L'équipe de recherche ACENTAURI (https://team.inria.fr/acentauri/), située au Centre Inria de l'UniversitéCôte d'Azur à Sophia-Antipolis, propose un poste d'ingénieur en Machine learning pour les systèmes dynamiques.
ACENTAURI est une équipe de robotique qui étudie et développe des robots autonomes et intelligents qui collaborent entre eux pour effectuer des tâches difficiles dans des environnements complexes et dynamiques.
L'équipe aborde les problèmes de perception, de décision et de contrôle pour la collaboration multi-robots en proposant une approche hybride originale de l'intelligence artificielle basée sur des modèles et des données et en étudiant des algorithmes efficaces. L'équipe se concentre sur des applications telles que les systèmes de patrouille multi-robots pour la surveillance de l'environnement et le transport de personnes et de marchandises. Dans ces applications, plusieurs robots partagent des informations multi-capteurs provenant éventuellement de l'infrastructure.
L'efficacité des approches proposées est démontrée sur des systèmes robotiques réels tels que des voitures et des drones en collaboration avec des partenaires industriels.
Contexte
Les essais de véhicules terrestres génèrent aujourd'hui des volumes de données considérables: centrales inertielles, systèmes de positionnement, capteurs embarqués, chaînes de mesure dédiées. Ces données décrivent le comportement réel des véhicules, mais elles restent difficiles à exploiter pleinement, car elles sont bruitées, souvent incomplètes, et ne couvrent qu'une partie de l'état physique du système.
Les modèles physiques classiques restent la référence en matière d'interprétabilité, mais ils deviennent coûteux à développer et à calibrer dès qu'il s'agit de représenter des phénomènes comme les interactions pneu-sol ou les régimes fortement non linéaires. Les modèles d'apprentissage purement statistiques, de leur côté, peinent à généraliser en dehors de leur domaine d'entraînement et restent peu interprétables pour des experts métier.
Inria et la DGA Techniques terrestres ont engagé un partenariat de recherche sur la modernisation des méthodes numériques utilisées pour les essais de véhicules militaires. Ce poste s'inscrit dans ce cadre : il porte sur l'IA Physics-Informed, à la croisée des modèles physiques et de l'apprentissage automatique, appliquée à l'analyse et à la simulation de la dynamique des véhicules.
Les systèmes dynamiques visés par ce postdoctorat relèvent, d'une part, de la classe générale des systèmes mécaniques dissipatifs multicorps, caractérisés par des phénomènes de frottement, d'amortissement et de dissipation d'énergie, et, d'autre part, des systèmes spécifiquement étudiés par la DGA Techniques terrestres dans le cadre de la dynamique longitudinale des véhicules (accélération, freinage, transmission des efforts au contact pneu-sol). Les expérimentations conduites au cours du postdoctorat devront se rapporter à ce cas d'application représentatif, de manière à ce que les méthodes développées répondent directement aux besoins opérationnels de la DGA Techniques terrestres en matière d'essais et de modélisation des véhicules.
Le poste s’inscrit dans un programme plus large consacré à l’exploitation de données d’essais et au développement de modèles hybrides pour la dynamique des véhicules.
En fonction du profil de la personne recrutée, des données disponibles et des priorités définies avec les équipes de la DGA Techniques terrestres, les travaux seront principalement centrés sur un axe principal, éventuellement complété par un second axe, parmi les suivants :
- Exploitation et qualification des données d’essais. Les travaux pourront porter sur l’analyse d’enregistrements multicapteurs, la synchronisation des signaux, la détection de mesures aberrantes ou de dérives, ainsi que l’identification automatique des différents régimes dynamiques présents dans les essais.
- Modélisation hybride physique–apprentissage. Il pourra s’agir de combiner des modèles physiques existants avec des composants appris ou des paramètres identifiés à partir des données, afin de mieux représenter certains phénomènes mal connus ou difficiles à modéliser. Une attention particulière sera portée à la stabilité, au respect des contraintes physiques et à l’interprétabilité des résultats.
- Capteurs virtuels et quantification de l’incertitude. Les recherches pourront viser l’estimation de grandeurs difficilement mesurables à partir des capteurs disponibles, ainsi que l’évaluation du niveau de confiance associé à ces estimations. Les approches envisagées pourront notamment inclure des méthodes bayésiennes, des ensembles de modèles ou des méthodes de Monte-Carlo accélérées sur GPU.
Le programme scientifique précis sera défini au début du contrat afin de construire un sujet cohérent et réalisable dans la durée du postdoctorat. L’objectif sera d’approfondir un nombre limité de questions scientifiques, tout en les confrontant à des données expérimentales réelles et à un cas d’usage représentatif.
Les travaux devront conduire à des contributions scientifiques publiables ainsi qu’à une implémentation documentée et reproductible. Selon la maturité des résultats, ils pourront également alimenter un démonstrateur destiné aux équipes de la DGA Techniques terrestres.
Moyens mis à disposition
La personne recrutée aura accès à des modèles et outils développés dans le cadre du partenariat, ainsi qu’à des moyens de calcul adaptés aux besoins de l’apprentissage automatique et de la simulation numérique.
Des licences professionnelles pour des assistants de développement, notamment OpenAI Codex et Claude Code, seront également fournies afin de faciliter le prototypage, l’écriture de tests, l’exploration de différentes approches et la documentation du code.
Ces outils resteront utilisés sous le contrôle de la personne recrutée, qui devra être capable d’évaluer et de valider les résultats produits sur les plans scientifique, mathématique et logiciel.
Le travail bénéficiera de l’accompagnement de chercheurs Inria en intelligence artificielle, automatique et robotique, d’ingénieurs spécialisés en simulation et traitement de données, ainsi que des équipes de la DGA Techniques terrestres impliquées dans les essais.
Déplacements : Des déplacements sont prévus et obligatoires sur le site de la DGA-TT d'Angers
Mots-clés : IA Physics-Informed, modèles hybrides physique-apprentissage, systèmes dynamiques, systèmes mécaniques multicorps dissipatifs, dynamique longitudinale des véhicules, identification de systèmes, capteurs virtuels, quantification d'incertitude, traitement de données multicapteurs, essais de véhicules militaires, calcul scientifique, apprentissage automatique.
