Malgré les résultats encourageants obtenus en simulation, plusieurs verrous subsistent avant une intégration dans des systèmes de communication réels : maîtrise de la complexité de calcul, exécution sur des plateformes embarquées à ressources limitées, consommation énergétique, latence et validation dans des environnements représentatifs des futurs réseaux 6G.

L’objectif du stage est d’étudier le potentiel des techniques de Deep Joint Source-Channel Coding pour les systèmes de communication de nouvelle génération et d’évaluer leur faisabilité sur des plateformes embarquées. Dans un premier temps, le stagiaire réalisera une analyse de l’état de l’art afin d’identifier les architectures Deep JSCC les plus pertinentes ainsi que les métriques utilisées pour caractériser leurs performances. Sur cette base, un modèle de référence sera implémenté et évalué dans un environnement de simulation permettant de reproduire différents scénarios de transmission.

Dans un second temps, l’accent sera mis sur le déploiement embarqué de la solution sur une plateforme NVIDIA Jetson. Le stagiaire étudiera les possibilités d’optimisation du modèle pour répondre aux contraintes de calcul, de mémoire et de consommation énergétique propres aux systèmes embarqués. Les performances seront analysées selon plusieurs critères, notamment la qualité de reconstruction des données transmises (PSNR, SSIM, métriques perceptuelles), la robustesse vis-à-vis des conditions du canal, la latence d’exécution, le débit obtenu ainsi que la consommation énergétique de la plateforme.

 Enfin, la solution développée sera intégrée dans une chaîne de transmission existante afin de valider expérimentalement son fonctionnement dans un environnement plus représentatif d’un système réel. Les résultats obtenus seront comparés à ceux d’une chaîne de communication conventionnelle afin d’identifier les bénéfices et les limites de l’approche Deep JSCC dans la perspective d’une utilisation au sein des futurs réseaux. Cette étude devra aboutir à un démonstrateur fonctionnel ainsi qu’à une analyse complète des compromis entre qualité de transmission, complexité de calcul et efficacité énergétique.

Au-delà des performances classiques de transmission, ce travail ouvrira également la réflexion sur la problématique d’alignement sémantique. En effet, les approches Deep JSCC et les communications sémantiques visent non seulement à transmettre fidèlement des signaux, mais également à préserver le sens de l’information entre l’émetteur et le récepteur. Une question centrale est alors de garantir que les représentations apprises par les modèles profonds restent cohérentes avec la tâche ou l’information utile attendue par le destinataire, malgré les perturbations du canal et les contraintes de compression. Cette problématique d’alignement sémantique constitue aujourd’hui un axe de recherche émergent et stratégique pour les systèmes de communication intelligents de prochaine génération.

Le candidat idéal est un étudiant Master 2, avec une spécialisation en télécommunications, réseaux sans fil, traitement du signal, intelligence artificielle ou systèmes embarqués. Il devra posséder des bases solides en communications numériques, notamment en codage source, codage canal, modulation, propagation radio et modélisation de canaux de transmission. Une bonne compréhension des enjeux associés aux futurs réseaux 5G avancés et 6G, tels que l’efficacité spectrale, la robustesse aux variations du canal, la latence et la sobriété énergétique, sera particulièrement appréciée.
Le candidat devra également avoir de bonnes compétences en apprentissage profond et en programmation scientifique. La maîtrise de Python est attendue, ainsi qu’une expérience avec des bibliothèques telles que PyTorch. Des connaissances en traitement d’images et en évaluation de la qualité de reconstruction, à travers des métriques comme PSNR, SSIM ou des métriques perceptuelles, constitueront un atout important. Une première expérience dans l’implémentation, l’entraînement et l’évaluation de modèles de deep learning serait fortement souhaitée.
Compte tenu de l’objectif de déploiement sur plateforme embarquée NVIDIA Jetson, le candidat devra montrer un intérêt pour les systèmes embarqués, l’optimisation de modèles et les contraintes matérielles. Des connaissances en accélération GPU, CUDA, TensorRT, quantification, compression de modèles ou optimisation de l’inférence seraient un plus. Une sensibilité aux problématiques de consommation énergétique, de mémoire, de débit et de latence est également importante pour mener à bien l’évaluation expérimentale de la solution.
Le candidat devra être capable de réaliser une analyse bibliographique rigoureuse afin d’identifier les architectures Deep Joint Source-Channel Coding les plus pertinentes et de comprendre leurs avantages par rapport aux chaînes de communication conventionnelles. Il devra ensuite être en mesure d’implémenter un modèle de référence, de le tester dans différents scénarios de transmission simulés, puis de l’intégrer dans une chaîne de transmission réelle ou proche du réel.
Au-delà des compétences techniques, le profil recherché devra faire preuve d’autonomie, de curiosité scientifique, de rigueur expérimentale et d’un bon esprit d’analyse. La capacité à comparer objectivement différentes approches, à interpréter les résultats obtenus sera essentielle. Le candidat devra également être capable de documenter son travail, de présenter clairement ses résultats et d’échanger avec une équipe de recherche.
Ce stage s’adresse donc à un candidat motivé par la recherche appliquée, souhaitant travailler à l’interface entre apprentissage profond, télécommunications et systèmes embarqués pour contribuer au développement de technologies de communication de nouvelle génération.