Feature Learning pour la localisation absolue de rover d’exploration planétaire

Magellium (Groupe Artal), avec ses 300 collaborateurs, est un acteur indépendant, spécialiste sur la chaîne de valorisation du pixel et de la donnée image et vidéo (du capteur satellite, aéroporté ou drone jusqu’à son utilisation dans les systèmes d’information géographique, la cartographie et la Géointelligence). Magellium promeut la maîtrise des technologies du logiciel, de l’IA, du traitement d’image et de la géomatique. 
 

L’unité Imagerie et Applications développe des systèmes de vision et de traitement de données dans les domaines de la robotique spatiale, de la défense et de l’industrie. Nos clients sont les principaux acteurs industriels et institutionnels de ces secteurs.

SUJET
Dans la robotique spatiale, la localisation de rover d’exploration planétaire est une problématique bien connue et sur laquelle Magellium travaille depuis maintenant quelques années. Dans le cadre du stage, vous rejoindrez l’équipe de R&D travaillant sur ces problématiques, pour apporter un complément et une nouvelle approche de détection de features image. Les méthodes actuelles de localisation absolue se basent sur l’utilisation conjointe d’images caméra en prise de vue rover, et d’images orbitales acquises via satellite. Le problème qui apparaît alors naturellement est la différence de point de vue, qui donne des features visuellement très différentes mettant en échec des méthodes de feature matching classiques.

L’objectif du stage sera de travailler sur ce problème en cherchant à détecter des features invariantes aux changements de perspective, radiométrie, échelle… via des solutions de deep-learning.

Vous devrez d’abord faire un état de l’art sur les solutions existantes (feature learning), et vous mettre à niveau sur les problématiques deep. Des articles scientifiques ont été pré-identifiés et donnés à titre d’exemple ci-dessous ([1] et [2]). Le stage se concentrera ensuite sur plusieurs missions :

• Implémentation et adaptation d’architectures de réseaux d’apprentissage existantes
• Préparation de jeux de données simulées (Blender), et participation à l’acquisition de données réelles sur terrains analogues
• Entraînement et évaluation de réseaux de deep learning
• Intégration de la méthode développée dans un algorithme de localisation absolue

[1] L. Liu and H. Li, “Lending orientation to neural networks for cross-view geo-localization,” 2019 ;      [2] Y. Shi, X. Yu, D. Campbell, and H. Li, “Where am I looking at? Joint location and orientation estimation by cross-view matching,” 2020.
Mots-clés : feature learning, absolute localisation, deep learning, corss-view image matching, feature based matching

Etudiant(e) en cursus universitaire ou en Ecole d’ingénieurs préparant un diplôme de niveau Bac+5, ou un Mastère spécialisé, vous disposez de compétences en vision par ordinateur ou en VBN (Vision-Based Navigation). Vous justifiez d’expériences en Python et C/C++.

Des connaissances en Deep Learning (PyTorch/TensorFlow) ou Blender sont un plus. Vous êtes curieux (se) et vous aimez les défis. Rigueur, autonomie, sens de l’initiative et assiduité sont d’autres compétences qui vous permettront de réaliser avec succès ce stage.