Jobs

Contexte et Positionnement Scientifique

La marche constitue une activité motrice fondamentale au cœur des enjeux de mobilité durable, d’accessibilité et de santé publique. Pourtant, les modèles de marche utilisés aujourd’hui en biomécanique, en robotique humanoïde ou en navigation piétonne reposent majoritairement sur des représentations moyennes et normatives du mouvement. Ces approches décrivent la cinématique de la marche dans des environnements contrôlés, en négligeant largement la variabilité interindividuelle ainsi que l’influence fine du contexte urbain sur la dynamique locomotrice.

Au sein du laboratoire GEOLOC (Université Gustave Eiffel), plusieurs travaux ont contribué à dépasser cette vision standardisée de la marche en développant des solutions de positionnement piéton de haute précision fondées sur des capteurs inertiels embarqués. Les recherches menées dans le cadre des projets ANR-DGA MALIN et H2020 ICHASE ont permis de développer des systèmes robustes de suivi du déplacement en environnements contraints. Plus récemment, le LabCom ANR INMOB (2021–2025) a introduit une approche fondée sur des modèles personnalisés de marche, exploitant l’apprentissage automatique pour construire des « empreintes de marche » individuelles à partir de données inertielle collectées en conditions réelles.

Ces travaux ont montré que- les signatures de marche sont fortement spécifiques à chaque individu, qu’elles présentent une stabilité temporelle et qu’elles sont sensibles aux conditions environnementales et au positionnement des capteurs.

Cependant, si ces recherches ont permis d’améliorer la navigation piétonne et la modélisation individuelle du mouvement, elles n’ont pas encore intégré de manière systématique la morphologie urbaine et les facteurs environnementaux comme variables explicatives de la dynamique de marche.

La thèse proposée s’inscrit dans le cadre du projet ANR City-Step, qui vise à renouveler l’analyse de la marchabilité en articulant modélisation biomécanique fine et morphologie urbaine. Elle porte sur le développement d’un modèle de marche personnalisé et sensible à l’environnement, fondé sur des données expérimentales collectées in situ.

Objectifs de la thèse

Le projet ANR CITY-STEP vise à comprendre comment la morphologie urbaine influence la dynamique de la marche à l’échelle du pas. L’objectif principal de la thèse est de développer un modèle de marche personnalisé et sensible à l’environnement, capable de décrire et d’expliquer les adaptations fines du mouvement piéton en contexte urbain réel. Elle se positionne au croisement de la biomécanique, du traitement du signal, de l’intelligence artificielle et de la mobilité urbaine. La thèse poursuivra quatre objectifs scientifiques majeurs :

• Concevoir un protocole expérimental et exploiter un dispositif multi- capteurs. Le/la doctorant·e participera à la mise en œuvre et à l’exploitation d’un dispositif de mesure embarqué intégrant capteurs inertiels, GNSS, caméra et eye-tracking. L’enjeu est de capturer la marche en conditions urbaines réelles, sans perturber le comportement naturel des participants.

• Extraire des signatures de marche individualisées. À partir des données collectées in situ, la thèse visera à détecter les événements locomoteurs (pas, phases d’appui, transitions), à extraire des indicateurs biomécaniques (variabilité de la foulée, régularité, symétrie, micro- ajustements) et à construire des empreintes de marche personnalisées intégrant la variabilité interindividuelle.

• Modéliser l’adaptation de la marche au contexte urbain. Un objectif central sera d’analyser comment les caractéristiques de l’environnement (pente, largeur, mobilier urbain, intersections, stimuli visuels) influencent les paramètres cinématiques. La thèse développera des modèles combinant traitement du signal et apprentissage automatique afin d’identifier les corrélations entre dynamique locomotrice et morphologie urbaine.

• Contribuer à un modèle multi-échelle de la marche. Les travaux permettront de proposer un modèle multi-échelle, reliant : l’échelle du pas (micro-dynamique locomotrice), l’échelle du segment urbain et l’échelle de l’itinéraire.

Ce modèle constituera une contribution centrale au projet CITY-STEP et alimentera la construction d’indicateurs de marchabilité développés dans le projet.

Encadrement et environnement scientifique

La thèse se déroulera au laboratoire GEOLOC (Université Gustave Eiffel) dans le cadre du projet ANR CITY-STEP, en collaboration étroite avec l’équipe AAU (École Centrale de Nantes). Le/la doctorant·e bénéficiera d’un environnement dynamique mêlant recherche fondamentale, développement expérimental et applications urbaines concrètes.

Le laboratoire GEOLOC est une équipe reconnue internationalement pour ses travaux en navigation piétonne, capteurs inertiels et mobilité urbaine intelligente. Il développe des solutions innovantes combinant intelligence artificielle, traitement avancé du signal et systèmes multi-capteurs embarqués, appliquées à la compréhension et à l’optimisation des déplacements en environnements complexes. Impliqué dans de nombreux projets nationaux et européens (ANR, H2020), GEOLOC évolue dans un réseau scientifique international et collabore avec des partenaires académiques et industriels. L’équipe offre un environnement de recherche stimulant, à la croisée de la recherche fondamentale, du développement technologique et des enjeux sociétaux liés à la ville durable.

Profil recherché

Nous recherchons un·e candidat·e fortement motivé·e par la recherche interdisciplinaire, souhaitant travailler à l’interface entre traitement du signal, intelligence artificielle, biomécanique et mobilité urbaine.

Formation

Diplôme de Master (ou équivalent) en navigation / géomatique, traitement du signal / data science, informatique / intelligence artificielle, biomécanique ou discipline connexe. Un excellent niveau académique est attendu.

Compétences scientifiques et techniques

• Solides bases en traitement du signal (analyse temporelle/fréquentielle, filtrage, détection d’événements)
• Connaissances en machine learning (classification, modèles supervisés/non supervisés)
• Compétences en programmation (Python indispensable, C++ apprécié)
• Intérêt pour les systèmes multicapteurs et les données expérimentales

Une expérience préalable dans l’un des domaines suivants serait un atout : analyse de données issues de capteurs inertiels (IMU), Human Activity Recognition, biomécanique de la marche, fusion de capteurs et vision par ordinateur

Compétences personnelles

• Goût pour le travail expérimental en conditions réelles
• Capacité à travailler en équipe interdisciplinaire
• Esprit d’initiative, autonomie et rigueur scientifique
• Bonne capacité rédactionnelle en anglais

Conditions de la thèse

• Début de la thèse : septembre/ octobre 2026
• Durée : 36 mois
• Financement : ~3’200 € brut mensuel / Contrat doctoral financé dans le cadre du projet ANR City-Step
• Localisation : Université Gustave Eiffel - Laboratoire GEOLOC Campus de Nantes - Allée des ponts et chaussées44340 Bouguenais - France

Modalités de candidature

Les candidat·e·s devront transmettre :

• Un CV détaillé
• Une lettre de motivation explicitant l’intérêt pour le sujet et le projet CITY-STEP
• Les relevés de notes de Master
• Un ou deux contacts de recommandation
• Éventuellement, un mémoire de Master ou rapport de stage significatif

Les candidatures seront examinées au fil de l’eau jusqu’à la sélection d’un·e candidat·e.

Contact
Valérie Renaudin
valerie.renaudin@univ-eiffel.fr

1- Contexte et positionnement scientifique

La mobilité autonome reste l’un des principaux défis auxquels sont confrontées les personnes malvoyantes (PMV) dans les environnements urbains et intérieurs complexes. Bien que les technologies de navigation aient considérablement évolué au cours de la dernière décennie, la plupart des systèmes de localisation actuels reposent sur la détection visuelle, des infrastructures externes ou des signaux satellites qui peuvent s’avérer peu fiables ou indisponibles dans les zones urbaines denses et les espaces intérieurs. De plus, de nombreuses approches soulèvent des préoccupations importantes concernant la vie privée, l'intrusion dans l'environnement ou la facilité d'utilisation pour les utilisateurs malvoyants.

Au sein du laboratoire GEOLOC (Université Gustave Eiffel), des recherches approfondies ont été menées sur la navigation piétonne, le positionnement multicapteurs et l'analyse de la mobilité basée sur l'IA. Plusieurs projets nationaux et européens ont contribué au développement d'approches de localisation robustes basées sur des capteurs inertiels, le GNSS et les technologies de détection mobile dans des environnements complexes.

Les avancées récentes en matière de capteurs mobiles et d’intelligence artificielle offrent de nouvelles opportunités pour la conception de systèmes de navigation alternatifs où le son joue un rôle central dans la perception spatiale et le positionnement des personnes malvoyantes. Cependant, la perception acoustique reste largement inexplorée en tant que modalité principale pour le positionnement et l’orientation, en particulier dans des contextes collaboratifs où plusieurs appareils mobiles peuvent partager des informations acoustiques.

La thèse de doctorat proposée s'inscrit dans le cadre du projet ANR MAPV, qui vise à concevoir un cadre de localisation collaboratif, basé sur le son et alimenté par l'IA, capable d'améliorer la précision de la navigation des piétons tout en préservant la vie privée et en minimisant les nuisances sonores pour les utilisateurs et les chiens guides.

2- Objectifs de la thèse
L'objectif principal de cette thèse est de développer et d'évaluer des méthodes de positionnement acoustique pour un cadre de positionnement collaboratif destiné à faciliter la mobilité des personnes malvoyantes. La recherche se situera à la croisée du traitement du signal, de l'intelligence artificielle, de la détection acoustique et des technologies de mobilité centrées sur l'humain.
La thèse abordera quatre objectifs scientifiques principaux :

• Concevoir des signaux de positionnement acoustique peu intrusifs. Les techniques de positionnement acoustique peuvent fournir une estimation de distance très précise, mais les signaux sonores peuvent perturber les utilisateurs ou interférer avec les capacités de perception des personnes malvoyantes et des chiens guides. La thèse étudiera des stratégies de conception de signaux acoustiques qui concilient précision de positionnement, fiabilité de la communication et caractère peu intrusif sur le plan acoustique.
• Développer des algorithmes collaboratifs de télémétrie et de localisation acoustiques. Le doctorant développera des algorithmes de localisation collaborative permettant à plusieurs smartphones ou appareils portables d'estimer leur position à l'aide de techniques acoustiques. Les principaux défis à relever comprennent la synchronisation entre plusieurs appareils, les interférences de signaux, les conditions sans ligne de visée et l'échange sécurisé d'informations entre les appareils.
• Reconnaître des repères acoustiques environnementaux à l'aide de l'IA. Les environnements urbains contiennent de nombreuses sources sonores caractéristiques telles que les signaux acoustiques de passage piéton, les portes, les ascenseurs, les appareils électroniques ou les infrastructures publiques. La thèse développera des modèles d'apprentissage automatique capables d'identifier et d'interpréter les repères sonores environnementaux, permettant aux utilisateurs d'améliorer leur orientation spatiale, en détectant les repères acoustiques et en renforçant leur conscience contextuelle.
• Fusionner plusieurs sources de positionnement pour une navigation robuste. Les mesures acoustiques, les données de positionnement collaboratif, les capteurs inertiels et la reconnaissance des sons environnementaux seront intégrés au sein d’un cadre décisionnel capable de sélectionner et de fusionner de manière dynamique les sources de positionnement les plus fiables. Cette approche multi-sources vise à compenser la dérive du Pedestrian Dead Reckoning (PDR) tout en garantissant une localisation précise, robuste et respectueuse de la vie privée.

3- Encadrement et environnement scientifique

La thèse sera menée au sein du laboratoire GEOLOC (Université Gustave Eiffel) dans le cadre du projet ANR MAPV. Le doctorant bénéficiera d’un environnement dynamique alliant recherche fondamentale, développement expérimental et applications urbaines concrètes.

Le laboratoire GEOLOC est une équipe reconnue internationalement pour ses travaux en navigation piétonne, capteurs inertiels et mobilité urbaine intelligente. Il développe des solutions innovantes combinant intelligence artificielle, traitement avancé du signal et systèmes multicapteurs embarqués, appliquées à la compréhension et à l’optimisation des déplacements dans des environnements complexes. Impliqué dans de nombreux projets nationaux et européens (ANR, H2020), GEOLOC opère au sein d’un réseau scientifique international et collabore avec des partenaires universitaires et industriels. L’ équipe offre un environnement de recherche stimulant, à la croisée de la recherche fondamentale, du développement technologique et des défis sociétaux liés aux villes durables.

4- Profil recherché
Nous recherchons un candidat fortement motivé par la recherche interdisciplinaire et désireux de travailler à la croisée du traitement du signal, de l'intelligence artificielle, de la détection acoustique et des technologies de mobilité centrées sur l'humain.

Formation

Master (ou équivalent) en navigation/géomatique, traitement du signal/science des données, informatique/intelligence artificielle, acoustique/télécommunications ou dans une discipline connexe. D'excellents résultats universitaires sont requis.

Compétences scientifiques et techniques

• Solides bases en traitement du signal (analyse temps/fréquence, filtrage, analyse des signaux audio)
• Connaissances en apprentissage automatique (classification, modèles supervisés/non supervisés, apprentissage profond)
• Compétences en programmation (Python indispensable, C++ apprécié)
• Intérêt pour les systèmes multicapteurs et les données expérimentales

Une expérience préalable dans l'un des domaines suivants serait un atout : analyse de données issues de capteurs inertiels (IMU), positionnement et navigation de personnes, méthodes de localisation/positionnement, fusion de capteurs et traitement des signaux acoustiques

Compétences personnelles

• Intérêt pour le travail expérimental en conditions réelles
• Capacité à travailler au sein d'une équipe interdisciplinaire
• Esprit d'initiative, autonomie et rigueur scientifique
• Bonnes compétences rédactionnelles en anglais

Un positionnement précis et fiable constitue une technologie clé pour les systèmes de transport intelligents, la conduite autonome et les nouveaux services de géolocalisation critiques en matière de sécurité et de fiabilité. Bien que les systèmes de navigation par satellite (GNSS), combinés aux techniques de cinématique en temps réel (RTK), puissent fournir une précision centimétrique dans des conditions favorables, leurs performances se dégradent fortement dans les environnements urbains denses. Le masquage des signaux, la propagation multi-trajets, la réception Non-Line-Of-Sight (NLOS) et la variabilité rapide des conditions environnementales mettent à l’épreuve à la fois la précision et la fiabilité du positionnement. Ces phénomènes constituent les principales limitations au déploiement de solutions GNSS de haute précision en milieu urbain. Une étape clé permettant d’atteindre la haute précision du RTK est la résolution des ambiguïtés (Ambiguity Resolution, AR) des mesures de phase GNSS.

L’objectif global de cette thèse est d’améliorer la robustesse, la précision et la fiabilité de la navigation GNSS RTK en milieu urbain grâce à des approches renforcées par l’apprentissage. Une attention particulière sera portée au processus de résolution des ambiguïtés de mesure de phase. Aujourd’hui, les approches fondées sur les données deviennent de plus en plus populaires dans le domaine de la localisation et de la navigation GNSS en raison de leur capacité à relever des défis complexes que les méthodes traditionnelles peinent à modéliser avec précision. Par exemple, de nombreux chercheurs ont exploré des techniques basées sur l’intelligence artificielle (IA) pour détecter et exclure les mesures GNSS défaillantes [1–2]. Bien que ces approches aient montré des résultats prometteurs, leur efficacité dans des cadres d’apprentissage supervisé dépend fortement de la qualité des étiquettes. En pratique, la génération d’étiquettes de haute qualité pour les données GNSS urbaines est souvent coûteuse, en raison de facteurs tels que le recours à une main-d’œuvre humaine, l’utilisation d’équipements onéreux ou l’accès à des données cartographiques détaillées [3].

Dans ce contexte, deux défis de recherche étroitement liés seront abordés dans cette thèse : (i) le développement d’une méthodologie d’étiquetage des données généralisable, basée sur l’apprentissage par renforcement (RL), exploitant uniquement des trajectoires de référence pour étiqueter automatiquement des informations latentes liées à la fiabilité des données de navigation, telles que la qualité des capteurs ou les poids de mesure adaptatifs ; et (ii) l’intégration des informations de fiabilité apprises dans le processus de résolution des ambiguïtés afin d’améliorer les performances du RTK en environnements urbains.

La première partie de cette thèse traite donc du problème de l’étiquetage des données de navigation GNSS. La principale question de recherche consiste à développer une méthodologie d’étiquetage intelligente basée sur l’apprentissage par renforcement (RL), s’appuyant uniquement sur la trajectoire de référence pour inférer des grandeurs latentes liées à la fiabilité des mesures GNSS et des ambiguïtés. Plutôt que d’étiqueter directement les observations brutes, le cadre proposé vise à générer automatiquement des étiquettes pour des variables intermédiaires critiques pour la résolution des ambiguïtés de mesure de phase, telles que des indicateurs de qualité des mesures, des états de fiabilité des ambiguïtés et des poids d’observation adaptatifs. En n’utilisant que la trajectoire de référence, cette approche cherche à offrir une alternative rentable et évolutive aux stratégies d’étiquetage conventionnelles étudiées dans [3].

Sur la base du cadre d’étiquetage intelligent développé dans la première partie de cette thèse, la fiabilité des données de navigation peut être étiquetée à différents niveaux. La seconde partie du sujet se concentre sur une tâche plus spécifique : une résolution des ambiguïtés de phase porteuse GNSS sensible à la fiabilité et assistée par l’intelligence artificielle (IA). Bien que de nombreux travaux existent sur la classification LOS/NLOS GNSS et la prédiction des erreurs de pseudo-distances à l’aide de techniques d’apprentissage, l’utilisation de ces méthodes pour soutenir la résolution des ambiguïtés de phase reste largement inexplorée. Une architecture d’apprentissage sera conçue afin de prédire, dans un premier temps, la fiabilité des mesures GNSS. Cette prédiction de fiabilité sera ensuite utilisée comme une entrée de perception de l’environnement pour soutenir le processus de résolution des ambiguïtés. Il s’agit là de la différence fondamentale avec la littérature existante, dans laquelle la relation entre les caractéristiques apprises et la fiabilité des ambiguïtés demeure largement opaque [4].

En améliorant le positionnement de haute précision dans les urbains denses, cette thèse pourra contribuer à une conduite automatisée plus sûre, à des opérations de flotte plus fiables, ainsi qu’à une cartographie et des levés topographiques précis dans des environnements contraints. L’approche proposée vise à faire le lien entre les méthodes modernes d’apprentissage fondées sur les données et l’interprétabilité, en offrant à la fois des gains de performance et une prise de décision explicable dans des scénarios urbains critiques du point de vue de la sécurité.

[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, 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] Beaucamp, Benjamin, Thomas Leduc, Myriam Servières, and Ni Zhu. "Comparison of GNSS LOS/NLOS Labeling Techniques Based on a 3D model and Sky View Imagery for Soft Mobility and Vehicle Data in Urban Areas." In 2025 IEEE/ION Position, Location and Navigation Symposium (PLANS), pp. 1192-1203. IEEE, 2025.

[4] Lyu, Z., & Gao, Y. (2025). A machine learning-based partial ambiguity resolution method for precise positioning in challenging environments. Journal of Geodesy, 99, 8.
 

L’ingénieur-e de recherche viendra renforcer l’équipe des chercheur∙es du laboratoire GEOLOC et participera aux projets de re cherches du laboratoire. Ainsi, il ou elle sera impliqué dans l’apprentissage continu (et par transfert) afin de traiter les scénarios dynamiques, évolutifs et non-stationnaires. Il ou elle sera également en charge des problématiques autour des cartes : de leur utilisation en temps réel pour individualiser les approches au profil de mobilité, à la création de cartes et graphes sp écifiques dédiés aux usagers (vulnérables ou non) en situation de navigation multimodale.
Il ou elle sera en charge de développer de nouveaux algorithmes de positionnement multi-capteurs permettant de pallier les faiblesses de la technologie GNSS face aux leurrages et brouillages radio.
Enfin, concernant les actions en support des activités normatives de GEOLOC, la personne recrutée sera en charge de la réalisation et de l’analyse des rejeux de signaux (GNSS, LEO) ; afin de contribuer à la définition des futures scénarios d’essais pour évaluer les performances des systèmes de localisation.
 

Missions principales :
 

• Développement de méthodes d’apprentissage continu et par transfert pour traiter des scénarios dynamiques et non sationnaires.
• Mise en œuvre d’approches de représentation et de raisonnement basées sur les graphes pour la navigation.
• Études sur la fusion de cartes, la création de cartes spécifiques pour des usages dédiés (mobilité des personnes malvoyantes, mobilité multimodale), et l’intégration de cartes inertielles (exploitation d’amers inertiels).
• Intégration et exploitation de données issues de différentes technologies : LEO-PNT, systèmes inertielles, magnétomètres, baromètres, signaux acoustiques, WiFi et BLE.
• Développement de méthodes de fusion multi-capteurs pour améliorer la précision, la robustesse et la résilience des systèmes de localisation.
• Contribution aux travaux de normalisation dédiés au GNSS et aux technologies émergentes (dont LEO-PNT).
• Conception et analyse de scénarios de tests réalistes pour évaluer les performances des systèmes de localisation, incluant la génération et l’analyse de rejeux de signaux.

Compétences attendues :
 

• Science des données / IA
• Traitement du signal
• Navigation, Géomatique
• Anglais courant
• Python, matlab
• Encadrement et rédaction scientifique
• Organisation et rigueur
• Travail en équipe