Safran 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 menés au sein de Safran ont permis de démontrer la faisabilité de la détection de mouvement/arrêt par apprentissage profond, ouvrant la voie à des solutions plus robustes et généralisables que les approches classiques à seuils empiriques.

Ce stage s'inscrit dans la continuité de ces recherches et vise à franchir une nouvelle étape en explorant les dernières avancées du deep learning appliquées à la navigation inertielle. Le sujet est à la fois innovant et stratégique pour l'amélioration des performances des systèmes embarqués.

Objectif du stage
Poursuivre 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 principales
1.Réaliser une veille sur les techniques récentes de détection de mouvement/arrêt par deep learning.
2.Mettre en place un environnement d'entrainement et de simulation basés sur le cluster de calcul du groupe SAFRAN
3.Mettre en forme les données d'entrainement et de test (réelles et/ou simulées)
4.Développer, tester et comparer différentes architectures et solutions.
5.Documenter les travaux

Encadrement
Stage au sein de l'équipe de développement des centrales inertielles terrestres avec le support d'experts en IA. Vous bénéficierez d'un environnement de travail stimulant, de ressources de calcul adaptées et de l'expertise reconnue du groupe.

Formation :
Élève ingénieur généraliste ou Master 2 avec spécialisation en IA, data science, traitement du signal, automatique ou mathématiques appliquées.
Compétences techniques :
Solides bases 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 ou 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.

Références :
Brossard, M., Barrau, A., & Bonnabel, S. (2020). AI-IMU dead-reckoning. IEEE Transactions on Intelligent Vehicles, 5(4), 585-595.

Conseil :
Pour 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 ! ».

Formation : Élève ingénieur généraliste ou Master 2 avec spécialisation en IA, data science, traitement du signal, automatique ou mathématiques appliquées.
Compétences techniques :
Solides bases 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 ou 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.