La thèse vise à concevoir un pipeline de compression de données sémantiques dédié à la réalité étendue (XR) en milieu industriel aéronautique, dans le cadre d’environnements IIoT. L’objectif est d’optimiser les stratégies de compression assistées par le cloud ou le bord en préservant les éléments critiques pour les tâches opérationnelles, comme les composants liés à la sécurité, les indices procéduraux ou les écarts entre systèmes physiques et jumeaux numériques, le tout sous fortes contraintes de bande passante, de latence et de consommation énergétique.
Ce que vous ferez
- Étudier les données sémantiques produites par des chaînes XR industrielles, notamment les poses, les états d’objets, les relations entre pièces, les interactions et les annotations contextuelles
- Identifier les éléments essentiels à conserver pour la performance des tâches et ceux pouvant être compressés ou agrégés
- Développer des algorithmes d’apprentissage automatique exploitant la structure sémantique et les redondances temporelles pour optimiser les échanges entre dispositifs portables et serveurs d’arête
- Concevoir des méthodes d’inférence d’importance basées sur l’apprentissage, comme la détection de zones ou d’éléments prioritaires selon la tâche en cours
- Implémenter des stratégies de quantification sémantique et de transmission progressive ou partielle
- Explorer l’orchestration entre cloud et edge, notamment le déport de l’inférence sémantique et la sélection dynamique des politiques de compression
- Réduire la charge de calcul et la consommation sur les dispositifs XR tout en respectant les contraintes temps réel (délai mouvement-photon, stabilité des images, mise à jour fiable des poses)
- Mener des expérimentations approfondies pour évaluer l’efficacité de la communication (débit, sensibilité aux pertes de paquets)
- Évaluer les indicateurs de qualité de service (QoS) tels que la latence bout-en-bout, la stabilité du taux d’images et la précision des estimations de pose
- Quantifier les coûts côté serveur en termes d’utilisation processeur, d’empreinte mémoire et de montée en charge
- Évaluer l’expérience utilisateur (QoE) en mesurant la qualité perçue, le confort, le temps d’exécution des tâches et le taux d’erreurs dans des conditions proches de l’IIoT
- Intégrer les méthodes proposées dans un prototype XR combinant dispositifs portables et infrastructure de calcul en périphérie
- Valider les performances sur des scénarios aéronautiques représentatifs : assistance à la maintenance, guidage d’inspection, formation
- Démontrer la faisabilité du déploiement et les gains mesurables par rapport aux codecs standards et aux approches non sémantiques
Profil requis
- Être inscrit ou éligible à un programme de doctorat dans un domaine pertinent (informatique, traitement du signal, systèmes distribués, interaction homme-machine)
- Une solide expérience en réalité étendue (XR), interaction homme-machine (IHM) ou domaines connexes
- Une expérience avérée en calcul distribué, notamment cloud et edge computing
- Une compréhension approfondie des architectures et contraintes de l’Internet industriel des objets (IIoT)
- Des connaissances en traitement du signal et en techniques de compression sémantique
- Une maîtrise des algorithmes d’apprentissage automatique appliqués à des systèmes temps réel
- Une capacité à mener un projet de recherche de manière autonome sur une période de trois ans
- Des compétences rédactionnelles et orales excellentes en anglais ou en français pour les rapports scientifiques et la collaboration
Atouts souhaités
- Une expérience préalable en streaming XR, jumeaux numériques ou chaînes de rendu temps réel
- Une familiarité avec les stratégies d’inférence et de déport sur le bord
- Une expérience dans l’évaluation de la QoS ou de la QoE dans des systèmes réseau
- Des connaissances des processus de maintenance, d’inspection ou de formation en aéronautique
- Un bagage technique en développement XR (Unity, Unreal Engine)
- Une pratique de l’implémentation d’algorithmes ou de codecs dans des contextes industriels
- Un historique de publications dans des conférences ou revues spécialisées
Avantages
- Financement intégral dans le cadre du projet Campus Aero Adour (C2A), soutenu par le plan France 2030
- Accès aux outils et environnements expérimentaux du laboratoire CESI LINEACT
- Intégration à des initiatives de recherche en cours, comme le projet JENII sur l’apprentissage à distance et les jumeaux numériques
- Contribution à des systèmes de production résilients, durables et centrés sur l’humain, en phase avec les principes de l’Industrie 5.0
- Un environnement collaboratif interdisciplinaire axé sur les technologies XR et les cadres de traitement des données
- Des opportunités de validation en milieu industriel aéronautique réel
