Description

La prolifération des débris spatiaux en orbite basse terrestre (LEO) constitue une menace sérieuse pour les satellites, les missions habitées et les constellations orbitales. Les systèmes actuels de surveillance des débris, opérés depuis le sol, entraînent des délais qui compromettent l’efficacité des manœuvres d’évitement de collisions [1]. Les approches actuelles en intelligence artificielle, en particulier celles basées sur l’apprentissage profond, manquent de transparence et d’interprétabilité, ce qui limite leur adoption pour les opérations spatiales critiques nécessitant une justification claire des décisions prises [2]. Cette thèse vise à développer une solution d’intelligence artificielle embarquée neuro-symbolique explicable permettant l’évitement autonome et en temps réel des débris spatiaux à bord des satellites. Ce travail répond directement à l'impératif stratégique de renforcer l’autonomie et la sécurité des satellites, bénéficiant ainsi significativement aux acteurs du secteur aérospatial. Le candidat acquerra des compétences spécialisées en intelligence artificielle avancée, systèmes embarqués et mécanique orbitale, essentielles pour des fonctions de leadership dans le domaine aérospatial.

Compétences requises

Programmation orientée objet : Java, Matlab, Python (maîtrise indispensable, particulièrement Python). Compétences en intelligence artificielle avancée : Réseaux neuronaux, GNN. Compétences scientifiques et techniques complémentaires : Familiarité avec les systèmes embarqués et les architectures matérielles (FPGA, SoC). Qualités personnelles attendues : Capacité à travailler de façon autonome et en équipe multidisciplinaire. Bonne maîtrise de l’anglais technique et scientifique, à l’écrit comme à l’oral.

Bibliographie

[1] Svotina, V. V., & Cherkasova, М. V. (2023). Space debris removal–Review of technologies and techniques. Flexible or virtual connection between space debris and service spacecraft. Acta Astronautica, 204, 840-853.
[2] Choumos, G., Tsaprailis, K., Lappas, V., & Kontoes, C. (2024). Artificial intelligence for a safe space: data and model development trends in orbit prediction and collision avoidance. In AIAA SCITECH 2024 Forum (p. 2066).
[3] Singh, G., Kumar, V., Buduru, A. B., & Biswas, S. K. (2024). Tracking an untracked space debris after an inelastic collision using physics informed neural network. Scientific Reports, 14(1), 3350.
[4] Xu, S. (2023). A Framework for Generating Dangerous Scenes: Towards Explaining Realistic Driving Trajectories. University of California, Santa Cruz.
[5] Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Yu, P. S. (2020). A comprehensive survey on graph neural networks. IEEE transactions on neural networks and learning systems, 32(1), 4-24.
[6] Cuomo, S., Di Cola, V. S., Giampaolo, F., Rozza, G., Raissi, M., & Piccialli, F. (2022). Scientific machine learning through physics–informed neural networks: Where we are and what’s next. Journal of Scientific Computing, 92(3), 88.

Mots clés

IA Embarquée , représentation Neuro-Symbolique