Where PhDs and companies meet
Menu
Login

Already registered?

New user?

Apprentissage par renforcement pour la détection d'objet avec un capteur à ultrasons

ABG-105560 Thesis topic
2022-05-13 Public funding alone (i.e. government, region, European, international organization research grant)
CEA
Grenoble - Auvergne-Rhône-Alpes - France
Apprentissage par renforcement pour la détection d'objet avec un capteur à ultrasons
  • Computer science
  • Mathematics
  • Data science (storage, security, measurement, analysis)

Topic description

L'objet de cette thèse est de faire de la détection d'objets à bas cout et basse consommation en utilisant une matrice de transducteurs piézoélectriques émetteurs/récepteurs d'ultrasons ( 100 kHz). L'agencement des transducteurs en matrice permet de balayer une scène en orientant un faisceau dans une direction particulière. Cette modalité est cependant limitée en termes de nombre de mesures possibles par seconde du fait de la vitesse de propagation du son. La solution envisagée est d'utiliser des techniques d'Apprentissage par Renforcement (Reinforcement Learning ou RL) afin de choisir au mieux la direction de mesure en fonction des informations déjà collectées sur la scène.

Pour mener à bien votre mission, vous bénéficierez au CEA d’un environnement de travail de premier plan et aurez accès à des serveurs de calcul et à des plateformes matérielles de toute dernière génération. Vous intégrerez également une équipe dynamique, avec des experts dans des domaines très variés (logiciel, matériel), au cœur de l’écosystème IA en France, qui a noué des liens privilégiés avec les principaux acteurs académiques et industriels du domaine.

Vous contribuerez à faire progresser au-delà de l’état de l’art des algorithmes d’apprentissage par renforcement, avec des publications dans des conférences et revues internationales, et des brevets en vue.

Starting date

2022-10-01

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Financement CEA

Presentation of host institution and host laboratory

CEA

Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.  Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.

Deux laboratoires au sein du CEA collaborent sur ce sujet de thèse : 

Le Laboratoire Intelligence Intégrée Multi-capteurs (LIIM) a pour mission d'étudier et de développer des algorithmes embarqués d'intelligence artificielle, de fusion de données et de perception de l'environnement pour des systèmes cyber-physiques multi-capteurs, de concevoir et d'implémenter des plateformes de démonstration logicielles et matérielles mettant en œuvre ces algorithmes avec l'introduction de technologies innovantes, notamment pour la réalisation de circuits intégrés spécifiques.

Le Laboratoire Gestion d’Energie Capteurs et Actionneurs (LGECA) au sein du Département Composants Silicium (DCOS) développe quant à lui des circuits intégrés interagissant avec des dispositifs électroniques variés allant des qubits, des cellules mémoires innovantes aux composants MEMS (« Micro-Electro-Mechanical Systems »). Les circuits intégrés développés peuvent contenir de l’électronique analogique pour interfacer les dispositifs, du traitement du signal et de l’intelligence artificielle ultra basse-consommation.

Candidate's profile

Vous êtes titulaire d’un diplôme d’ingénieur / de master dans le domaine de l’intelligence artificielle ou mathématiques appliquées. Vous avez acquis les compétences techniques suivantes :

  • La maitrise des algorithmes d’apprentissage automatique, et en particulier des réseaux de neurones profonds (définition d’une topologie, choix d’une fonction de coût, etc.).
  • Une connaissance des algorithmes d’apprentissage par renforcement serait un plus.
  • Une expérience de conception d’algorithmes et/ou d’applications avec une librairie d’apprentissage profond (PyTorch, Keras).
  • Bases en physique pour la mise en place de l’environnement d’apprentissage par renforcement (aspects acoustiques, mécaniques et électriques)
  • Votre capacité à travailler en équipe est un point clé pour la réussite dans ce poste.

 

Partager via
Apply
Close

Vous avez déjà un compte ?

Nouvel utilisateur ?