Dans les domaines des véhicules terrestres autonomes et des drones (UAV), une compréhension précise et complète de l'environnement et de l'état du véhicule est cruciale pour la prise de décision autonome. L'un des défis pour les systèmes évoluant dans des environnements non structurés et inconnus réside dans l'estimation de la stabilité et de la dureté du terrain. Cette estimation est essentielle pour garantir la franchissabilité des terrains pour un véhicule ou pour déterminer des zones sûres pour l'atterrissage ou le largage de charges pour les drones. En effet, des terrains instables peuvent conduire à des situations dangereuses telles que l'enfoncement, l'embourbement ou encore le glissement de terrain.
L'une des solutions potentielles pour pallier ce problème, en utilisant des mesures sans contact, est l'imagerie spectrale. Les propriétés physiques d'un terrain sont souvent corrélées à sa composition chimique, et cette dernière se manifeste sous forme de signatures spécifiques dans le spectre des matériaux. Il est donc envisageable d'inférer des propriétés physico-chimiques à partir des spectres mesurés. Cette approche permettrait de mieux prédire les caractéristiques de stabilité et de dureté des terrains, et donc d'améliorer la prise de décision des systèmes autonomes.
L'objectif de ce stage est de réaliser une étude sur l'utilisation de l'imagerie spectrale pour l'inférence des propriétés physico-chimiques des terrains, en s'inspirant notamment des approches utilisées dans l'agriculture de précision pour la classification des types de sol. Le stagiaire aura pour mission de :
• Réaliser un état de l'art sur les méthodes de classification des types de sol à partir de l'imagerie spectrale.
• Proposer et mettre en œuvre des plans d'expériences en laboratoire visant à effectuer des mesures spectrales ainsi que des mesures de dureté des terrains.
• Développer des méthodes d'analyse des données collectées pour inférer les propriétés physico-chimiques des terrains.
• Explorer des approches basées sur des méthodes d'apprentissage automatique pour améliorer cette inférence à partir des données spectrales.



Références :
• Ishida, Tetsuro, et al. "A novel approach for vegetation classification using UAV-based hyperspectral imaging." Computers and electronics in agriculture 144 (2018): 80-85.
• Rajitha, A., P. Bhargavi, and S. Jyothi. "A Survey On Soil Classification Using Hyperspectral Images." Webology 19.2 (2022).
• Kaba, Eylem. "Soil classification with spaceborne multi-temporal hyperspectral imagery using spectral unmixing and image fusion." (2023).

• Compétences en analyse de données et machine learning.
• Connaissances en physique des matériaux et chimie seraient un plus.
• Goût ou attrait pour l'expérimentation et la mise en œuvre de protocoles expérimentaux en laboratoire.
• Capacité à collaborer efficacement avec des équipes.
• Capacité de synthèse, qualité de rédaction et présentation.
• Bon niveau d'anglais pour rédiger des documentations techniques et des présentations