STAGE - Deep Learning pour la détection d'arrêt dans la navigation terrestre F-H

OverviewSTAGE - Deep Learning pour la détection d'arrêt dans la navigation terrestre F/HLieu: Eragny-sur-Oise, Île de France, France. Type de contrat: Stage / Étudiant. Niveau requis: Master. Expérience: Première expérience. Langues requises: Anglais intermédiaire, Français bilingue.Job DescriptionSafran Electronics & Defense développe des systèmes de navigation inertielle de pointe pour des applications terrestres, aériennes et maritimes. La détection fiable des phases de mouvement et d’arrêt est un enjeu clé pour la correction des erreurs de navigation, notamment via l’hybridation ZUPT (Zero Velocity Update). Des travaux antérieurs ont démontré la faisabilité de la détection de mouvement/arrêt par apprentissage profond, ouvrant la voie à des solutions plus robustes et généralisables que les approches par seuils empiriques. Le stage s’inscrit dans la continuité de ces recherches et vise à franchir une nouvelle étape en explorant les dernières avancées du deep learning appliqué à la navigation inertielle. Le sujet est innovant et stratégique pour l’amélioration des performances des systèmes embarqués.Objectif du stagePoursuivre et approfondir la robustification de la détection de mouvement/arrêt par apprentissage profond, en s’appuyant sur les acquis des travaux précédents et en intégrant les techniques les plus récentes du deep learning, afin d’améliorer la fiabilité et la généralisation des détecteurs dans des environnements variés.Missions principalesRéaliser une veille sur les techniques récentes de détection de mouvement/arrêt par deep learning.Mettre en place un environnement d’entraînement et de simulation basés sur le cluster de calcul du groupe SAFRAN.Mettre en forme les données d’entraînement et de test (réelles et/ou simulées).Développer, tester et comparer différentes architectures et solutions.Documenter les travaux.EncadrementStage au sein de l’équipe de développement des centrales inertiels terrestres avec le soutien d’experts en IA. Environnement de travail stimulant, ressources de calcul adaptées et expertise du groupe.Formation et CompétencesÉlève ingénieur généraliste ou Master 2 avec spécialisation en IA, data science, traitement du signal, automatique ou mathématiques appliquées.Compétences techniques: bases solides en apprentissage automatique et deep learning (RNN, CNN, PyTorch/TensorFlow).Maîtrise de Python et des outils de data science.Intérêt pour le traitement du signal, la navigation inertielle ou les systèmes embarqués.Qualités: rigueur, autonomie, esprit d’initiative; capacité d’analyse, de synthèse et de restitution; goût pour l’expérimentation et l’innovation.RéférencesBrossard, M., Barrau, A., & Bonnabel, S. (2020). AI-IMU dead-reckoning. IEEE Transactions on Intelligent Vehicles, 5(4), 585-595.ConseilPour préparer votre entretien, vous pouvez consulter des ressources telles que Wikipedia ou la vidéo YouTube « L esprit Sorcier TV : Navigation inertielle : Comment garder le cap ». But what else? (advantages, specific features, etc.)Contraintes particulières liées au poste: Résultats du stage confidentiel entreprise. Niveau d’anglais: Intermédiaire.Company InformationSafran est un groupe international de haute technologie, actif dans les marchés aéronautique (propulsion, équipements et intérieurs), défense et espace. Son objectif est de contribuer à un monde plus sûr et durable, où le transport aérien est plus respectueux de l’environnement et accessible. Safran emploie environ 100 000 personnes et réalise un chiffre d’affaires de 27,3 milliards d’euros en 2024. Safran Electronics & Defense propose des solutions d’intelligence embarquée permettant de comprendre l’environnement, de réduire la charge mentale et de garantir une trajectoire, même dans des situations critiques, sur terre, en mer, dans le ciel ou dans l’espace. Nous valorisons les talents et encourageons les candidatures de personnes en situation de handicap.Location21 avenue du Gros Chene 95610, Eragny-sur-Oise, Île-de-France, France #J-18808-Ljbffr