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

Laboratoire/Entreprise : Laboratoire Auscultation, Modélisation et Expérime
Durée : 3 ans
Contact : amine.ihamouten@univ-eiffel.fr
Date limite de publication : 2022-10-01

Contexte :
Au sein d’Eurovia (Groupe Vinci), ETF est un acteur majeur de la conception, de la construction, du développement et de la maintenance d’infrastructures ferroviaires au service des citoyens en France et à l’international. La mission d’ETF est d’oeuvrer en faveur d’une mobilité ferroviaire sûre, rapide et respectueuse de l’environnement. Pour cela, les équipes d’ETF interviennent sur tous les types de réseaux ferrés : ligne à grande vitesse, ligne régionale, réseau portuaire et site industriel, réseau ferré urbain (tramway, métro).
En lien avec la régénération du réseau ferroviaire, SNCF-Réseau élabore, en fonction des besoins identifiés sur la base de diverses investigations in situ, des projets de Renouvellement de Voie et Ballast (RVB) des lignes existantes dans le but de leur redonner leurs performances nominales. Dans le cadre de ces projets, un certain nombre de prescriptions techniques relatives aux travaux à réaliser sont ainsi prescrites par SNCF Réseau qui confie ensuite la réalisation de ces derniers aux entreprises habilitées tel ETF.
Parmi ces prescriptions, celles relatives au renouvellement de la couche de ballast – opération consistant à dégarnir (i.e. excaver) les granulats anciens, « usés et pollués », puis à les remplacer par des granulats
neufs, « anguleux et sains » – peuvent poser un certain nombre de difficultés opérationnelles (respect de la profondeur de dégarnissage, respect de l’épaisseur de ballast sain, optimisation de l’apport de matériau neuf et de réemploi (à hauteur de 30 à 40 %), etc.). Ces différents écueils, dont l’origine apparait multiple (qualité et quantité des données d’entrée, temporalité des investigations par rapport aux travaux, présence d’objets enfouis, etc.), conduit in fine à des coûts directs et indirects importants pour ETF pouvant s’élever à plusieurs centaines de milliers d’euros (perte de rendement, usure / casse matérielle prématurée, immobilisation des ressources, pénalité de retard, etc).
Dans ce contexte, la problématique d’ETF est donc relative à l’identification et à l’anticipation de ces désagréments sur les futurs chantiers de RVB en vue de pouvoir, idéalement, s’en affranchir afin de limiter / maitriser les coûts associés. C’est avec ce dessein qu’ETF et l’Université Gustave Eiffel proposent conjointement ce sujet de thèse via une Convention Industrielle de Formation par la Recherche (CIFRE).
Sur la base d’un état de l’art préalablement réalisé, et de divers travaux antérieurs menés en interne au sein d’ETF, la technologie radar (à sauts de fréquence) a rapidement été identifiée comme une solution propice
à répondre aux attentes d’ETF (diagnostic non-destructif, vitesse d’auscultation, facilité d’intégration à l’environnement ferroviaire, etc.) ; en particulier lorsque cette technologie est couplée à des méthodes
automatiques de traitement et d’analyse répondant aux exigences de délais et de rendements opérationnels.
Cependant, dans son utilisation actuelle, cette méthode ne permet pas de répondre de manière optimisée à la problématique et nécessite un effort de recherche pour développer à une solution opérationnelle pour les équipes d’ETF.

Sujet :
Dans cette thèse, on se propose d’évaluer et de classifier les caractéristiques des couches de ballast par une analyse phénoménologique extra-fine du signal radar issu du Radar à Sauts de Fréquence (RSF) développé par le laboratoire Lames de l’université Gustave Eiffel. Cet objectif impliquera un investissement expérimental avec la réalisation de campagnes de mesures sur banc d’essais contrôlés. Cette thèse aura pour objectif en parallèle d’optimiser une approche croisée innovante basée sur le couplage entre la méthode d’inversion de formes d’onde et des méthodes d’apprentissage supervisé appliquées en approche globale aux signaux RSF. Ces travaux seront enfin appliqués à l’étude de plusieurs sites tests permettant d’évaluer à l’aveugle la pertinence des développements. L’objectif final consistera à développer une méthodologie complète basés sur les développements précédents intégrable aux activités opérationnelles d’ETF. Les différents points suivants seront abordés au cours de cette thèse :
1. Études bibliographique et paramétrique numérique :
• Méthodologies et techniques radar envisagées (état de l’art sur la physique et la propagation des ondes EM dans les milieux stratifiés, techniques d’Evaluation Non Destructives, modèles directs, problèmes
inverses, FWFI, FDTD et antennes),
• Classification par techniques d’apprentissages supervisées.
2. Mise en oeuvre d’un plan d’expérience conséquent en laboratoire de caractérisation de colmatage du ballast pour obtenir les premiers résultats en faisant varier certains paramètres (nombre de couches,
densité/granulométrie, épaisseur…). Confrontation des résultats obtenus sur des sites extérieurs tests.
3. Classification par méthodes d’apprentissages (semi-automatiques) :
• Binaire dans un premier temps : présence de couche de ballast pollué ou pas,
• Classification plus évoluée au regard de la nomenclature définie plus en amont dans la thèse (inférieur, dans l’intervalle ou supérieur au seuil/taux de colmatage préconisé et fixé entre autres par ETF).
4. Validation in situ des travaux par le développement d’un démonstrateur permettant de fournir une classification précise des couches de ballast et de pouvoir valider les exigences de normes.
5. Production d’un mémoire de thèse et valorisation des travaux dans le cadre de publications dans des journaux et conférences.

Profil du candidat :
Il est attendu que les candidat(e)s à ce sujet de thèse aient des compétences en propagation des ondes électromagnétiques, en traitement du signal et en utilisation des méthodes de Machine Learning.
Des compétences en génie civil et/ou en géophysique seront nécessaires pour une meilleure compréhension physique des phénomènes mis en jeu et des choix des modèles à hybrider.

Formation et compétences requises :
Bac+5 (Ecole d’ingénieur/Master Universitaire)

Adresse d’emploi :
Laboratoire Auscultation, Modélisation et Expérimentation sur les infraStructures de transport – Dépt. Matériaux et Structures (LAMES – MAST)
Université Gustave Eiffel, Campus de Nantes,
Allée des ponts et chaussées – CS 5004 44344
Bouguenais Cedex • FRANCE

Document attaché : 202206270752_Sujet_these_ASTEROIDE_ETF_UnivEiffel_AI-1.pdf

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

Laboratoire/Entreprise : Institut Pascal, UMR6602 Université Clermont Auver
Durée : 3 ans
Contact : khalil.drissi@uca.fr
Date limite de publication : 2022-10-01

Contexte :
La détection et la localisation des réseaux de services publics en contexte urbain sont devenues un sujet d’intérêt majeur depuis quelques années. La norme (NF S 70-003) exige la reconnaissance des réseaux et une localisation précise à moins de 11 cm par des sociétés certifiées. D’après les retours d’expérience des unités techniques du Ministère de la Transition écologique, aucune solution ne répond actuellement à ce besoin de cartographie des réseaux sur une grande surface à un coût acceptable pour les collectivités.
Pour une telle entreprise, une cartographie précise des réseaux combinant des méthodes physiques, méthodes d’intelligences artificielles (IA) et technologies innovantes adaptées à l’hybridation, offre un avantage indéniable pour optimiser le travail en termes de temps et de coûts. Cette étape entraînera des gains de fiabilité et contribuera à réduire les risques liés aux réseaux sensibles.
Le projet ANR PROMETHEUS (ANR-21-CE22-0019-03) cherche à introduire une telle solution méthodologique et technologique non invasive, basée sur la technologie radar géophysique 3D, pour structurer la cartographie urbaine des réseaux enterrés.
La thèse de doctorat s’inscrit dans l’action WP2 de PROMETHEUS et porte sur la détection des canalisations enterrées et leur suivi dynamique. La réponse électromagnétique du signal radar SFR-3D peut être utilisée comme caractéristique pour l’identification et la classification des cibles enterrées.
Cette réponse se focalise entre autre autour des résonances naturelles complexes (CNR) de ces cibles, elle rend aussi compte de l’impact du sol et du radar considéré.
Nous proposons d’identifier ces CNR en appliquant la méthode haute résolution (Matrix Pencil Method) dans le domaine fréquentiel. Cette méthode est capable d’encoder ces CNR en faisant émerger des
clusters de pôles et de résidus que l’on cherchera à associer aux objets enterrés, et potentiellement à l’effet du sol et du radar considéré.
Il est important de rappeler que les signatures brutes issues des réponses électromagnétiques des cibles seront modifiées par l’effet du couplage entre le radar (et la topologie de ses antennes) et les
milieux de propagation ce qui suggère de combiner ces signatures modifiées à une approche par réseau de neurones profonds pour un encodage adhoc et un suivi dynamique adapté.
Par ailleurs, l’encadrement de l’université Gustave Eiffel fournira des données expérimentales issues du radar à sauts de fréquence multi-antennes, ces données seront l’entrée des modèles supervisés que l’on
se propose de fournir pour les autres actions.
Une interaction régulière devra être menée avec les autres actions du projet PROMETHEUS pour une progression efficiente de ce travail de thèse.

Sujet :
Le(a) doctorant(e) sera impliqué(e) dans le projet ANR-PROMETHEUS. Il (elle) pourra ainsi bénéficier d’échanges fructueux avec l’ensemble des chercheurs mais aussi avec l’autre doctorant(e) recruté(e) qui se focalisera sur le développement d’une approche complémentaire à celle du WP3 qui consiste à inverser les signaux radar et à estimer les caractéristiques physiques de réseaux enterrés.
1. L’étude bibliographique comprendra deux parties :
• Bibliographie sur les techniques d’auscultation dédiées à la détection et localisation des réseaux notamment les méthodes radars et les méthodes haute résolution utilisées en traitement du signal,
• Bibliographie sur les méthodes d’apprentissage et leur adaptation aux applications de génie civil notamment les techniques de Deep Learning appliquées aux signaux GPR.
2. Mise en oeuvre de l’imagerie par radar à pénétration de sol pour cartographier les structures souterraines (premier lit en profondeur) avec des cas d’études simples et contrôlés en laboratoire puis des cas complexes sur sites réels.
A partir de l’écho propre acquis lors de l’émission-réception d’un appareil GPR multi-antennes (données brutes de A-scan, B-scan et C-scan en amplitude et en phase dans le domaine fréquentiel), on se propose de construire un corpus de signatures à partir de Matrix Pencil Method (MPM). Cette signature sera composée des résonances naturelles complexes (RCN) du réseau cible souterrain, probablement
modifiées par l’effet du GPR et/ou du sol.
3. Classification des signatures modifiées par des méthodes d’intelligence artificielle. Cette classification s’appuiera sur différents scénarios dont on évaluera la performance numériquement par des modélisations FDTD :
• GPR et/ou sol sans réseau cible enterré à partir de données A-Scan,
• GPR et/ou sol avec réseau cible enterré à partir de données A-Scan.
4. Suivi des signatures à partir des données B-Scan et C-Scan et optimisation de la redondance issue des différents scénarios cités ci-dessus.
5. Production d’un encodage lisible des données de mesure.

Profil du candidat :
Il est attendu que les candidat(e)s à ce sujet de thèse aient des compétences en propagation des ondes électromagnétiques, en traitement du signal et en utilisation des méthodes de Deep Learning.
Des compétences en mesure seront nécessaires pour une meilleure compréhension physique des phénomènes mis en jeu et des choix des modèles à hybrider.

Formation et compétences requises :
Bac +5

Adresse d’emploi :
Institut Pascal,
UMR6602 Université Clermont Auvergne,
Clermont Auvergne INP,
CNRS Campus Universitaire des Cézeaux,
4 Avenue Blaise Pascal 63178 AUBIERE

Document attaché : 202206270702_Sujet_these_Prometheus_WP2.pdf

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

Laboratoire/Entreprise : Laboratoire CEDRIC du CNAM à Paris et Laboratoire
Durée : 36 mois
Contact : guinaudeau@limsi.fr
Date limite de publication : 2022-10-23

Contexte :
Le projet ANR MALIN a pour objectif de rendre utilisables les manuels scolaires numériques par les enfants en situation de handicap. En effet, les manuels numériques actuellement disponibles nécessitent d’être adaptés pour être accessibles à ces enfants. Ces adaptations concernent aussi bien les aspects techniques que pédagogiques. Dans la plupart des cas, les manuels sont adaptés de façon artisanale et les délais de livraison peuvent être de plusieurs mois. Ces contraintes ne permettent pas de rendre efficiente l’inclusion scolaire des enfants en situation de handicap. L’objectif du projet ANR MALIN est donc de développer des solutions techniques afin d’aboutir à l’automatisation de l’adaptation des manuels scolaires numériques pour les rendre accessibles (accès, traitement et interaction avec les contenus) aux élèves en situation de handicap.
Le projet ANR repose sur une collaboration entre quatre laboratoires : LISN (Université Paris Saclay), MICS (Ecole CentraleSupelec), CEDRIC (CNAM), Inserm 1284 (CRI, Université de Paris). Le doctorant ou la doctorante travaillera en interaction avec des stagiaires de master, des ingénieurs et un autre doctorant associés au projet.

Sujet :
Le premier objectif est de concevoir des approches d’extraction automatique de la structure d’un manuel (leçons, blocs d’exercices [eux-mêmes composés de consignes, enoncés, exemples…], memo, synthèse…) et de son contenu multimédia (textes, images, dessins, graphiques, équations, courbes…) à partir des fichiers fournis par les éditeurs (ceux-ci sont le plus souvent au format pdf). Plusieurs approches seront à envisager : une approche d’adaptation et d’enrichissement de systèmes de structuration automatique de documents textuels (segmentation thématique, segmentation discursive) prenant en compte la spécificité et la multi-modalité des données traitées et une approche basée sur le traitement automatique des images visant à identifier les différents blocs en se basant sur les caractéristiques de l’image, connue sous le nom de « Document Layout Segmentation and Analysis » [1, 2]. Des approches récentes d’apprentissage profond seront testées sur des jeux de données annotées manuellement afin d’adapter des modèles existants et obtenir des résultats d’extraction satisfaisants.

Le second objectif est d’analyser le contenu de chaque bloc extrait dans l’étape précédente afin de les catégoriser en activités pédagogiques. Ainsi pour chaque exercice, il faudra déterminer quelle(s) activité(s) pédagogique(s) devra(ont) être mise(s) en œuvre pour le réaliser. Dans cet objectif, le doctorant ou la doctorante devra développer des techniques d’apprentissage spécifiques novatrices, supervisées ou non, à la rencontre entre le traitement du langage naturel et la linguistique d’une part et l’analyse de données multimédia d’autre part [3, 4]. Dans ce cas, les modalités visuelles et textuelles seront représentées dans un espace commun pour effectuer une classification multimodale. L’une des pistes à explorer consiste à employer des modèles appris sur des données et des problématiques similaires en français et de travailler sur l’adaptation (fine-tuning) de ces modèles à partir d’un petit jeu de données annotées [5, 6, 7].

Profil du candidat :
● Master en informatique ou TAL avec une spécialisation dans au moins un des domaines suivants :
○ traitement automatique des langues
○ apprentissage automatique

Formation et compétences requises :
● Maîtrise de Python (langage de prédilection du projet)
La connaissance des principales librairies d’apprentissage sera appréciée.

Adresse d’emploi :
Laboratoire CEDRIC du CNAM à Paris et Laboratoire Interdisciplinaire des Sciences du Numérique (LISN) à Orsay

Document attaché : 202206230848_SujetThèseMALIN.pdf

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

Laboratoire/Entreprise : LAMIH-CNRS 8201
Durée : 36 months
Contact : marie-pierre.pacaux@uphf.fr
Date limite de publication : 2022-07-18

Contexte :
The PhD study takes part in a collaboration in the international laboratory CROSSING: French-Australian Laboratory for Humans / Autonomous Agents Teaming

CROSSING addresses the Human-Autonomous agents cooperation topic with a multidisciplinary approach. The project results from 2 years of interaction of Cognitive Psychology, Artificial Intelligence and Robotics experts of the IRL. More precisely, the PhD subject takes part in the 4th section of the IRL roadmap about managing hybrid teams in which multidiscipline cooperation is required. The study implies a mirror duo in Crossing, with Anna Ma-Wyatt (Univ. of Adelaide, Cognitive Psychology) et Paulo Santos (Flinders, AI). Several stays in Adelaide will be planned.

Sujet :
As the maturity level of technology is increasing, we can now envision a real complementarity between humans and machines. The so-called “Human automation” highlighted the numerous possible combinations of complementary or shared tasks between human and machine. However, the levels of automation provided by this field focus on specific application domains and restrain combinations to rigid forms of cooperation. They do not take into account neither human capacity of adaptation, nor new abilities of technology based on artificial intelligence [1]. Human-Machine Cooperation approaches have instigated research studies addressing the definition of adaptive levels of automation. A methodology has been proposed with the objective to consider in the similar way human and artificial agents’ competences (know-how, expertise, skills) and their capacity (workload, fatigue, energy consumption) to design and adapt cooperation according to situations) [2]. The adaptation concerns changes in agents’ capacity and competence to control situations, but also changes in agents’ capacity and competence to control cooperation (know-how-to-cooperate) [2]. The models proposed by the Human-Machine Cooperation field are now ready to be translated to models proposed by the Multi-Agent Systems field, and then implemented by the Artificial Intelligence field.

The objective of the PhD is to merge the advances of automation dealing with the integration of human decision making and control with the advances of artificial intelligence dealing with system ability to learn from human. The goal is, for human and machine, to learn from each other functions to control situations, but also to learn about each other to build up efficient cooperation. This topic aims at emphasizing the agents’ abilities to communicate and to exploit knowledge reasoning in order to support building and updating a representation of the other agent. The machine must be able to explain its abilities, but also what it understands from/about human’s abilities. The design of a Common Work Space can be the support of such a communication, by enabling and making easier information sharing about situation, but most importantly information sharing about agents [3]. Agents would be able to develop “Team Situation Awareness” and would be “transparent” to each other. Human may be more confident in machine, even if overconfidence and Human-out-of-the-loop risks must be carefully monitored and controlled. Studies dealing with ethic aspects start to provide interesting clues to reach this goal [4].

The application field is crisis management, and more precisely how humans and robots may share or trade functions to control crisis situations, like the control of a fire in an open environment. Works from a previous LAMIH project so-called “SUCRé” may be continued by implementing cooperation between human and artificial agents, involved at tactical decision levels (support for decision making) or at operational decisional levels (robots).

[1] M.-P. Pacaux-Lemoine, Human-Machine Cooperation: Adaptability of shared functions between Humans and Machines – Design and evaluation aspects. Valenciennes: Habilitation à Diriger des Recherches, Université Polytechnique Hauts-de-France, France, 2020.
[2] L. Habib, M. P. Pacaux-Lemoine, and P. Millot, “A method for designing levels of automation based on a human-machine cooperation model,” IFAC-PapersOnLine, vol. 50, no. 1, pp. 1372–1377, 2017.
[3] P. Millot and M. P. Pacaux-Lemoine, “A common work space for a mutual enrichment of human-machine cooperation and team-situation awareness,” IFAC Proc. Vol., vol. 12, no. PART 1, pp. 387–394, 2013.
[4] M.-P. Pacaux-Lemoine and D. Trentesaux, “ETHICAL RISKS of HUMAN-MACHINE SYMBIOSIS in INDUSTRY 4.0: INSIGHTS from the HUMAN-MACHINE COOPERATION APPROACH,” in IFAC-PapersOnLine, 2019, vol. 52, no. 19.

Profil du candidat :
The candidate should have knowledge or experience in the human factors domain. The candidate must be able to communicate in English.

Formation et compétences requises :
Master of Science or Diploma in Computer Science, Automation or Robotics.

Adresse d’emploi :
Valenciennes, France, with several stays in Adelaide, Australia.

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

Laboratoire/Entreprise : Ecole navale
Durée : 4 ans
Contact : cyril.ray@ecole-navale.fr
Date limite de publication : 2022-07-15

Contexte :
L’École Navale est une grande école d’ingénieur (statut d’EPSCP-GE) dont la mission principale est la formation initiale des officiers de la marine nationale. Les élèves officiers de carrière suivent un cursus d’ingénieur ou de master. Des formations supérieures (masters, mastères spécialisés, formation continue) sont également délivrées à des étudiants civils ou militaires dans les domaines de l’ingénierie maritime.

L’Institut de Recherche de l’École navale (IRENav) est le support de la recherche et de la formation scientifique et technique de l’Ecole navale. Institut pluridisciplinaire, l’IRENav est labellisé par l’HCERES dans le cadre de la contractualisation des laboratoires Arts et Métiers. Ses équipes de recherche s’inscrivent dans deux domaines liés au secteur maritime : la modélisation et le traitement de l’information maritime (équipe MOTIM), la mécanique et l’énergie en environnement naval (équipe M2EN).

L’École navale recherche une/un doctorant(e) en informatique / science des données. En complément de ses travaux de recherche, elle/il interviendra dans les domaines de formation des élèves officiers ingénieurs et des étudiants de masters de l’Ecole navale.

Titulaire d’un master (ou équivalent) en informatique, la personne recrutée devra s’investir dans les activités d’enseignement et au sein du laboratoire dans des travaux de recherche liés au traitement de l’information maritime, à l’intelligence artificielle et plus généralement aux sciences des données. La thèse s’effectuera au sein de l’équipe de recherche MoTIM dans l’objectif de contribuer au domaine du Traitement de l’Information Maritime issue de sources hétérogènes (données capteurs, signaux, images, vidéos, informations géographiques, données textuelles) à l’aide d’algorithme d’intelligence artificielle.

Sujet :
La génération de données et de jeux données pseudo-synthétiques est utilisée pour un large éventail d’activités, notamment comme données de test pour de nouveaux outils ou algorithmes, pour la validation de modèles et dans la formation de modèles d’IA [1]. Plus récemment la génération de données synthétiques créées artificiellement plutôt que générées par des événements réels a pris un essor avec l’apparition de modèles génératifs. Les données synthétiques constituent un type d’augmentation de données pour lequel les « Generative Adversarial Nets (GAN) » [2] ont montré des performances prometteuses sur divers types de données. Dans le domaine maritime, le suivi et l’analyse des mobilités a été accéléré avec l’apparition du Système Automatiquement d’Identification (AIS) qui permet la localisation des navires équipés en temps-réel et à travers tous les océans. Les données produites sont des séries spatio-temporelles impactées par des données manquantes, des problèmes d’intégrité issues des capteurs et/ou de la transmission, et des malversations de natures diverses telles que la falsification de localisation, de trajectoire ou encore d’identité [3]. Dans ce contexte, l’objectif de cette thèse est d’aborder la génération de données synthétiques et l’annotation sémantique de cette donnée. Les travaux de thèse pourront s’articuler notamment au travers des objectifs suivants :

– Développer un modèle génératif pour les données de mobilités maritimes permettant de produire des jeux de données
– Évaluer la prise en compte de données hétérogènes complémentaires ; eg. État de la mer.
– Aborder la scénarisation / annotation des jeux de données et évaluer l’utilité et l’impact de techniques « classiques » d’imputation de données pour aborder la variabilité de scénarios conçus.
– Considérer le problème de classification et de détection de nouveauté en simultanée, notamment pour la prise en compte de données falsifiées.
– Évaluer les performances / généricité de la démarche en fonction de la localisation géographique des données produites.

Profil du candidat :
Master (ou équivalent) en informatique

Intérêt pour l’enseignement.
Intérêt pour un travail de recherche sur les problématiques maritimes et navales.
Compétences techniques en traitement de l’information.
Bonnes capacités de rédaction scientifique.
Bonnes capacités relationnelles et humaines, dynamisme et charisme.

Formation et compétences requises :
bonne connaissance des outils et des modèles de base de l’Intelligence Artificielle (apprentissage automatique / profond, etc.) et des techniques de représentation et de traitement de données (géographiques) hétérogènes (corrélation de données, analyse de séries temporelles, imputation de données, etc.)

Adresse d’emploi :
Ecole Navale

Document attaché : 202206200958_FDP_2022_DFS_DDR_AER_IA.pdf