Sujet de thèse IFSTTAR

English version
Fiche détaillée :

Titre : Labélisation intelligente et à faible coût des données pour la navigation multicapteur avec apprentissage par renforcement: contribution à la fiabilité et à la robustesse des services basés sur la localisation

Laboratoire principal - Référent principal AME - GEOLOC  -  ZHU Ni      tél. : +33 240845801

Directeur du laboratoire principal RENAUDIN Valérie  -

Spécialité de la thèse Informatique, Traitement du signal, Navigation, IA

Axe 1 - COP2017 - Transporter efficacement et se déplacer en sécurité

Site principal Nantes

Etablissement d'inscription UNIVERSITE GUSTAVE EIFFEL

Ecole doctorale Mathématiques et Sciences et Technologies du numérique, de l'Information et de la Communication (MaSTIC)

Directeur de thèse prévu RENAUDIN Valérie  -  Université Gustave Eiffel  -  AME - GEOLOC

Type de financement prévu Contrat doctoral  - Université Gustave Eiffel

Résumé

La complexité des scénarios de positionnement et les exigences des applications basées sur la localisation ont considérablement augmenté en raison des avancées technologiques, de l'urbanisation et de l'élargissement des cas d'utilisation dans divers secteurs. Les applications dans des domaines tels que les véhicules autonomes, la navigation intérieure, la santé, la réalité augmentée et la logistique nécessitent toutes des solutions de plus en plus sophistiquées pour offrir des expériences précises, fiables et adaptatives qui tiennent compte des conditions dynamiques et variées. En même temps, d'énormes quantités de données de navigation sont générées par différents capteurs de navigation, nécessitant des méthodes avancées pour le traitement et l'analyse.

C'est pour ça que les approches basées sur l’apprentissage automatique deviennent de plus en plus populaires dans le domaine de la localisation et de la navigation en raison de leur capacité à résoudre des défis complexes que les méthodes traditionnelles peinent à modéliser avec précision. Par exemple, les erreurs de réception GNSS dues aux trajets multiples et aux réceptions non directe (Non-Line-Of-Sight) sont difficiles à prédire avec les modèles conventionnels, ce qui pousse de nombreux chercheurs à explorer des techniques basées sur l'intelligence artificielle (IA) pour détecter et exclure les mesures GNSS erronées [1-2]. Les modèles d'IA, en particulier ceux utilisant l'apprentissage automatique, offrent une approche plus adaptative et dynamique pour identifier et atténuer ces erreurs, améliorant ainsi considérablement la fiabilité des systèmes de positionnement basés sur le GNSS. De plus, les paramètres des filtres de navigation, tels que le filtre de Kalman étendu (EKF) et l'optimisation de graphes de facteurs (FGO), sont cruciaux pour déterminer la performance du positionnement, car ils sont fortement sensibles à des facteurs contextuels tels que les conditions environnementales et la qualité des appareils. L'ajustement précis de ces paramètres de filtrage peut améliorer considérablement la stabilité et la robustesse de la précision de la localisation, et les techniques d'apprentissage profond montrent un potentiel pour automatiser et optimiser ce processus, le rendant ainsi plus efficace et précis [3]. Dans le domaine de la navigation et du positionnement, les techniques d'apprentissage supervisé sont souvent appliquées pour garantir des résultats plus contrôlables, prévisibles et une meilleure performance globale, offrant un moyen efficace de s'adapter à des conditions diverses et aux exigences des systèmes.

Les étiquettes nécessaires pour l'apprentissage supervisé, en particulier les étiquettes de haute qualité, sont souvent coûteuses à obtenir en raison de facteurs tels que la nécessité de travail humain, d'équipements coûteux ou d'un accès à des données cartographiques détaillées. Par exemple, l'étiquetage des données GNSS en ligne de vue (Line-Of-Sight) et hors ligne de vue (NLOS) repose généralement sur des dispositifs encombrants tels que des caméras fisheye ou des systèmes assistés par cartes 3D, qui peuvent introduire des erreurs comme des imprécisions dans la segmentation des images, des erreurs de calibration des caméras et des écarts dans les cartes. La question principale de recherche et l'objectif de cette thèse de doctorat est donc de proposer une méthodologie généralisable d'étiquetage des données utilisant l'apprentissage par renforcement (RL) pour générer automatiquement des étiquettes de haute qualité. En utilisant uniquement la trajectoire de référence, cette approche vise à étiqueter des quantités intermédiaires telles que la qualité des données des capteurs et les paramètres de filtrage de manière économique et évolutive.

L'apprentissage par renforcement est particulièrement adapté à cette tâche car il permet un processus d'apprentissage autonome et adaptatif où le système peut affiner en continu sa stratégie d'étiquetage en fonction des retours de l'environnement. Les tâches principales de cette thèse incluent : 1) Une revue approfondie de l'état de l'art sur l'apprentissage par renforcement, en mettant l'accent sur ses applications dans les systèmes de localisation et de navigation, ainsi que son potentiel pour résoudre les défis liés à l'étiquetage des données. 2) La modélisation du problème d'étiquetage des données de navigation dans le cadre de l'apprentissage par renforcement en définissant soigneusement les éléments clés du problème, y compris l'état, les actions, l'environnement et les récompenses. Cela mène à une méthodologie appropriée permettant aux algorithmes d'apprentissage par renforcement d'optimiser de manière autonome le processus d'étiquetage, en s'appuyant uniquement sur la trajectoire de référence, qui est de toute façon nécessaire pour l'évaluation des performances. De cette manière, le coût et l'efficacité de l'étiquetage des données seront considérablement réduits. 3) Deux études de cas seront menées pour démontrer l'efficacité de la méthodologie proposée : a) l'étiquetage de la qualité des capteurs, par exemple les données GNSS et du système de navigation inertielle (INS) ; b) l'étiquetage des paramètres de filtrage, par exemple EKF et/ou FGO, afin de garantir que le filtre reste robuste et précis dans des conditions variées.

La thèse de doctorat s'inscrit dans l'Axe de Recherche 3 du département AME, "Systèmes de transport et d'aide à la mobilité," qui se concentre sur l'amélioration de la fiabilité du système de navigation.

Compétences requises : apprentissage par renforcement, traitement du signal, mathématiques appliquées, fusion multicapteur pour le positionnement, estimation d'état.

Profil attendu :
Titulaire d’un diplôme d’ingénieur ou master 2 en intelligence artificielle / Informatique/ traitement du signal et image

Procédure de sélection : le candidat est invité à contacter d’abord la personne référente (ni.zhu@univ-eiffel.fr) en envoyant son CV ainsi que ses relevés de notes du master.

[1] Zhu, Ni, Chaimae Belemoualem, and Valérie Renaudin. "A Portfolio of Machine Learning-Based GNSS LOS/NLOS Classification in Urban Environments." In 2023 IEEE SENSORS, pp. 1-4. IEEE, 2023.
[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] Li, Shuo, et al. "Exploring the Potential of Deep Learning Aided Kalman Filter for GNSS/INS Integration: A Study on 2D Simulation Datasets." IEEE Transactions on Aerospace and Electronic Systems (2023).
[4] Zhu, N., Bouronopoulos, A., Leduc, T., Servières, M., & Renaudin, V. (2023, April). Evaluation of the Human Body Mask Effects on GNSS Wearable Devices for Outdoor Pedestrian Navigation Using Fisheye Sky Views. In 2023 IEEE/ION Position, Location and Navigation Symposium (PLANS) (pp. 841-850). IEEE.

Mots-clefs: Positionnement, données multisensorielles, étiquetage, apprentissage par renforcement.

Laboratoire principal - Référent principal	AME - GEOLOC - ZHU Ni tél. : +33 240845801
Directeur du laboratoire principal	RENAUDIN Valérie -
Spécialité de la thèse	Informatique, Traitement du signal, Navigation, IA
Axe	1 - COP2017 - Transporter efficacement et se déplacer en sécurité
Site principal	Nantes
Etablissement d'inscription	UNIVERSITE GUSTAVE EIFFEL
Ecole doctorale	Mathématiques et Sciences et Technologies du numérique, de l'Information et de la Communication (MaSTIC)
Directeur de thèse prévu	RENAUDIN Valérie - Université Gustave Eiffel - AME - GEOLOC
Type de financement prévu	Contrat doctoral - Université Gustave Eiffel
Résumé La complexité des scénarios de positionnement et les exigences des applications basées sur la localisation ont considérablement augmenté en raison des avancées technologiques, de l'urbanisation et de l'élargissement des cas d'utilisation dans divers secteurs. Les applications dans des domaines tels que les véhicules autonomes, la navigation intérieure, la santé, la réalité augmentée et la logistique nécessitent toutes des solutions de plus en plus sophistiquées pour offrir des expériences précises, fiables et adaptatives qui tiennent compte des conditions dynamiques et variées. En même temps, d'énormes quantités de données de navigation sont générées par différents capteurs de navigation, nécessitant des méthodes avancées pour le traitement et l'analyse. C'est pour ça que les approches basées sur l’apprentissage automatique deviennent de plus en plus populaires dans le domaine de la localisation et de la navigation en raison de leur capacité à résoudre des défis complexes que les méthodes traditionnelles peinent à modéliser avec précision. Par exemple, les erreurs de réception GNSS dues aux trajets multiples et aux réceptions non directe (Non-Line-Of-Sight) sont difficiles à prédire avec les modèles conventionnels, ce qui pousse de nombreux chercheurs à explorer des techniques basées sur l'intelligence artificielle (IA) pour détecter et exclure les mesures GNSS erronées [1-2]. Les modèles d'IA, en particulier ceux utilisant l'apprentissage automatique, offrent une approche plus adaptative et dynamique pour identifier et atténuer ces erreurs, améliorant ainsi considérablement la fiabilité des systèmes de positionnement basés sur le GNSS. De plus, les paramètres des filtres de navigation, tels que le filtre de Kalman étendu (EKF) et l'optimisation de graphes de facteurs (FGO), sont cruciaux pour déterminer la performance du positionnement, car ils sont fortement sensibles à des facteurs contextuels tels que les conditions environnementales et la qualité des appareils. L'ajustement précis de ces paramètres de filtrage peut améliorer considérablement la stabilité et la robustesse de la précision de la localisation, et les techniques d'apprentissage profond montrent un potentiel pour automatiser et optimiser ce processus, le rendant ainsi plus efficace et précis [3]. Dans le domaine de la navigation et du positionnement, les techniques d'apprentissage supervisé sont souvent appliquées pour garantir des résultats plus contrôlables, prévisibles et une meilleure performance globale, offrant un moyen efficace de s'adapter à des conditions diverses et aux exigences des systèmes. Les étiquettes nécessaires pour l'apprentissage supervisé, en particulier les étiquettes de haute qualité, sont souvent coûteuses à obtenir en raison de facteurs tels que la nécessité de travail humain, d'équipements coûteux ou d'un accès à des données cartographiques détaillées. Par exemple, l'étiquetage des données GNSS en ligne de vue (Line-Of-Sight) et hors ligne de vue (NLOS) repose généralement sur des dispositifs encombrants tels que des caméras fisheye ou des systèmes assistés par cartes 3D, qui peuvent introduire des erreurs comme des imprécisions dans la segmentation des images, des erreurs de calibration des caméras et des écarts dans les cartes. La question principale de recherche et l'objectif de cette thèse de doctorat est donc de proposer une méthodologie généralisable d'étiquetage des données utilisant l'apprentissage par renforcement (RL) pour générer automatiquement des étiquettes de haute qualité. En utilisant uniquement la trajectoire de référence, cette approche vise à étiqueter des quantités intermédiaires telles que la qualité des données des capteurs et les paramètres de filtrage de manière économique et évolutive. L'apprentissage par renforcement est particulièrement adapté à cette tâche car il permet un processus d'apprentissage autonome et adaptatif où le système peut affiner en continu sa stratégie d'étiquetage en fonction des retours de l'environnement. Les tâches principales de cette thèse incluent : 1) Une revue approfondie de l'état de l'art sur l'apprentissage par renforcement, en mettant l'accent sur ses applications dans les systèmes de localisation et de navigation, ainsi que son potentiel pour résoudre les défis liés à l'étiquetage des données. 2) La modélisation du problème d'étiquetage des données de navigation dans le cadre de l'apprentissage par renforcement en définissant soigneusement les éléments clés du problème, y compris l'état, les actions, l'environnement et les récompenses. Cela mène à une méthodologie appropriée permettant aux algorithmes d'apprentissage par renforcement d'optimiser de manière autonome le processus d'étiquetage, en s'appuyant uniquement sur la trajectoire de référence, qui est de toute façon nécessaire pour l'évaluation des performances. De cette manière, le coût et l'efficacité de l'étiquetage des données seront considérablement réduits. 3) Deux études de cas seront menées pour démontrer l'efficacité de la méthodologie proposée : a) l'étiquetage de la qualité des capteurs, par exemple les données GNSS et du système de navigation inertielle (INS) ; b) l'étiquetage des paramètres de filtrage, par exemple EKF et/ou FGO, afin de garantir que le filtre reste robuste et précis dans des conditions variées. La thèse de doctorat s'inscrit dans l'Axe de Recherche 3 du département AME, "Systèmes de transport et d'aide à la mobilité," qui se concentre sur l'amélioration de la fiabilité du système de navigation. Compétences requises : apprentissage par renforcement, traitement du signal, mathématiques appliquées, fusion multicapteur pour le positionnement, estimation d'état. Profil attendu : Titulaire d’un diplôme d’ingénieur ou master 2 en intelligence artificielle / Informatique/ traitement du signal et image Procédure de sélection : le candidat est invité à contacter d’abord la personne référente (ni.zhu@univ-eiffel.fr) en envoyant son CV ainsi que ses relevés de notes du master. [1] Zhu, Ni, Chaimae Belemoualem, and Valérie Renaudin. "A Portfolio of Machine Learning-Based GNSS LOS/NLOS Classification in Urban Environments." In 2023 IEEE SENSORS, pp. 1-4. IEEE, 2023. [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] Li, Shuo, et al. "Exploring the Potential of Deep Learning Aided Kalman Filter for GNSS/INS Integration: A Study on 2D Simulation Datasets." IEEE Transactions on Aerospace and Electronic Systems (2023). [4] Zhu, N., Bouronopoulos, A., Leduc, T., Servières, M., & Renaudin, V. (2023, April). Evaluation of the Human Body Mask Effects on GNSS Wearable Devices for Outdoor Pedestrian Navigation Using Fisheye Sky Views. In 2023 IEEE/ION Position, Location and Navigation Symposium (PLANS) (pp. 841-850). IEEE.
Mots-clefs:	Positionnement, données multisensorielles, étiquetage, apprentissage par renforcement.

Liste des sujets

N'oubliez pas de contacter préalablement le référent ou le Directeur du laboratoire