Les technologies RADAR ont gagné en intérêt ces dernières années, notamment avec l'émergence des radars MIMO et des 'Imaging Radars 4D'. Cette nouvelle génération RADAR offre des opportunités mais aussi des défis pour le développement d'algorithmes de perception. Les algorithmes traditionnels comme la FFT, le CFAR et le DOA sont efficaces pour la détection de cibles en mouvement, mais les nuages de points générés sont encore trop épars pour une modélisation d'environnement précise. C’est une problématique cruciale pour les véhicules autonomes et la robotique.
Cette thèse propose d'explorer des techniques de Machine Learning non-supervisé pour améliorer la modélisation d'environnement à partir de données RADAR. L'objectif est de produire un modèle d'environnement plus riche, avec une meilleure densité et description de la scène, tout en maîtrisant le coût calculatoire pour une exploitation en temps réel. La thèse abordera les questions du type de données RADAR sont les plus adaptés en entrée des algorithmes ainsi que pour représenter l’environnement. Le candidat devra explorer des solutions algorithmiques non-supervisées et rechercher les optimisations de calcul pouvoir rendre ces solutions compatibles avec le temps réel.
Ces solutions devront à terme être conçues pour être embarquées au plus proche du capteur, afin d'être exécutées sur des cibles contraintes.