Localisation haute précision par réseaux de capteurs pour la robotique miniature par modélisation et intelligence artificielle // High-precision localization using sensor networks for miniature robotics through modeling and artificial intelligence

La miniaturisation des produits et l'intégration croissante de fonctions au sein de dispositifs compacts constituent aujourd'hui une tendance majeure dans de nombreux secteurs tels que la micro-mécanique, l'électronique, le biomédical... Cette évolution soulève toutefois d'importants défis, notamment en matière d'assemblage des dispositifs miniatures dont les performances sont déterminantes pour assurer la qualité des produits assemblés [1]. Pour atteindre les niveaux d'exigence requis, la position et l'orientation des éléments de micro-manipulation doivent être connues avec précision.

Dans ce contexte, l'objectif du sujet de thèse consiste à développer une méthode de mesure sans contact permettant d'estimer la pose, c'est-à-dire la position et l'orientation, à 6 degrés de liberté entre deux structures rigides, par exemple pour positionner le système de micromanipulation dans un référentiel fixe. Cette méthode de mesure mettra en œuvre un principe magnétique, notamment en s'appuyant sur des travaux antérieurs de l'équipe de recherche [2] : l'une des structures rigides comprendra un réseau de capteurs à effet Hall et l'autre un réseau d'aimants permanents.
Une originalité du sujet se situe dans la multiplicité des capteurs et des aimants intégrés dans les structures rigides, permettant de générer de la redondance de données et ainsi d'améliorer les résultats de mesure.
Afin d'être robuste aux perturbations extérieures, la thèse s'appuiera sur deux approches complémentaires d'estimation de la pose. La première reposera sur une modélisation physique des champs magnétiques et des signaux générés par les capteurs à effet Hall. La seconde s'appuiera sur l'utilisation de techniques d'intelligence artificielle, notamment informées par la physique [3].
Un enjeu scientifique consistera à évaluer dans quelles conditions les méthodes d'intelligence artificielle complètent les approches classiques, en améliorant la rapidité ou la précision de la mesure de la pose.

Les principales étapes de la thèse sont :
• Réaliser un état de l'art sur les principes de mesure de pose à petite échelle ainsi que sur les méthodes d'analyse de pose par intelligence artificielle,
• Etablir un modèle physique du système de mesure magnétique et développer une méthode d'estimation de la pose basée sur ce modèle ;
• Définir une méthodologie d'étalonnage globale des réseaux de capteurs à effet Hall et d'aimants ;
• Mettre en place d'un banc expérimental et réaliser une campagne de mesure
• Développer une méthode par intelligence artificielle permettant d'estimer la pose basée sur les données issues des mesures et du modèle physique ;
Confronter les différentes approches d'estimation selon des critères de précision, de rapidité ou encore de robustesse.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The miniaturization of products and the increasing integration of functions within compact devices are a major trend in many sectors today, such as micromechanics, electronics, and biomedicine. However, this evolution raises significant challenges, particularly in the assembly of miniature devices, whose performance is crucial for ensuring the quality of the assembled products [1]. To meet the required performance levels, the position and orientation of the micromanipulation elements must be known accurately.
In this context, the objective of this thesis is to develop a non-contact measurement method for estimating the pose (i.e., position and orientation) with six degrees of freedom between two rigid structures, for example, to position the micromanipulation system in a fixed frame of reference. This measurement method will rely on a magnetic principle, notably by building on the research team's previous work [2]: one of the rigid structures will include an array of Hall effect sensors, and the other an array of permanent magnets.
To ensure robustness to external disturbances, this thesis will rely on two complementary approaches to pose estimation. The first will be based on a physical model of the magnetic fields and signals generated by the Hall sensors. The second will rely on the use of artificial intelligence techniques, particularly those informed by physics [3].
A scientific challenge will be to assess under what conditions artificial intelligence methods complement traditional approaches, improving their speed or accuracy.
The main stages of the thesis are as follow:
• To conduct a state-of-the-art review of the principles of small-scale pose measurement and pose analysis methods using artificial intelligence,
• Establish a physical model of the magnetic measurement system and develop a pose estimation method based on this model;
• Define a global calibration methodology for sensor and magnet networks;
• Set up an experimental bench and conduct a measurement campaign
• Develop an artificial intelligence-based method to estimate the pose based on data from measurements and the physical model.
• Compare the different estimation approaches according to criteria of accuracy, speed or robustness.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

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

Concours pour un contrat doctoral

Université de Technologie de Compiègne

71 Sciences pour l'ingénieur

- Formation : Ingénieur/master 2 avec l'une de ces spécialisations : robotique, mécatronique, mécanique, traitement du signal - Intérêt marqué pour les méthodes liées à l'intelligence artificielle - Appétence et compétences en techniques expérimentales - Curiosité, sens physique et pratique, rigueur scientifique et rédactionnelle, capacités d'analyse et de synthèse - Autonomie dans la recherche de solutions à des problèmes complexes - Anglais courant et scientifique (niveau B2 requis)
• Education: Engineering/Master 2 with one of these specializations: robotics, mechatronics, mechanics, signal processing. • Strong interest in methods related to artificial intelligence. • Interest and skills in experimental techniques. • Curiosity, physical and practical sense, scientific and writing rigor, analytical and synthesis skills • Autonomy in finding solutions to complex problems • Fluent and scientific English (B2 level required)