STAGE - Détection et débruitage de trains croiseurs en LIDAR ferroviaire

Publiée le 13/11/2025

Description de l'employeur

Description de l'employeur / Contexte :

SNCF Réseau est la filiale de SNCF chargée de la gestion (exploitation, maintenance, aménagement) des infrastructures ferroviaires en France. La complexité et la diversité que représente ce patrimoine ferroviaire nécessite le recours à des méthodes informatisées, afin d'accompagner les agents mainteneurs dans leur travail. Dans ce contexte de transformation digitale, la division MATRICE au sein de SNCF Réseau a pour mission de développer de nouvelles solutions grâce à l'utilisation de nouvelles technologies telles que la science des données, le BIM ou le traitement de données 3D LIDAR et d'adresser ainsi les nombreuses problématiques liées à la supervision de ce patrimoine.

Ce stage s'effectuera au sein de l'équipe Data 3D et Patrimoine dans la division MATRICE. L'équipe est chargée du développement de nouvelles solutions dans la maintenance et le suivi du patrimoine ferroviaire, grâce à l'exploitation de données 3D LIDAR (Light Detection and Ranging : détection et estimation de distance par la lumière). Ces données 3D sont obtenues grâce à des engins de surveillance (trains ESV) dotés de capteurs permettant une modélisation des gares et des voies sous forme de nuages de points qui sont ensuite récupérés puis traités par l'équipe.

Description du poste

Description du poste :

Avec 33 000 km de lignes SNCF Réseau assure la gestion d'un des réseaux ferrés les plus important d'Europe. Ce patrimoine nécessite une maintenance et un entretien sans faille pour garantir la sécurité des équipements, du personnel et des voyageurs. C'est pourquoi SNCF Réseau effectue quotidiennement, à l'échelle du réseau, des opérations d'inspection et de surveillances des installations.

Désormais, pour atteindre l'excellence opérationnelle pour la maintenance du réseau SNCF souhaite établir un jumeau numérique ferroviaire, c'est-à-dire une modélisation virtuelle des infrastructures du réseau. Ceci permettra de connaître numériquement en permanence l'état du réseau.

Toutefois, l'obtention de cette fine connaissance du réseau nécessite l'acquisition de données régulière et exhaustive à l'échelle du réseau. Pour cela SNCF Réseau et ses partenaires déploient quotidiennement des solutions aériennes (drones, hélicoptères), ferroportées (Engins de Surveillance de la Voie (ESV)) et terrestres équipés de capteurs LIDAR offrant un scan très dense en information là où les vecteurs passent. Cela permet de reconstruire avec précision des environnements en 3D sous forme de nuage de millions voire milliards de points.

De manière générale ces nuages de points denses (cf. Figure 1) permettent d'établir après traitements de nombreux livrables cartographiques.

Experte en traitement de données, MATRICE exploite quotidiennement des nuages de points acquis par voie terrestre et ferroviaire pour répondre aux besoins de ses clients externes, mais aussi internes.

Les trains croiseurs

Les sujets traités au sein de l'équipe Data 3D consistent en différentes problématiques répondant directement aux besoins métiers, notamment la reconnaissance de divers objets spécifiques aux environnements ferroviaires afin d'en dresser l'inventaire et de permettre de l'asset management. Pour ce faire, les engins de surveillance de la voie (ESV) circulent directement sur les voies principales qu'empruntent les trains avec voyageurs. Lors des acquisitions LIDAR, il arrive que les ESV croisent ces trains circulant sur les voies adjacentes à leur passage. Cela représente une source de bruit non-négligeable, dans la mesure où ces trains ne sont scannés que partiellement, rendant l'exploitation de leur nuage de points impossible et non-représentative. Ces cas surviennent tout au long du réseau ferré et sont difficilement prévisibles. Par ailleurs, ces trains croiseurs sont des structures denses, générant des cas d'obstruction sévères. Enfin, la nature imprévisible des points capturés sont des sources d'erreur dans les algorithmes employés dans les différents sujets de reconnaissance des objets d'intérêt, qui se basent principalement sur les configurations géométriques de ces objets et d'apprentissage automatique sur leur forme générale.

Objectifs :

L'objectif de ce stage est dans un premier temps de développer un système fiable capable de détecter si un tel cas est présent ou non dans un nuage quelconque en milieu ferroviaire. Une fois ce système validé, un recensement des nuages de points concernés ainsi qu'une géolocalisation précise des anomalies serait établie. Enfin, une étape finale impliquant un algorithme distinguant cette structure par rapport à la scène serait implémenté dans le but de filtrer ces points problématiques, et permettre au nuage en question d'être davantage exploitable dans les travaux de l'équipe.

Le stagiaire serait amené à réfléchir à différentes méthodes pour traiter ces problèmes, de les implémenter et de les tester sur des données réelles. Différentes approches allant de calculs géométriques, de détection d'anomalies, et potentiellement d'apprentissage sont envisageables, et une réflexion sera conduite sur l'approche la plus adaptée. Des questions autour de l'optimisation des algorithmes développés seront également nécessaires.

Quelques liens et références utiles pour appréhender la donnée 3D et sa classification :

· Introduction à la manipulation de nuage de points : https://betterprogramming.pub/introduction-to-point-cloud-processing-dbda9b167534

· Données 3D ferroviaire : https://www.data.gouv.fr/fr/datasets/nuage-de-points-3d-des-infrastructures-ferroviaires

· Introduction à la Random Forest : https://builtin.com/data-science/random-forest-algorithm

Profil recherché

Profil recherché :

§ Étudiant(e) en école d'Ingénieur ou Master (M1) en mathématiques-informatique, intelligence artificielle, ou domaine connexe

Ce stage s'adresse aux élèves souhaitant acquérir une première expérience en développement et traitement de nuages de points. Une connaissance a priori des nuages de points est appréciée, mais le cas échéant le/la stagiaire sera amené(e) à être formé(e).

Connaissances spécifiques

§ De bonnes bases en langages de programmation (C++ et Python) sont nécessaires

§ Des compétences en machine learning sont appréciées

§ Curiosité, autonomie, et bonnes capacités analytiques et de réflexion algorithmique

Rétribution et avantages

Tous nos métiers sont ouverts aux personnes en situation de handicap.

Salaire

Gratification en fonction du niveau d'études

2025-012740