Programme avancé IA Appliquée à la Navigation Autonome

Mise en œuvre et optimisation d'algorithmes de Machine Learning dans les systèmes de navigation autonome

• 1.1. Fondements mathématiques et statistiques du Machine Learning appliqué à la navigation autonome : algèbre linéaire, calcul différentiel, probabilités et statistique bayésienne
• 1.2. Prétraitement et nettoyage des données de capteurs : filtrage du bruit, normalisation, équilibrage et détection d'anomalies dans les données radar, LIDAR, caméras et GNSS
• 1.3. Conception d'architectures de modèles supervisés, non supervisés et par renforcement adaptées aux environnements maritimes dynamiques
• 1.4. Mise en œuvre pratique d'algorithmes classiques : régression logistique, SVM, arbres de décision et Random Forest pour la détection d'obstacles et la classification de routes
• 1.5. Réseaux de neurones profonds et architectures convolutives (CNN) pour la reconnaissance d'objets et le traitement d'images sous-marines et aériennes
• 1.6. Modèles d'apprentissage par renforcement (Reinforcement Learning) pour la prise de décision en temps réel en navigation autonome, y compris le Q-learning et les méthodes basées sur les politiques
• 1.7. Optimisation des hyperparamètres par des techniques avancées : recherche par grille, optimisation bayésienne et algorithmes évolutionnaires pour maximiser la précision et l'efficacité du système
• 1.8. Intégration d'algorithmes de fusion de capteurs pour améliorer la robustesse et la résilience du système en environnements hostiles et incertains
• 1.9. Déploiement de modèles sur du matériel embarqué : considérations de calcul en temps réel, de consommation énergétique et de latence dans les systèmes de navigation autonome
• 1.10. Validation et tests de performance : métriques spécifiques à la navigation autonome, simulations en environnements virtuels et essais sur le terrain