Contrat doctoral (H/F) : Navigation par familiarité visuelle sur de longues distances : application à un robot quadrupède

Description du Poste

Sujet De Thèse

Problématique
La navigation autonome est un défi majeur, notamment en l’absence de systèmes de positionnement par satellite (GNSS) ou d’infrastructures de communication. Les solutions actuelles, comme les lidars, sont souvent énergivores, coûteuses et actives donc peu discrètes.
Il a été montré récemment que des panoramas de seulement quelques milliers de pixels peuvent être utilisés pour mémoriser et récapituler des chemins. Cette vision primaire s’associe pour l’instant à une mémorisation également minimaliste et ainsi, permet à un robot mobile et à un drone de suivre des chemins d’une ou plusieurs dizaines de mètres (Gattaux et al 2025, 2026).
L’idée est de modifier le traitement visuel pour apprendre et de récapituler des chemins visuels à la fois plus longs et plus variés, notamment accessibles avec un robot à pattes.
Approche
Ce projet de thèse s’inspire des stratégies visuelles des invertébrés (fourmis, abeilles), capables de naviguer avec une extrême efficacité malgré des ressources cognitives limitées. Des nombreux animaux semblent également utiliser les traitements basés sur la familiarité visuelle pour retrouver leur gîte mais également mémoriser des chemins familiers.
Le principe de familiarité visuelle (IA ultra-frugale), inspiré des mécanismes cognitifs des invertébrés, repose sur un encodage minimaliste des informations visuelles. Contrairement aux approches classiques de vision par ordinateur, qui nécessitent des ressources computationnelles et une empreinte mémoire importante, cette méthode se limite à capturer et mémoriser les combinaisons de contrastes massifs présents dans une image ou une séquence d’images (panoramiques ou non). Ces
combinaisons de contrastes sont encodées et stockées dans un vecteur de seulement 15 000 bits (Gattaux et al., 2025, 2026), appelé MBON (Mushroom Body Output Neurons, en référence aux structures neuronales des insectes). Chaque MBON agit comme une mémoire visuelle compacte, codant l’essence d’une scène sans stocker les détails superflus. Lors de la phase de rappel en mémoire, une nouvelle image est encodée selon le même principe, puis comparée au(x) MBON(s) mémorisé(s). Un indice de familiarité est alors calculé, quantifiant la similarité/familiarité entre la signature de l’image courante et les signatures visuelles stockées en mémoire. Ce mécanisme permet à un robot de reconnaître un lieu déjà exploré avec une précision remarquable, tout en utilisant des ressources matérielles et énergétiques extrêmement réduites. Cette approche, à la fois économe et robuste, ouvre la voie à des systèmes de navigation autonome adaptés aux environnements contraints, où la sobriété et l’efficacité sont critiques.
Il s’agira d’adapter la chaîne de traitement visuel minimaliste pour mémoriser des chemins visuels plus longs et plus variés accessibles par un robot à pattes.

Profil recherché

Cette thèse pluridisciplinaire requiert de très bonnes connaissances dans plusieurs des domaines suivants :
- Compétences en robotique, vision par ordinateur, automatique, modélisation dynamique, traitement du signal ou apprentissage automatique.
- Expérience en programmation (Python, Matlab) et en manipulation de données expérimentales.
- Intérêt pour la bio-inspiration, la cognition animale, la robotique mobile ou les systèmes autonomes.

Le/la candidat(e) devra être titulaire d'un :

- Master ou diplôme d'ingénieur en robotique, ou/et en IA, ou/et en informatique, ou/et en informatique embarquée, ou/et en vision par ordinateur ou/et en mécatronique.

Votre Environnement de Travail

La personne recrutée sera employée au CNRS en CDD pour 3 ans dans le laboratoire Lab-STICC UMR6285 (https://labsticc.fr/) sur le site de l'ENSTA (https://www.ensta.fr/) sur le campus de Brest et inscrite en thèse dans l'École Doctorale SPIN (https://ed-spin.doctorat-bretagne.fr/).

La thèse se déroulera dans le cadre du projet ANR Ant'noid ( https://anr.fr/Projet-ANR-24-CE33-0218 )

!! Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR. !!

Informations complémentaires

Les candidatures doivent être déposées sur le portail du CNRS (fichier au format PDF) et comporter impérativement :

- un CV détaillant les connaissances et expériences dans les thématiques du sujet ;
- une lettre de motivation indiquant votre motivation et votre intérêt pour ce poste ;
- les relevés de notes détaillés des différentes années de licence/master ou d'ingénieur ;
- les coordonnées complètes et fonctions de 2 personnes de référence (p. ex. responsable de stage ou de formation) que nous contacterons directement.

Les candidatures seront examinées au fur et à mesure jusqu'à ce que le poste soit pourvu. La date de début du contrat, prévue en octobre 2026, peut être légèrement flexible.

Pour toute question, veuillez contacter F. Ruffier : franck.ruffier@cnrs.fr

Rémunération et avantages

Rémunération

2300,00 € brut mensuel

Congés et RTT annuels

44 jours

Pratique et Indemnisation du TT

Pratique et indemnisation du TT

Transport

Prise en charge à 75% du coût et forfait mobilité durable jusqu’à 300€

À propos de l’offre

À propos du CNRS

Le CNRS est un acteur majeur de la recherche fondamentale à une échelle mondiale. Le CNRS est le seul organisme français actif dans tous les domaines scientifiques. Sa position unique de multi-spécialiste lui permet d’associer les différentes disciplines pour affronter les défis les plus importants du monde contemporain, en lien avec les acteurs du changement.

Le CNRS

Les métiers de la recherche