Stage - IA et Modèles Génératifs pour le Contrôle de Véhicules Autonomes H/F - 92

Safran Electronics & Defense est une entreprise internationale de plus de 19 000 collaboratrices et collaborateurs, qui mobilisent expertises et esprit de corps pour concevoir des solutions de haute technologie dans les domaines de l'aéronautique, de la défense et du spatial. En combinant intelligence humaine et technologique, l'entreprise développe des produits et services pour les acteurs du monde civil et militaires, sur terre, en mer, dans le ciel et dans l'espace.Au sein de la direction technique, vous intégrez l'équipe R&T Défense et Optronique qui a pour objectif de promouvoir les technologies de nos futurs systèmes de défense. Vous êtes au coeur de l'équipe Robotique et Systèmes Autonomes qui met son expertise au service de l'autonomisation de nos plateformes robotiques.

Dans cette équipe, nous explorons des approches innovantes pour améliorer les performances des lois de commande embarquées. Les modèles génératifs tels que les LLM (Large Language Models), les modèles de diffusion, et les VLA (Vision-language-action model) ont démontré des capacités remarquables en matière de modélisation, de prédiction et d'interprétation de données complexes.
Ce stage vise à étudier comment ces technologies peuvent être exploitées pour renforcer les performances et la robustesse des lois de commande de nos systèmes.

Dans le cadre de ce stage, nous proposons les missions suivantes :
- Explorer l'apport des modèles génératifs récents (LLM, modèles de diffusion, VLA) dans l'amélioration des lois de commande pour véhicules autonomes.
- Approfondir après une étude bibliographique sur ces modèles et leurs applications en robotique et en contrôle, le stagiaire identifiera les cas d'usage pertinents, tels que la prédiction de trajectoire ou l'adaptation dynamique du modèle de commande
- Développer des prototypes intégrant des modèles génératifs dans des scénarios simulés de commande autonome.
- Evaluer et comparer les performances des approches développées à à celles des méthodes classiques, notamment la commande prédictive (MPC), afin de mesurer les gains en robustesse, adaptabilité et efficacité.