[bull-ia] Stage « Intelligence Artificielle Collaborative / Allocation dynamique collaborative de ressources de poursuites de radars en réseaux, par des techniques d’enchères distribuées (modèle de négociation) »

Je souhaiterais diffuser cette annonce de stage à la mailing list et la faire apparaître dans la catégorie « Annonces » du site GRD IA. Je vous joins l’offre sous forme de pdf.

Merci beaucoup.

Bien cordialement,

Cédric Buron

Rejoignez Thales, leader mondial des technologies de sûreté et de sécurité pour les marchés de l’Aérospatial, du Transport, de la Défense et de la Sécurité. Fort de 62 000 collaborateurs dans 56 pays, le Groupe bénéficie d’une implantation internationale qui lui permet d’agir au plus près de ses clients, partout dans le monde.

Intitulé du stage : Intelligence Artificielle Collaborative / Allocation dynamique collaborative de ressources de poursuites de radars en réseaux, par des techniques d’enchères distribuées (modèle de négociation)

L’objet du stage consiste à étudier les outils avancés d’Intelligence Artificielle pour réaliser une allocation dynamique non-centralisée et collaborative de ressources de senseurs en réseau en utilisant des techniques avancées d’enchères distribuées (distributed auctions).

Localisation/Site : Palaiseau/Limours (91)

Les missions :
Le cas applicatif concernera l’allocation distribuée des ressources de pistage multi-radars.

Ayant N senseurs Radars et M objets à pister, le problème consiste à trouver un consensus de façon collaborative pour l’attribution des ressources de « poursuites actives » de chaque senseur pour un sous-ensemble de ces objets. Le challenge est d’optimiser l’allocation en maximisant de façon collaborative un critère global de performance de poursuite multi-cibles (agrégation de différentes métriques de performances « poursuite ») tenant compte conjointement des contraintes de charges de chaque radar multi-mission (ressource de budget temps disponible). La performance de pistage, utilisera un filtre IEKF (« Invariant EKF » développé avec l’Ecole des Mines) pour estimer les performances de poursuite en fonction de l’allocation (configuration trajectoire par rapport à l’observation et cadence d’observation).

On commencera par étudier des méthodes de type CBAA (consensus-based auction algorithm) et CBBA (consensus-based bundle algorithm) pour résoudre de façon distribuée un problème d’optimisation, qui fonctionnent en 2 étapes : étape d’enchère, étape de consensus. D’autres algorithmes en fonction de l’avancement du stage seront étudiés.

Profil souhaité :
Ingénieur Bac+5 Groupe 1, Master MVA ou Master Optimisation
Compétence en Optimisation
Outils informatiques : PYTHON, MATLAB ou C

Durée : 6 mois

Date de début souhaitée : Mars/Avril 2018

Tuteurs :
Frédéric Barbaresco – Thales Surface Radar
Christophe Labreuche – Thales Research & Technology

Contact :
Cédric Buron – Thales Research & Technology cedric.buron@thalesgroup.com