Thèse Architecture Prédictive d'Intégration Conjointe pour le Contrôle Optimal de Plusieurs Capteurs Iot dans le Cadre d'Une Étude Bioacoustique 3D de la Faune par Essaims. H/F - Doctorat.Gouv.Fr

Établissement : Université de Toulon École doctorale : Mer et Sciences Laboratoire de recherche : Laboratoire d'Informatique et des Systèmes Direction de la thèse : NICOLAS BOIZOT ORCID 0000000178988723 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-06-02T23:59:59 Cette thèse est proposée dans le cadre des travaux du Centre international d'Intelligence Artificielle en Acoustique Naturelle (CIAN), hébergé par l'Université de Toulon (UTLN) au sein du LIS (UMR 7020 CNRS) -- https://cian.lis-lab.fr.

Nous cherchons à aborder deux problématiques de bioacoustique en se reposant sur les approches dites Joint Embedding Predictive Architectures (JEPA) (LeCun 2022, 2025, Bagatella 2026) :

A) Localisation passive de source : Un bateau/ROV muni d'hydrophones doit localiser une source acoustique inconnue (cétacé, véhicule). Le JEPA apprend une représentation reliant signatures acoustiques et positions relatives puis le planner choisit des actions maximisant l'information (active sensing) afin que le système converge vers la source sans modèle explicite de propagation préalable.

B) Suivi de cible acoustique mobile : Dans le cas d'un suivi (autre drone, animal marin, etc.) : le modèle latent capture la dynamique relative, la planification anticipe les mouvements futurs. Grâce à JEPA, le contrôle reste robuste malgré les pertes de signal temporaires.

Contrairement aux approches traditionnelles basées sur la reconstruction (autoencodeurs, world models pixel-level), les JEPA apprennent à prédire des représentations latentes abstraites. Cette propriété les rend particulièrement adaptées aux tâches de contrôle où l'objectif n'est pas de reconstruire fidèlement le monde, mais d'en extraire les variables pertinentes pour l'action. Notre objectif sera donc de faire jouer à ces représentation le rôle de l'espace d'état d'un système de contrôle de sorte à nous reposer sur les méthodes de cette discipline. Le Reinforcement Learning (RL) appliqué à la robotique et aux systèmes autonomes, tels que les drones ou bouée IOT se heurte à plusieurs limitations majeures : inefficacité en termes d'échantillons, difficulté à exploiter des observations de grande dimension (notamment visuelles), et complexité du contrôle à horizon long. Dans ce contexte, les approches dites Joint Embedding Predictive Architectures (JEPA) (LeCun 2022, 2025, Bagatella 2026) émergent comme une alternative prometteuse aux paradigmes classiques, en particulier pour l'apprentissage de représentations utiles au contrôle. Contrairement aux approches traditionnelles basées sur la reconstruction (autoencodeurs, world models pixel-level), les JEPA apprennent à prédire des représentations
latentes abstraites. Cette propriété les rend particulièrement adaptées aux tâches de contrôle où l'objectif n'est pas de reconstruire fidèlement le monde, mais d'en extraire les variables pertinentes pour l'action. Par exemple, les ROV ou bouées IoT opérant en milieu sous-marin font face à des contraintes nettement plus sévères que les systèmes aériens ou terrestres : absence de GPS (localisation indirecte), forte atténuation visuelle (dépendance aux capteurs acoustiques), dynamique perturbée (courants, turbulence), observabilité partielle (environnement peu structuré). Les hydrophones permettent d'exploiter des signaux acoustiques (balises, communications, sources passives), mais ces signaux sont : bruités, présence de multi-trajets et dépendants du milieu (température, salinité,
bathymétrie). Dans ce contexte, les architectures JEPA offrent une approche pertinente pour apprendre une représentation latente pour le contrôle. A) Localisation passive de source : Un bateau/ROV muni d'hydrophones doit localiser une source acoustique inconnue (cétacé, véhicule). Le JEPA apprend une représentation reliant signatures acoustiques et
positions relatives puis le planner choisit des actions maximisant l'information (active sensing) afin que le
système converge vers la source sans modèle explicite de propagation préalable.
B) Suivi de cible acoustique mobile : Dans le cas d'un suivi (autre drone, animal marin, etc.) : le modèle
latent capture la dynamique relative, la planification anticipe les mouvements futurs. Grâce à JEPA, le contrôle reste robuste malgré les pertes de signal temporaires. Voir fichier Joint

Diplomé.e Master Informatique IA, Robotique, Mécatronique, ou Traitement du signal.