Equipe MATRIX | ENSTA Bretagne

L'équipe MATRIX (Modèles et Algorithmes pour le Traitement et l'Extraction de l'Information) développe de nouvelles méthodes pour apprendre, modéliser et comprendre les informations structurées temporellement et spatialement (signaux, images, séries temporelles). Elle est composée de personnels d'IMT Atlantique et ENSTA Bretagne.

L'équipe MATRIX étudie la formulation du problème et sa résolution, en s’intéressant aux différentes strates :

Modélisation
Méthodes et outils d’optimisation
Résolution de problèmes et critères d’étude

Compétences

Traitement du signal et de l’image
Machine learning
Automatique et systèmes dynamiques
Optimisation
Méthodes statistiques
Apprentissage par renforcement
Acoustique sous-marine

Exemples de travaux

Monitoring de l’environnement sous-marin (fonds marins, fluctuations de la colonne d’eau)
Méthodes d'optimisation et apprentissage par renforcement pour le domaine biomédical
Commande robuste d’AUV par machine learning
Positionnement intelligent de capteurs pour la communication radar
Métrologie de réseaux informatiques et détection d'anomalies
Mathématiques de la résilience

Collaborations

Quelques exemples de partenaires avec lesquels sont conduites ces recherches.

Entreprises : Naval Group, THALES, ECA Group, iXblue
Institutions : DGA, SHOM, NATO/CMRE, ONERA, CHU Brest
Académiques : Flinders Unviersity, Centrale Nantes, UTT Troyes, University of Bath, Sorbonne Université, Queen Mary University of London, AUCE (liban), Crossing (Australie, CNRS, Flinders university), LATIM (Brest), Université de Strasbourg, Qingdao University, MIT, Syracuse University, Polytechnique Montrea

exemples de projets de recherche MATRIX

Pilotage autonome d'AUV, avec Naval Group et Flinders University

MATRIX travaille sur le pilotage autonome d'AUV (véhicules sous-marins autonomes) évoluant dans un milieu sous-marin complexe et hétérogène.

Gilles Le Chenadec, enseignant-chercheur : "Les AUV doivent posséder des capacités d'adaptation et d'autonomie à long terme que nous proposons de résoudre en développant des méthodes combinant les concepts classiques de l'automatique aux concepts issus de l'IA et plus particulièrement du « deep reinforcement learning » (apprentissage profond par renforcement). Cette orientation a pour but d'allier les preuves formelles de stabilité et de sûreté de l'automatique aux capacités d'apprentissage du machine learning (apprentissage automatique). Un des cas d'application étudié est celui d'un AUV évoluant dans des courants de force variable."

Six personnes de Naval Group, Flinders University et d'ENSTA Bretagne se concentrent sur ce sujet au travers de plusieurs thèses :

Une première thèse (Yoann Sola) soutenue en 2021, financée par la DGA et la Région Bretagne, a montré l'intérêt en simulation de cette approche comparée aux approches classiques tout en réduisant la consommation d'énergie.
Une seconde thèse concerne l'adaptation aux courants marins des paramètres de la loi de commande appris par machine learning ainsi que le transfert de ce modèle appris en simulation à un AUV réel.
Une troisième thèse débutera fin 2022 et portera sur la détection et le pilotage en cas de défaillance interne à l'AUV.