Skip Navigation

Votre carrière chez Thales

DÉCOUVREZ NOS POSTES. UTILISEZ LES FILTRES DE RECHERCHE ET TROUVEZ L'OFFRE QUI VOUS CORRESPOND.

Menu

Down
Chercher à nouveau
Alternativement
Naviguer par
Ou

Thèse Machine Learning pour la détection de piste d'atterrissage

ID de l'offre R0089068 Date de publication 05/03/2020 Lieu: Valence, Auvergne-Rhône-Alpes, France
Full time, Thèse

QUI SOMMES-NOUS ?

L’activité avionique rassemble 10 000 collaborateurs qui œuvrent à fournir des équipements et des systèmes de pointe pour toute la chaîne de l’aéronautique civile et militaire.

Le site de Valence développe et fabrique des composants micro-électroniques, équipements et systèmes de navigation. Il est, par ailleurs, le centre de gravité mondial pour les activités avioniques hélicoptères de Thales.

Les technologies RADAR sont actuellement très marginalement utilisées dans les architectures avioniques. Un des intérêts principaux de la technologie RADAR est d’offrir des images ou des mesures par tous les temps, y compris en présence d’eau liquide (pluie, brouillard), et qui offre par conséquent un fort potentiel d’extension des capacités opérationnelles de l’avion. Compte tenu du potentiel de cette technologie, Thales développe un prototype de RADAR millimétrique « I-LAND » destiné à l’aviation commerciale, qui vise notamment à apporter des informations de localisation par rapport à la piste d’atterrissage.
Le radar délivre une « grille radar » en trois dimension (site azimuth distance) dans laquelle il faut ensuite identifier automatiquement la piste d’atterrissage. L’objectif de cette étude est d’étudier le potentiel des stratégies reposant sur une approche Machine Learning pour la détection de la piste. Plus précisément, nous proposons d’intégrer les approches convolutionelles afin de construire des signatures optimisant, par apprentissage, la détection de la piste. Différents défis sont posés :
- Les mesures traitées par les couches convolutionnelles ne sont pas des mesures d’intensité comme dans les applications images, il faudra donc adapter le noyau de convolution (pour aussi intégrer différentes géométries) ;
- La base d’apprentissage est de taille très réduite, et une stratégie de type Transfert-Learning ou Fine-tuning n’est probablement pas adaptée étant donné la nature des données, il faut donc adapter la structure à cette contrainte ;
- Afin d’améliorer l’apprentissage, l’augmentation de la base de données d’apprentissage par modélisation de données synthétiques est une piste envisagée, d’autres pourront être explorées ;
- Il faudra pouvoir caractériser le système de prise de décision en termes de sensibilité (par exemple au perturbations), de précision et d’intégrité. Etant donné la vision actuelle de type boite noire, il faudra déployer des modèles permettant d’estimer ces trois caractéristiques. Ces caractéristiques devront permettre d’obtenir un indice de confiance dans les mesures retournées par l’approche.

Innovation, passion, ambition : rejoignez Thales et créez le monde de demain, dès aujourd’hui.


< Retourner aux résultats

À propos de notre emplacement

Valence, France

Rejoindre notre Talent Community

Interessé(e) parSaisissez les premières lettres d'une catégorie puis choisissez parmi les suggestions. Saisissez ensuite les premières lettres d'un lieu puis choisissez parmi les suggestions. Enfin, cliquez sur "Ajouter" pour créer votre alerte.

  • R&D : Ingénierie Systèmes & Etudes Générales, Valence, Auvergne-Rhône-Alpes, FranceSupprimer