Thèse en cours

Modélisation et observation hybride intégrées pour des systèmes mobiles intelligents et robustes

FR  |  
EN
Auteur / Autrice : Asmaa Abouelouafa el idrissi
Direction : Hichem Arioui
Type : Projet de thèse
Discipline(s) : Automatique
Date : Inscription en doctorat le 31/10/2025
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
Partenaire(s) de recherche : Laboratoire : IBISC - Informatique, BioInformatique, Systèmes Complexes
Equipe de recherche : IRA2: Interactions, Réalité virtuelle & Augmentée, Robotique Ambiante
Référent : Université d'Évry Val d'Essonne

Résumé

FR  |  
EN

Ce projet de recherche porte sur la modélisation et l'observation hybride intégrées pour des systèmes mobiles intelligents et robustes. L'objectif est de concevoir un cadre méthodologique permettant une estimation fiable des états cinématiques et dynamiques (position, orientation, vitesses, contraintes) ainsi qu'une observation précise de l'environnement 3D, afin de garantir l'autonomie et la sécurité de systèmes tels que les drones, les véhicules deux-roues et les flottes coopératives. Les environnements visés sont complexes (urbains denses, intérieurs, zones GPS dégradées) et posent des défis majeurs : capteurs légers soumis au bruit et aux vibrations, conditions lumineuses variables, mouvements rapides, interactions multi-agents et non-linéarités dynamiques. Dans ce contexte, la perception et l'observation doivent être à la fois robustes, temps réel et intégrables dans une boucle de commande fermée. La méthodologie repose sur trois axes principaux : Estimation visio-inertielle robuste et modélisation dynamique : développement d'observateurs non linéaires invariants sur groupes de Lie (SE(3), SO(3), SL(3)), avec prise en compte des modèles dynamiques spécifiques aux systèmes mobiles (drones, motos, scooters). L'objectif est de corriger les dérives, gérer les retards et compenser les erreurs de calibration des capteurs. Observation et planification de trajectoire par méthodes hybrides IA / data-driven : intégration de réseaux neuronaux (convolutifs, récurrents, graphes, réseaux hybrides) pour renforcer la robustesse et l'adaptabilité des observateurs, prédire les trajectoires et détecter des anomalies. Une comparaison sera menée entre approches classiques (ORB-SLAM3, VINS-Mono) et récentes (SelfVIO, HVIOnet, Mix-VIO). Intégration embarquée et validation expérimentale : implémentation temps réel sur plateformes embarquées (C++, Python, ROS 2, Jetson), simulations dans des environnements réalistes (AirSim, Gazebo), puis validation sur drones PX4 et véhicules deux-roues instrumentés. Des scénarios collaboratifs (exploration multi-drone, leader-suiveur, assistance à la conduite) seront étudiés. Ce projet se situe à l'interface entre modélisation dynamique, vision par ordinateur, fusion de données capteurs et intelligence artificielle, et vise à produire des contributions à la fois théoriques (observateurs hybrides, planification robuste) et appliquées (prototypes expérimentaux, validations en conditions réelles). Les retombées attendues concernent la mobilité intelligente, les systèmes d'aide à la conduite (ADAS), ainsi que la surveillance coopérative multi-agents, avec un fort potentiel de valorisation scientifique (publications, logiciels open-source) et industrielle (propriété intellectuelle, partenariats).