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 :
- 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).
- 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.
- 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
Moyens / Méthodes / Logiciels
MATLAB, PYTHON, C/C++
Profil du candidat
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
Localisation du poste Site
Grenoble
Localisation du poste
France
Ville
Grenoble
Critères candidat Langues
- Français (Intermédiaire)
- Anglais (Intermédiaire)
Diplôme préparé
Bac+5 - Master 2
Formation recommandée
Signal
Possibilité de poursuite en thèse
Oui
Demandeur Disponibilité du poste
18/01/2027