STAGE - Segmentation 3D de nuages de points pour la génération automatique de maquettes BIM en zones ferroviaires denses

Publiée le 20/11/2025

Description de l'employeur

La maintenance du réseau ferroviaire de la SNCF s'appuie sur l'exploitation de données massives collectées via des systèmes LiDAR montés sur des trains. Au sein de notre section Data3D & patrimoine, nous développons des outils pour exploiter ces données au profit de différents clients métiers. Dans le cadre du projet Scan-to-BIM, nous transformons ces données en maquettes BIM de façon automatique. Cette automatisation repose sur plusieurs étapes : après les pré-traitements, nous générons des ortho-images, sur lesquelles nous effectuons la détection d'objets en 2D, puis nous caractérisons chaque objet. Les objets sont ensuite mis en correspondance avec la BiblioBIM (bibliothèque interne de modèles 3D ferroviaires), avant leur positionnement dans une maquette BIM grâce à IfcOpenShell [1]. Cette approche fonctionne bien dans la plupart des cas, mais montre ses limites en gares et zones multivoies (Figure 1), où la projection 2D entraîne une perte d'information sur la profondeur et la structure, ce qui dégrade les performances de détection et de localisation.

Description du poste

L'objectif central du stage est d'améliorer la localisation d'objets ferroviaires directement dans les nuages de points 3D, avec un accent particulier sur les zones denses telles que les gares. Il s'agit de dépasser les limites de la détection 2D en exploitant des architectures et des représentations 3D adaptées, puis d'intégrer les résultats au pipeline existant.

Missions :

· Réaliser plusieurs revues de littérature ciblées sur les approches de segmentation 3D adaptées aux scènes ferroviaires, et dégager des recommandations concrètes d'architectures [2,3,4,5] et de bonnes pratiques d'entraînement.

· Définir le schéma d'annotation (classes, conventions, niveaux d'instance) et constituer le dataset d'entraînement/validation/test représentatif des zones denses ; intégrer, si pertinent, des jeux publics compatibles et assurer la cohérence de la labellisation.

· Mettre en place un workflow d'annotation efficace avec contrôle qualité, documentation des consignes et suivi de la couverture des classes ; préparer les données (normalisation, échantillonnage, augmentations 3D).

· Développer puis améliorer les modèles 3D : partir d'une Baseline, optimiser les hyperparamètres, évaluer avec des métriques 3D (mIoU, précision/rappel, temps d'inférence) sur des cas difficiles (occlusions, forte densité).

· Intégrer les modèles validés dans le pipeline Scan-to-BIM : tests bout-en-bout sur scènes réelles.

Profil recherché

Profil recherché :

· Étudiant(e) en école d'Ingénieur ou Master (Bac +5) en mathématiques-informatique, intelligence artificielle, vision par ordinateur ou domaine connexe.

Connaissances spécifiques

· Compétences en machine learning et deep learning.

· Connaissance en traitement d'image et en mathématiques appliquées, particulièrement dans les domaines pertinents au projet (les statistiques, ou l'algèbre linéaire).

· Bonne maîtrise des outils de traitement de données et des langages de programmation tels que Python ou C++.

· Connaissance de bibliothèques telles que Pdal, opencv, PyTorch serait un plus.

· Curiosité, autonomie, et bonnes capacités analytiques et rédactionnelles.

Niveau exigé BAC + 5

Rétribution et avantages

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

Salaire

Gratification en fonction du niveau d'études

2025-012989