Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Laboratoire de Recherche de l’ENAC
Durée : 3 ans
Contact : laurent.lapasset@recherche.enac.fr
Date limite de publication : 2021-01-01

Contexte :
Mots clefs : Analyse / traitement d’images et de séries temporelles, IA, Machine Learning et Deep Learning

Date de début de la thèse : rentrée 2020

Type de financement : Thèse CIFRE

Contact :
Thierry Klein
Laurent Lapasset

Localisation :
ENAC, 7, Avenue Edouard Belin, 31400 Toulouse

L’un des objectifs principaux de la DSNA (Direction des services de la Navigation aérienne) est la modernisation de la navigation aérienne.
Le plan de modernisation technique prend en compte le programme de recherche européen “SESAR”, volet technologique du projet de ” ciel unique européen “, et en particulier le cadre réglementaire défini par le ” Pilot Common Project ” première étape de déploiement des travaux dès 2015.
Il s’appuie sur des outils de nouvelle génération (4-Flight, ERATO…) et des procédures opérationnelles optimisées pour toutes les phases du vol (EGNOS, Airport CDM…) et plus particulièrement le projet SALTO en lien avec la présente thèse.

Le projet SALTO (Swift ATFCM/ASM Local Trac Optimizer) est un projet dont la DGAC est maitre d’ouvrage et Capgemini en est le maitre d’ oeuvre.

SALTO permet de surveiller les secteurs de contrôles d’un CRNA.
C’est un outil adapté aux besoins des FMP (Flow Management Position). L’outil SALTO répond aux besoins des activités lors des phases stratégiques, pré-tactique, tactique et post-analyse.

Sujet :
Nous allons récupérer les trajectoires réelles enregistrées par le projet SALTO. Ce type de données spatio-temporelles soulève un ensemble de questions classiques en fouille de données mais plus originales lorsqu’elles sont regroupées pour constituer des trajectoires. Peut-on dénir une trajectoire
type ? Peut-on détecter des trajectoires anormales ? Comment regrouper les trajectoires similaires ?
Le principe d’une telle étude repose sur la création d’une distance adaptée aux propriétés particulières que présentent les données de trajectoires. Les trajectoires sont des suites de points du plan indexes par le temps. Pour pouvoir les comparer il faut prendre en compte non seulement le point de départ et le point d’arrivée, qui dénissent l’itinéraire, mais également leur longueur et leur forme ainsi que que la fenêtre temporelle associée.
De nombreuses distances ont déjà été développées en vue de cet objectif. Dans tous les cas les distances que nous utiliserons seront basées sur les critères suivants: la distance physique entre deux trajectoires, la forme des trajectoires (orientation, longueur) et la “dépendance temporelle”.

Profil du candidat :
Formation M2 / Ingénieur

Formation et compétences requises :
Informatique, Image, Série Temporelle, Statistiques, IA

Adresse d’emploi :
7, Avenue Edouard Belin, 31400 Toulouse

Document attaché : 202008131017_Cap-Sujet-developpe.pdf