Architecture prédictive d'intégration conjointe pour le contrôle optimal de plusieurs capteurs IoT dans le cadre d'une étude bioacoustique 3D de la faune par essaims. // Joint Embedding Predictive Architecture for Optimal Control of Multiple IoT Sensors f

Réf ABG-139239
ADUM-75208 Sujet de Thèse
22/05/2026
Université de Toulon
Lieu de travail
Marseille - Provence-Alpes-Côte d'Azur - France
Intitulé du sujet
Architecture prédictive d'intégration conjointe pour le contrôle optimal de plusieurs capteurs IoT dans le cadre d'une étude bioacoustique 3D de la faune par essaims. // Joint Embedding Predictive Architecture for Optimal Control of Multiple IoT Sensors f
Champs scientifiques

• Informatique

Mots clés
Apprentissage auto-supervisé acoustique, Représentation latente pour contrôle sous-marin, Observabilité, Modélisation latente des dynamiques ROV, Navigation basée sur hydrophones
Acoustic self-supervised learning, Latent representation for underwater control, Observability, Latent modeling of ROV dynamics, Hydrophone-based navigation

Description du sujet

Cette thèse est proposée dans le cadre des travaux du Centre international d'Intelligence Artificielle en Acoustique Naturelle (CIAN), hébergé par l'Université de Toulon (UTLN) au sein du LIS (UMR 7020 CNRS) -- https://cian.lis-lab.fr.

Nous cherchons à aborder deux problématiques de bioacoustique en se reposant sur les approches dites "Joint Embedding Predictive Architectures" (JEPA) (LeCun 2022, 2025, Bagatella 2026) :

A) Localisation passive de source : Un bateau/ROV muni d'hydrophones doit localiser une source acoustique inconnue (cétacé, véhicule). Le JEPA apprend une représentation reliant signatures acoustiques et positions relatives puis le "planner" choisit des actions maximisant l'information (active sensing) afin que le système converge vers la source sans modèle explicite de propagation préalable.

B) Suivi de cible acoustique mobile : Dans le cas d'un suivi (autre drone, animal marin, etc.) : le modèle latent capture la dynamique relative, la planification anticipe les mouvements futurs. Grâce à JEPA, le contrôle reste robuste malgré les pertes de signal temporaires.

Contrairement aux approches traditionnelles basées sur la reconstruction (autoencodeurs, world models pixel-level), les JEPA apprennent à prédire des représentations latentes abstraites. Cette propriété les rend particulièrement adaptées aux tâches de contrôle où l'objectif n'est pas de reconstruire fidèlement le monde, mais d'en extraire les variables pertinentes pour l'action. Notre objectif sera donc de faire jouer à ces représentation le rôle de l'espace d'état d'un système de contrôle de sorte à nous reposer sur les méthodes de cette discipline.

This thesis is proposed as part of the research conducted at the International Center for Artificial Intelligence in Natural Acoustics (CIAN), hosted by the University of Toulon (UTLN) within the LIS (UMR 7020 CNRS)- https://cian.lis-lab.fr.

We seek to address two bioacoustic challenges by leveraging the so-called "Joint Embedding Predictive Architectures" (JEPA) approaches (LeCun 2022, 2025, Bagatella 2026):
A) Passive source localization: A boat/ROV equipped with hydrophones must locate an unknown acoustic source (e.g., a cetacean or a vehicle). The JEPA learns a representation linking acoustic signatures to relative positions, and the 'planner' then selects actions that maximize information (active sensing) so that the system converges toward the source without requiring a prior explicit propagation model.
B) Mobile acoustic target tracking: In the case of tracking (another drone, a marine animal, etc.), the latent model captures the relative dynamics, and the planning component anticipates future movements. Thanks to JEPA, control remains robust despite temporary signal loss.
Unlike traditional reconstruction-based approaches (autoencoders, pixel-level world models), JEPAs learn to predict abstract latent representations. This property makes them particularly suited for control tasks where the objective is not to faithfully reconstruct the world, but to extract the variables relevant to the action. Our objective will therefore be to utilize these representations as the state space of a control system, allowing us to leverage established methods from that discipline.

Début de la thèse : 01/10/2026
WEB : https://ed548.univ-tln.fr/contrats-doctoraux-de-luniversite-de-toulon/

Nature du financement

Précisions sur le financement

Financement d'un établissement public Français

Présentation établissement et labo d'accueil

Université de Toulon

Etablissement délivrant le doctorat

Université de Toulon

Ecole doctorale

548 Mer et Sciences

Profil du candidat

Diplomé.e Master Informatique IA, Robotique, Mécatronique, ou Traitement du signal.
Master's degree in Computer Science, AI, Robotics, Mechatronics, or Signal Processing.
Date limite de candidature
02/06/2026
Partager via