L'imagerie multi- et hyperspectrale constitue une avancée déterminante pour les applications robotiques, qu'elles soient mobiles ou industrielles. Contrairement à la vision par caméra RGB, limitée à trois bandes spectrales, ces technologies capturent pour chaque pixel une signature spectrale fine sur un large spectre, révélant des informations physiques et chimiques inaccessibles à la vision classique.
Dans l'industrie, l'imagerie hyperspectrale se révèle particulièrement adaptée à l'inspection, ainsi qu'à la caractérisation avancée des matériaux, permettant d'aller bien au-delà de l'apparence visuelle pour analyser en profondeur les propriétés des pièces mécaniques. L'apport de cette technologie, par rapport au RGB, réside dans sa capacité à fournir des indicateurs objectifs sur la composition, l'état de surface ou les traitements subis par les objets inspectés, ouvrant la voie à des systèmes de perception fiables et adaptés aux exigences de l'aéronautique.
En robotique mobile, l'imagerie spectrale contribue à enrichir la représentation de l'environnement en fournissant des informations détaillées sur la composition des objets, ce qui permet d'optimiser les performances de navigation et d'accroître les capacités d'autonomie des systèmes, notamment dans des situations complexes.
Dans un contexte R&D orienté robotique (mobile et industrielle), l'objectif est de développer une capacité de bout en bout :
- Acquérir des données spectrales fiables sur banc et/ou en situation représentative (robot mobile terrestre/aérien, cellule industrielle),
- Définir un protocole expérimental robuste (calibration, conditions d'illumination, répétabilité, traçabilité),
- Traiter et exploiter les données via des méthodes de prétraitement, d'analyse spectrale et d'apprentissage (classique et/ou deep learning), avec une perspective de déploiement.
L'alternance vise à construire un socle technique et méthodologique complet :
- Comprendre et maîtriser l'instrumentation spectrale (multi/hyperspectrale) : principes physiques, modes d'acquisition, limites,
- Mettre en place des protocoles expérimentaux : calibration radiométrique et géométrique, gestion de l'éclairage, mesures de référence, répétabilité, constitution d'une base de données, etc.,
- Développer une chaîne de traitement : prétraitements, extraction de signatures, réduction de dimension, classification/segmentation, détection d'anomalies, fusion multimodale (RGB, profondeur/LiDAR, thermique).
- Evaluer la performance et la robustesse : métriques, incertitudes, sensibilité aux conditions (illumination, angle, distance, etc.).
- Capitaliser les travaux réalisés dans une documentation complète, versionner le code sur GitLab, et présenter régulièrement les avancées techniques à l'équipe.

Compétences mobilisées / développées
- Traitement d'images et vision par ordinateur,
- Analyse de données spectrales (manipulation de cubes hyperspectraux, calibration, indices, etc.),
- Machine learning/deep learning,
- Méthodologie expérimentale (plan d'essais, incertitudes, reproductibilité),
- Notions de robotique (capteurs, synchronisation, contraintes d'intégration),
- Bonnes pratiques : versioning (Git), documentation, tests.