STAGE – Deep Learning pour réglage des bruits d'un filtre de Kalman de navigation F/H

Une centrale inertielle est un équipement dont le but est de fournir à chaque instant sa position, sa vitesse et son orientation à un porteur (dont les types sont variés, de la fusée Ariane 6 au sous-marin, en passant par les avions et les moyens de transport terrestre par exemple).
Une centrale inertielle est constituée entre autre :
• de capteurs inertiels (3 gyromètres et 3 accéléromètres) permettant d'estimer la quantité de mouvement subis par le porteur,
• de capteurs non-inertiels (baromètre, odomètre, loch, récepteur GNSS, caméra, cartographie…) améliorant la localisation du porteur à l'aide d'un algorithme de fusion de données (généralement un Filtre de Kalman Etendu)
Le filtre de Kalman présente plusieurs paramètres (bruits de mesures et bruits de modèles notamment). Bien que des a priori peuvent être disponibles sur les valeurs de ces paramètres, il est en général nécessaire de mener un processus d'optimisation pour trouver les meilleurs réglages. Ce processus est principalement empirique, basé sur des essais/erreurs et nécessitent de nombreuses simulations pour converger vers le réglage pertinent.
Les réseaux de neurones (en particulier leur version « profonde ») deviennent l'état de l'art dans de nombreux domaines pour remplacer des processus empiriques. Ils peuvent donc a priori être utilisés avantageusement pour le réglage des paramètres d'un filtre de Kalman, à condition d'avoir des données disponibles pour l'apprentissage.
Par ailleurs, des travaux récents de Safran (en particulier la thèse de Colin Parellier, en partenariat avec Mines Paristech, voir Speeding-Up Backpropagation of Gradients Through the Kalman Filter via Closed-Form Expressions | IEEE Journals & Magazine | IEEE Xplore) ont permis d'optimise la backpropagation d'un fitlre de Kalman, ce qui permet un apprentissage bien plus rapide.
Le but de ce stage est de tester l'apport du Deep Learning pour améliorer les réglages d'un filtre de Kalman de navigation en temps réel (filtrage) et en temps différé (lissage) et d'évaluer l'apport en termes de précision et de robustesse, ... sur des données simulées (et réelles sur opportunité).
La personne retenue pour ce stage sera intégré-e dans l'équipe de conception R&T sur les centrales inertielles.

Compétences techniques : Deep Learningl, Filtrage de Kalman, Python, Traitement du Signal, Simulation, Matlab/Simulink
Qualités requises : Rigueur, Curiosité, Capacités d'analyse, Synthèse
Formation : Ingénieur généraliste, Master en Deep Learning
Contraintes particulières liés au poste : Résultats du stage confidentiel entreprise
Niveau d'anglais : Courant