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.

contact

Gilles Le Chenadec
Enseignant-chercheur en acoustique sous-marine et machine learning
Département STIC
Laboratoire Lab-STICC / Pôle DMID / Equipe MATRIX