Emplois actuels liés à These Cifre - Nantes - Siradel

**SIRADEL** - Filiale du groupe ENGIE, construit des solutions numériques pour accélérer la transition vers un monde **mieux connecté**, **décarboné** et **résilient**, qui impacte positivement la **planète** et la **société**.

Experte en production de **données géoréférencées**, **modélisation 3D**, construction de **jumeaux numériques, simulation** et **intelligence artificielle **depuis 1994**,** SIRADEL accompagne les acteurs des télécoms, de l’industrie et des villes et collectivités dans leurs enjeux de durabilité et de transformation numérique.

En rejoignant **Siradel**, vous serez plongé(e) au cœur d’une entreprise à taille humaine (180 personnes à Rennes, Paris, Nice, Lyon, Toronto, Shanghai) afin de participer à des projets stimulants, au cœur des enjeux déterminants de transition énergétique et sobriété numérique, dans un contexte multiculturel.

**SIRADEL et sa Raison d’Être**

La R&D du département Digital & Territory recherche son/sa doctorant(e) en **Modélisation 3D grande-échelle de bâtiments en LOD2 par apprentissage profond **pour rejoindre notre équipe dynamique et motivante.

**CONTEXTE**

Le jumeau numérique 3D d’un territoire permet de visualiser son état présent et de simuler son état futur. Il joue un rôle important dans la planification urbaine et, de ce fait, sa constitution rencontre une forte demande à travers le monde. De nombreux usages nécessitent une modélisation 3D précise des bâtiments. Or c’est une tâche complexe du fait de la diversité des architectures et des aménagements urbains, et la difficulté varie aussi en fonction du niveau de détail de la modélisation. Le niveau de détail LOD2 (au sens CityGML) est fréquemment demandé ; il consiste à représenter les murs, les pans de toit et les superstructures significatives, sous forme de polygones jointifs. Chaque polygone représente un éléments architectural complet (contrairement aux maillages de triangles) auquel il est possible d’associer des attributs (descriptions, mesure, résultat de simulation).

Pour une modélisation à grande échelle réaliste et précise des bâtiments, des données acquises par avion ou par satellite sont utilisées. On parle alors de reconstruction 3D à partir de données externes. Les données acquises sont soit des nuages de points LIDAR, soit des cartes d’élévation appelées Modèles Numériques de Surface (MNS). La précision et la disponibilité de ces données rend désormais possible l’automatisation de cette tâche par des algorithmes de reconstruction 3D.

Les algorithmes traditionnels basés sur des critères géométriques spécifiques sont actuellement les plus utilisés. Ils extraient des primitives géométriques puis déduisent la structure du bâtiment, mais ne parviennent pas suffisamment à s’adapter à la richesse des formes architecturales ainsi qu’aux imperfections des données. Dans le même temps, les algorithmes par apprentissage profond ont prouvé leur flexibilité et leur précision dans des tâches complexes 2D ou 3D comme la segmentation sémantique ou la génération de données. Ces algorithmes prennent peu à peu de l’importance dans le domaine de la reconstruction 3D de bâtiments, notamment grâce à la création récente de bases de données d’apprentissage suffisamment grandes.

Néanmoins, aucune solution proposée n’a encore été largement adoptée. Ils forment cependant une base de référence solide pour l’étude d’une nouvelle méthode de reconstruction 3D de bâtiments.

**ETAT DE L’ART**

Les approches par apprentissage profond suivent généralement le même raisonnement que les techniques géométriques traditionnels, en deux étapes : extraction de primitives puis reconstruction topologique. Pour l’extraction de primitives, les architectures utilisées sont de type Point-Net++ (1) ou convolutive (2). Pour la reconstruction topologique, il y a des méthodes génératives ou graphiques. Plus récemment, des approches génératives pour réaliser ces 2 étapes avec des Transformers autorégressif ont été proposées. Lorsque ces étapes sont connectées et entraînées bout à bout (approche End-2-End), alors de meilleurs résultats sont obtenus en évitant des étapes intermédiaires qui sont sources d’accumulation d’erreurs. Toutefois, la majorité de ces méthodes sont évaluées sur des données restreintes, synthétiques, ou même sur des données 3D quelconques non spécifiques aux bâtiments.

**OBJECTIF**

Le but de cette thèse est d’automatiser la modélisation LOD2 à partir de données aéroportées recouvrant de grandes zones géographiques (métropole, département). Ces données sources pourront être des nuages de points LiDAR ou des Modèles Numériques de Surface issus de corrélation stéréo, qui auront été classifiés automatiquement.

L’algorithme développé sera basé sur du Deep Learning. Les méthodes End-to-End s