IA embarquée pour la surveillance du spectre RF

Sciences pour l'ingénieur Stage - IA embarquée pour la surveillance du spectre RF H/F Ce stage porte sur le développement d’une solution d’IA embarquée pour la surveillance du spectre radiofréquence et la détection automatique d’anomalies (intrusions, brouillage, interférences). L’objectif est de concevoir des modèles de deep learning, notamment des auto-encodeurs, capables d’analyser des signaux RF et des spectrogrammes en conditions réalistes. Après une phase de simulation et de validation algorithmique, le système sera intégré sur une plateforme embarquée NVIDIA Jetson pour un fonctionnement temps réel. Le projet aboutira à un démonstrateur dédié à la sécurisation des communications sans fil, avec des applications en détection d’intrusions et de brouilleurs. IA embarquée pour la surveillance du spectre RF : détection d’intrusions et de brouillage par réseaux de neurones profonds Le spectre radiofréquence est aujourd’hui un espace critique, de plus en plus dense et exposé à des perturbations intentionnelles ou non (interférences, brouillage, intrusions). La capacité à détecter automatiquement des comportements anormaux dans ce spectre est devenue un enjeu majeur pour les systèmes de communication modernes, notamment dans les domaines de la sécurité, de la vidéo-surveillance sans fil ou encore des réseaux mobiles. L’objectif de ce stage est de concevoir et d’implémenter une approche basée sur l’intelligence artificielle pour la détection d’anomalies dans des signaux radiofréquences, en s’appuyant sur des architectures de deep learning, et en particulier des auto-encodeurs et réseaux de neurones profonds. Le travail se déroulera en trois grandes phases : 1. État de l’art et analyse bibliographique Une première phase consistera à étudier les approches existantes de détection d’anomalies dans le domaine RF et plus largement dans les signaux temporels et spectrogrammes. Une attention particulière sera portée aux méthodes non supervisées et auto-supervisées (auto-encodeurs, modèles de représentation latente). 2. Simulations et validation algorithmique Dans un second temps, des simulations numériques seront mises en place afin de générer des scénarios réalistes de signaux RF (trafic normal + anomalies). Ces données permettront de concevoir, entraîner et évaluer différents modèles de détection d’anomalies basés sur le deep learning. 3. Implémentation embarquée et démonstrateur Une phase d’intégration sera réalisée sur une plateforme matérielle de type NVIDIA Jetson Orin, couplée à des cartes d’acquisition radio rapide. L’objectif est de démontrer le fonctionnement en temps réel d’un système de surveillance du spectre capable de détecter des comportements anormaux. Un démonstrateur final illustrera les capacités du système dans des cas d’usage concrets MATLAB, PYTHON, C/C++ Compétences recherchées (au moins 3 parmi la liste) Deep learning (PyTorch / TensorFlow) Traitement du signal RF Auto-encodeurs et apprentissage non supervisé Simulation de données numériques Systèmes embarqués (NVIDIA Jetson) Traitement temps réel et optimisation GPU