Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

4 juillet 2019

Thèse CIFRE - SNCF - Reconnaissance des comportements et approches neuronales


Catégorie : Doctorant


Titre : Approche renforcée et multi-pipeline pour la détection de comportements à risque dans un environnement ferroviaire embarqué

Nom de l’entreprise : SNCF Mobilités – Centre d’Ingénierie du Matériel, Le Mans (72)

Nom du laboratoire académique partenaire : IFSTTAR - Lille-Villeneuve d'Ascq (59)

Thématique de recherche : Reconnaissance intelligente de comportements à risques dans un milieu ferroviaire embarqué par l'utilisation de réseaux de neurones

Début du recrutement : décembre 2019

Le doctorant sera en CDD CIFRE au Centre d’Ingenierie du Matériel (Le Mans) et encadré par des directeurs de thèse à l’IFSTTAR, pendant trois ans et conduira l’ensemble des recherches et des developpements pour la thèse avec le support des équipes de la Direction de la Surêté (Paris) et de SNCF TRANSILIEN (Saint Denis).

 

A la SNCF, en 2017, plus de 56 000 faits sûreté ont été recensés dans les matériels roulants. Sur le 1er Semestre 2018, plus de 28 000 faits de sûreté ont déjà été recensés. En plus des incidents de sûreté, d’autres incidents d’exploitation viennent affecter la performance et la sécurité de l’exploitation ferroviaire. Pour assurer la sûreté à bord de ses trains et gérer les incidents d’exploitation, l’entreprise dispose d’un parc de 22 000 caméras de vidéo protection embarquées dans les matériels roulants. Ce grand nombre de caméras pose une question sur l’efficacité des opérateurs de supervision à surveiller ces trains en temps réel et de manière aléatoire. Il apparaît donc qu’une aide décisionnelle sur les rames à visualiser est primordiale dans leur mission.
Ce travail de thèse s’inscrit dans la continuité des travaux réalisés au Centre d’ingénierie du matériel de SNCF Mobilités et ayant pour but d’appliquer des approches d’apprentissage profond, de traitement d’image et du son pour la détection fiable et en temps réel d’incidents et d’évènements anormaux. En collaboration avec la Direction de la Sûreté, la poursuite de ces travaux dans le cadre d’une thèse CIFRE vise le développement d’une approche combinant deux pipelines, une audio et l’autre vidéo issues des données capteurs disponibles sur le matériel roulant. On y intégrera également des connaissances physiques et du savoir-faire des opérateurs humains (retour d’expérience, expertise). Le but visé est de :

1) détecter de manière fiable un incident (acte de violence, acte d’incivilité ou d’agression, acte de terrorisme, etc) en utilisant les techniques les plus fiables en « deep learning », en traitement des images et des signaux audio (flux vidéo) et surtout les plus adaptées à l’environnement ferroviaire embarqué. Une spécificité de la thèse sera d’utiliser ces deux flux de données soit à travers un modèle unique fusionnant ces deux flux d’informations, soit par la fusion de décisions issues des deux pipelines de détection distinctes et propres à chaque capteurs.

2) concevoir un framework permettant d’exploiter des approches récentes en « machine learning » tel que l’ « active learning » pour favoriser la fiabilité de la situation détectée pour des opérateurs humains de supervision et ainsi faciliter leur prise de décision. Les concepts de « reinforcement learning » pourront également être explorés dans les phases de décisions finales.

La validation de cette démarche sera réalisée à travers sa capacité à assurer la sûreté des voyageurs (détection d’événements violents à l'intérieur d’une rame en exploitation : incivilités, terrorismes, dégradations) et l’optimisation de l’exploitation des matériels roulants (détection de présence de passagers en fin de mission, détection de présence en cabine menée, reconnaissance d'obstacles sur la voie etc).

Profil recherché :

Niveau Bac+5, ingénieur ou diplômé M2 dans le domaine de l’intelligence artificielle / traitement de l’image ou du son / datascience
Maitrise des architectures de deep learning, du traitement d’images, du traitement audio
Anglais courant
Langages de programmation : PYTHON, C++. La connaissance de langages web (Javascript, HTML, …) est un plus
Capacité de travail avec organisation, méthode et rigueur
Esprit pour la recherche et l’innovation
Esprit d’équipe, qualités relationnelles, écoute et disponibilité

Les candidats intéressés doivent soumettre un dossier de candidtaure comprenant les documents suivants :

Un CV détaillé, un avis motivé du directeur du Master sur votre candidature, un relevé de notes de votre dernière année de formation, même dans une version provisoire et la copie de votre dernier diplôme (maîtrise, diplôme d'ingénieur, master recherche si celui-ci est déjà soutenu) aux personnes suivantes :

sitou.afanou@sncf.fr, sebastien.ambellouis@ifsttar.fr, david.sodoyer@ifsttar.fr

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2019.