H/F Doctorant en calcul et systèmes embarqués pour le biologging et l'écologie

Les changements du comportement d’un animal peuvent être révélateurs des évolutions intrinsèques de l’animal (e.g. âge, état reproducteur, état de santé) ou de sa réponse à l’environnement et à ses changements (e.g. réponses aux activités humaines). Pour cette raison, l’étude du comportement animal est devenue centrale dans de nombreux travaux d’écologie scientifique ou en gestion et conservation de la faune. Ces études ont été grandement facilitées ces dernières décennies par le développement du biologging, i.e. le déploiement de capteurs directement sur l’animal. Ces biologgers sont devenus de plus en plus petits, plus économes en énergie, et embarquent de plus en plus de capteurs capables d’enregistrer une diversité de variables d’intérêts : localisation par GPS, activité mesurée à haute fréquence grâce aux accéléromètres, quelquefois son ou image. L’analyse des données collectées a également bénéficié de développements importants à travers des modèles d’apprentissage machine de complexité croissante, des modèles d’arbres de décisions (e.g. xgboost) aux modèles d’apprentissage profond de l’intelligence artificielle par exemple. Cependant, à l’heure actuelle, l’analyse des données ne peut souvent être réalisée qu’une fois les capteurs récupérés. Le besoin de récupérer le biologger pour accéder aux données génère un long délai entre la pose de celui-ci et la possibilité d’analyser les données. La situation actuelle est problématique : il est souhaitable d’avoir des capteurs frugaux, économes en énergie, ayant une durée de vie prolongée, mais ceci retarde d’autant l’analyse des données. Face à cet état de fait, les écologues souhaiteraient pouvoir travailler avec des capteurs fonctionnant sur du temps long et transmettant les données à distance, permettant de travailler avec ces données rapidement, voir même permettant lorsque cela est utile d’avoir une approche ‘réactive’ permettant d’ajuster les suivis ou les expérimentations, et dans le cadre de gestion/conservation la mise en place de mesures d’interventions si nécessaire. Les développements techniques et statistiques récents laissent entrevoir la possibilité de réaliser des capteurs ‘intelligents’ qui analysent en temps-réel les larges volumes de données collectées par les divers capteurs d’un biologger et produisent des métriques pertinentes, ou directement des classifications du comportement, informations qui elles peuvent-être transmise plus aisément que les données brutes et ainsi permettre une analyse bien avant d’avoir récupéré le capteur. Ce traitement de la donnée à la périphérie (egde computing) permettrait de rapprocher l’analyse et les études du temps de la collecte des données par les capteurs d’ajuster les suivis aux observations, et également de développer des approches de surveillance basées sur des animaux ‘sentinelles’ permettant la détection d’anomalies ou d’évolutions inquiétantes. Le contexte de la thèse proposée ici est de s’emparer de cette problématique de capteur ‘intelligents’ communicants.
Des verrous méthodologiques sont à lever : les modèles embarqués de traitement de données doivent être le moins complexes possibles pour limiter le calcul et la consommation d'énergie du biologger, mais suffisamment performants pour être utiles. Cette utilité étant liée au coût spécifique à chaque application d’obtenir des faux positifs ou négatifs. Il n’y a donc pas de solution unique – qu’aurait pu s’approprier de manière indépendante l’ingénierie électronique et logicielle – aux problèmes évoqués dans l’état de l’art. Le travail doit donc absolument être interdisciplinaire pour apporter des solutions réalistes.
L’objectif de la thèse est donc d’interroger la plus-value de l’edge computing, en cherchant le cas échéant à dépasser la preuve de concept pour offrir de nouvelles approches de suivi du comportement animal. Le ou la doctorante aura à charge de mettre en œuvre des solutions de complexité croissante : (1) Une solution correspondant à certains biologgers actuels qui transmettent la donnée brute, ou ‘résumée’, pour être analysée hors du capteur ; le travail pourra se concentrer sur les approches de compression de données dans un contexte d’efficacité de transmission longue distance. Cette étape nous permettra d’établir une base de comparaison pour l’étude des solutions 2 et 3 ; (2) Une solution dans laquelle la donnée est analysée dans le capteur à l’aide d’un modèle pré-entrainé (i.e. le capteur réalise une inférence à partir du modèle et des données juste acquises), correspondant à l’approche la plus classique en edge computing; la classification comportementale étant ensuite transmise ; (3) Une solution dans laquelle le capteur apprend lui-même à détecter les anomalies ou évolutions, réalisant ainsi un ‘auto-apprentissage’, potentiellement basé sur une classification non-supervisée pour se passer de la nécessité d’obtenir des données d’apprentissage (par exemple grâce à des self-organizing maps), une contrainte forte pour le développement de modèles pour les solutions (1) et (2). Ces différentes solutions seront mises en œuvre à travers des développements nécessairement concertés en électronique et logiciel embarqué, en intégrant des réflexions sur le choix des modèles d’analyse des données et du fonctionnement de l’ensemble de la chaîne animal - biologger - plateforme usager. La frugalité de l’ensemble de la chaîne sera considérée. Cette phase de l’étude sera aussi l’occasion de mettre à l’épreuve des technologies émergentes en matière d’IA embarquée, avec notamment l’apparition très récente de microcontrôleurs faible-consommation qui embarquent des accélérateurs neuronaux matériels (Neural Processing Unit) et qui n’ont pas encore fait l’objet d’une investigation dans le contexte du biologging. Des phases de tests de prototypes en laboratoire mais également sur le terrain auront naturellement lieu durant cette période. Chaque fois qu’une solution aura mené à un prototype fiable, nous entamerons des études pilotes pour tester la solution envisagée en situation d’usage réel.

Profil recherché :

• Expertise en machine learning embarqué
• Bonne maitrise des langages C et Python
• Une expertise en électronique sera considérée favorablement
• Sensibilité pour le sujet d’écologie traité dans la thèse

Références : [1] Berger-Tal & Saltz, eds. 2016. Conservation behavior: applying behavioral ecology to wildlife conservation and management. Cambridge University Press. [2] Candolin et al. 2023. Animal behaviour in a changing world. Trends in Ecology & Evolution 38: 313-315. [3] Nickel et al. 2021. Energetics and fear of humans constrain the spatial ecology of pumas. PNAS 118 :e2004592118. [4] Whitford & Klimley. 2019. An overview of behavioral, physiological, and environmental sensors used in animal biotelemetry and biologging studies. Animal Biotelemetry 7:1-24. [5] Nathan et al. 2022. Big-data approaches lead to an increased understanding of the ecology of animal movement. Science 375:eabg1780. [6] Mao et al. 2023. Deep learning-based animal activity recognition with wearable sensors: Overview, challenges, and future directions. Computers and Electronics in Agriculture 211: 108043. [7] Nuijten et al. 2020. Less is more: On‐board lossy compression of accelerometer data increases biologging capacity. Journal of Animal Ecology 89 :237-247. [8] Yu et al. 2024. Edge computing in wildlife behavior and ecology. Trends in Ecology & Evolution 39:128-130. [9] Morelle et al. 2023. Accelerometer-based detection of African swine fever infection in wild boar. Proceedings of the Royal Society B 290:20231396. Méthode Résultats attendus - Expected results Références bibliographiques [10] Rast et al. 2024. Death detector: Using vultures as sentinels to detect carcasses by combining bio‐logging and machine learning. Journal of Applied Ecology 61:2936-2945. [11] Arablouei et al. 2023. Multimodal sensor data fusion for in-situ classification of animal behavior using accelerometry and GNSS data. Smart Agricultural Technology 4:100163. [12] Trotta et al. 2023. Optimizing IoT-based Human Activity Recognition on Extreme Edge Devices. IEEE International Conference on Smart Computing (SMARTCOMP) (pp. 41-48).