Stage Machine Learning appliqué à la robotique

Le poste

FlyRénov est une entreprise qui conçoit et exploite une solution de ravalement de façades et de toitures par drone. Après 3 ans de développement, FlyRénov dispose d’une flotte de drones pour des travaux aussi divers que le démoussage ou le nettoyage haute pression de surface variées (toits, façades, éoliennes, etc.).

Ces dernières années nous avons accumulé des centaines d’enregistrements de vols dans des contextes très divers. Nous souhaitons à partir de cette année automatiser davantage l’analyse / le traitement des données hétérogènes collectées (lidar 360, GPS, caméra stéréo, sonar, centrale inertielle) et les mettre à profit à la fois pour les équipes de production (étude des risques / analyse des incidents) et les équipes R&D.

En relation directe avec le responsable logiciel et en collaboration avec le reste de l’équipe de R&D, vous devrez, dans le cadre de ce stage effectuer les tâches suivantes :

1. Récolte et analyse des données

• Participer aux vols de tests;
• Récolter les données pertinentes en tests et en chantier;
• Analyse globale de toutes les données collectées : odométrie, GPS, sonars, lidars, et vision stéréographique ;
• Rédaction de rapports à destination des différentes équipes de l’entreprise ;

2. Post traitement des données complexes

• Annotation de jeux de données lidar / caméra ;
• Extraction de formes intéressantes (fenêtres, débord de toit, volet roulant, etc.…);
• Optimisation du code pour des performances en temps réel sur un ordinateur de bord de type Jetson;
• Intégration dans la solution logicielle existante ;

3. Stratégies de fusion de données

• Comparaison des performances des capteurs ;
• Analyse des algorithmes de fusion de données déjà développés ;
• Proposition d’amélioration des stratégies de fusion ;

Profil recherché

• Intérêt pour la robotique et le machine learning ;
• Capacité à travailler en équipe, créativité, curiosité ;
• Bonnes capacités rédactionnelles ;
• Connaissances en Python pour l’analyse de données et la modélisation ;
• Utilisation d’outils de visualisation de données : Matplotlib, PyPlot, Foxglove, etc...
• Une expérience en projet ML de l’annotation jusqu’à la mise en production est un plus ;
• Étudiant(e) ingénieur ou master en quatrième ou cinquième année. Spécialisation en machine learning, IA, traitement du signal ou robotique.
• 2ème / 3ème année de cycle ingénieur ou Master 1 / 2