEOLOC, sur le campus de Nantes de l’Université Gustave Eiffel (Allée des Ponts et Chaussées, 44340 Bouguenais)
• Gratification : entre 600€ - 700€ / mois selon le nombre de jour de présence
• Durée : 5 à 6 mois
• Date de début souhaitée : entre février et avril 2025