Stage - Ingénieur Perception de l'Environnement Maritime et IA - H/F

Basé à proximité de Nantes, SIREHNA, filiale à 100% de Naval Group, est spécialisée dans les domaines de l'hydrodynamique, de la maîtrise de l'environnement maritime, des drones et de la robotique sous-marine.


Naval Group recherche un(e) stagiaire pour une durée de 6 mois en charge des problématiques de prédiction des mouvements d'un navire par méthode IA de type PINN, à compter de Janvier 2025.


SIREHNA s'intéresse à la difficile problématique de prédiction des mouvements d'un navire à la mer. Les méthodes pour résoudre ce problème se répartissent en trois grandes familles :
• les méthodes basées sur l'observation de la houle autour du navire ;
• les méthodes fondées sur l'exploitation d'historiques temporels des mouvements navires ;
• et les méthodes hybrides qui combinent les deux précédentes.
Chaque famille de solution possède ses avantages et ses inconvénients du point de vue de la précision de la prédiction, de l'horizon temporel de prédiction, de la fiabilité de la donnée prédites, etc.

Les travaux menés jusqu'à présent chez SIREHNA ont permis d'explorer et de tester divers paradigmes et algorithmes allant de la conception à l'utilisation de modèles Auto-Régressifs jusqu'à l'apprentissage profond d'architectures neuronales récentes de type TFT.

Le stage consistera d'abord à construire à partir de travaux internes existant un modèle (de type LSTM, N-BEATS ou TFT) qui servira de baseline pour la prédiction de mouvements afin d'évaluer, dans un second temps, les éventuels apports des modèles de type PINN qui représentent une classe nouvelle de réseaux de neurones qui combinent à la fois apprentissage automatique sur des bases de données et simulation de lois physiques à partir de modélisations avancées.

Le stage proposé visera donc :

• à mettre en place un environnement de développement d'une solution servant de baseline à la problématique d'apprentissage des mouvements d'un navire à la mer, à partir des outils disponibles en interne SIREHNA avec notamment un framework MLOps adéquat ;

• puis à aborder la problématique de prédiction des mouvements d'un navire à la mer à partir de modèles d'apprentissage de type PINN sur la base d'un framework industriel.

En phase d'apprentissage, des bases de données simulées correspondant à des enregistrements collectés au cours de campagnes de simulation massive sur moyens HPC seront disponibles et des enregistrements réels d'essais en phase d'inférence des modèles pourront être utilisés pour tester les résultats obtenus.

Pour la partie propre au développement de modèles de type PINN, le modèle physique pourrait être celui décrivant la manœuvrabilité à la mer du navire suivant certains standards ou des modèles internes. La comparaison des performances et des capacités de généralisation entre le modèle servant de baseline et et un modèle de type PINN permettront d'apporter des premières réponses aux questions qui se posent aujourd'hui sur l'intérêt de déployer de telles méthodes.