Exploration d'approches non supervisés pour modéliser l'environnement à partir de données RADAR

CEA; Grenoble; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Une opportunité passionnante pour un candidat motivé d'explorer des approches innovantes en Machine Learning pour la modélisation d'environnement à partir de données RADAR. Ce projet de thèse vise à relever des défis technologiques cruciaux pour les véhicules autonomes et la robotique. Le candidat sera chargé de développer des algorithmes non supervisés pour améliorer la précision de la modélisation tout en optimisant le coût calculatoire pour une exploitation en temps réel. Rejoignez une institution académique de premier plan et contribuez à des recherches qui façonnent l'avenir de la technologie RADAR.

Qualifications

• Formation recommandée en traitement du signal ou domaine connexe.
• Expérience avec des techniques de Machine Learning est un plus.

Responsabilités

• Explorer des techniques de Machine Learning pour modéliser l'environnement.
• Développer des algorithmes pour améliorer la densité des données RADAR.

Connaissances

Machine Learning

Modélisation d'environnement

Traitement du signal

Algorithmes non supervisés

Optimisation de calcul

Formation

Master en Traitement du Signal

Doctorat en Electronique

Description du poste

Description du sujet de thèse

Domaine
Défis technologiques

Sujets de thèse
Exploration d'approches non supervisés pour modéliser l'environnement à partir de données RADAR

Contrat
Thèse

Description de l'offre
Les technologies RADAR ont gagné en intérêt ces dernières années, notamment avec l'émergence des radars MIMO et des 'Imaging Radars 4D'. Cette nouvelle génération RADAR offre des opportunités mais aussi des défis pour le développement d'algorithmes de perception. Les algorithmes traditionnels comme la FFT, le CFAR et le DOA sont efficaces pour la détection de cibles en mouvement, mais les nuages de points générés sont encore trop épars pour une modélisation d'environnement précise. C'est une problématique cruciale pour les véhicules autonomes et la robotique.
Cette thèse propose d'explorer des techniques de Machine Learning non-supervisé pour améliorer la modélisation d'environnement à partir de données RADAR. L'objectif est de produire un modèle d'environnement plus riche, avec une meilleure densité et description de la scène, tout en maîtrisant le coût calculatoire pour une exploitation en temps réel. La thèse abordera les questions du type de données RADAR sont les plus adaptés en entrée des algorithmes ainsi que pour représenter l'environnement. Le candidat devra explorer des solutions algorithmiques non-supervisées et rechercher les optimisations de calcul pouvoir rendre ces solutions compatibles avec le temps réel.
Ces solutions devront à terme être conçues pour être embarquées au plus proche du capteur, afin d'être exécutées sur des cibles contraintes.

Université / école doctorale
Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Université Grenoble Alpes

Localisation du sujet de thèse
Site
Grenoble

Critères candidat
Formation recommandée
Traitement du signal

Demandeur
Disponibilité du poste
01/10/2025

Personne à contacter par le candidat
RAKOTOVAO Tiana
CEA
DRT/DSCIN/DSCIN/LIIM
CEA Grenoble

Tuteur / Responsable de thèse
DORE Jean-Baptiste
CEA
DRT/DSYS//LS2PR
Minatec CEA-LETI
17, rue des Martyrs
38054 Grenoble Cedex 9

En savoir plus