Dans les Stations de Récupération des Ressources de l'Eau (StaRRE), il est courant d'utiliser des capteurs en ligne à haute fréquence, permettant aux opérateurs de surveiller les processus de traitement en temps réel et de prendre des décisions proactives pour corriger les paramètres de qualité de l'eau si nécessaire. Ces capteurs peuvent également être employés pour surveiller la qualité de l'eau des rivières, fournissant des données précieuses pour une gestion efficace des cours d'eau. Cependant, les études et outils actuels pour l'évaluation de la qualité des données sont généralement basés sur des modèles computationnels qui nécessitent un réglage manuel des paramètres des outils. L'objectif de ce projet de maîtrise est de développer de nouveaux outils en appliquant les principes fondamentaux de l'apprentissage automatique, permettant ainsi à un modèle computationnel de s'auto-ajuster, à partir des données suffisantes, tout en minimisant l'intervention d'un expert. Un nouveau modèle basé sur les Réseaux Neuronaux Artificiels à Mémoire à Court et Long Terme (LSTM en anglais) a été développé, capable de détecter et de remplacer les valeurs aberrantes ou les pannes mineures de capteurs, en traitant l'ensemble des jeux de données brutes tout au long du processus de suivi. Cela est suivi par une étape de calcul des caractéristiques des données, qui quantifie la fiabilité des données selon trois paramètres statistiques calculés en comparant les jeux de données brutes et les prédictions LSTM. Les modèles ont été entraînés en utilisant des données collectées à partir de la station de traitement pilote installée à l'Université Laval et des données de suivi d'une StaRRE et des rivières acquises en partenariat avec le Service public de l'assainissement francilien (SIAAP) en France, où le produit logiciel final sera déployé. Les résultats présentés ont démontré de bonnes performances en ce qui concerne l'élimination des valeurs aberrantes et la quantification de la fiabilité pour la majorité des jeux de données testés. Un guide d'utilisation et des observations générales issues de toutes les études de cas ont été présentés dans les discussions écrites. / In wastewater resource recovery facilities (WRRF), it is common to utilize high-frequency sensors, enabling plant operators to monitor treatment processes in real-time and take proactive decisions to correct water quality as needed, if necessary. These sensors can also be employed to monitor river water quality, providing valuable data for effective river management. However, current studies and tools for data quality assessment are typically based on computational models that require manual tuning of their parameters. The objective of this master's project is to develop new tools by applying machine learning fundamentals that enable a computational model to tune itself, given sufficient data, while minimizing the need for expert intervention. A new model based on Long Short-Term Memory (LSTM) Artificial Neural Networks was developed, capable of detecting and replacing data outliers or small sensor failures, treating entire raw datasets throughout the monitoring process. This is followed by a data feature calculation step, which quantifies data reliability according to three statistical parameters calculated from the comparison of raw datasets and LSTM predictions. The models were trained using data collected from the pilot WRRF installed at Université Laval, and WRRF and river monitoring data acquired in partnership with the *Service public de l'assainissement francilien* (SIAAP) in France, where the final software product is to be deployed. The presented results demonstrated good performance regarding outlier removal and reliability quantification across the majority of datasets tested. A usage guideline and general observations from all case studies are presented in the written discussions.

Cette thèse s’inscrit dans le cadre de la disposition CIFRE entre la société Robert Bosch et l’Université de Caen Normandie au sein du laboratoire GREYC puis LAC. Elle comprend deux volets, l'un étant à caractère fondamental et porte sur la synthèse d'observateurs. Quant à l'autre volet, il est à caractère plus appliqué et porte sur la mise en œuvre d’un réseau de capteurs et assurer l’acheminement des informations provenant de ces derniers. Ce dernier est effectué au moyen du réseau, qu’il soit câblé ou sans fil.Dans le premier volet de l'étude, on s'est intéressé à une classe assez générale de systèmes temps-variant et affines en l'état, dont la sortie est mesurée avec un retard et échantillonnée. La nouveauté dans cette classe de systèmes est double :(i) l'équation d'état est sujette à une injection du signal de sortie et se retrouve de ce fait dépendante des sorties futures qui sont indisponibles;(ii) les sorties futures interviennent, au niveau de l'équation d'état, non seulement sous la forme usuelle d'une fonction indépendante de l'état, mais aussi à travers la matrice d'état ellemême qui, de ce fait, apparaît comme une quantité inconnue du modèle.Ces deux nouveautés du modèle entrainent en fait la perte du caractère « affine en l'état » de ce dernier et font que l'on se retrouve confronté à un problème de synthèse d'observateurs jamais résolu antérieurement. La solution que nous proposons est un observateur de type « Filtre de Kalman » augmenté d'un prédicteur inter-échantillons et d'opérateurs de saturations. Nous analysons la stabilité exponentielle du système d'erreur d'estimation d'état en utilisant le théorème du petit gain et des outils de la stabilité de Lyapunov. L'analyse met en évidence l'existence d'intervalles d'admissibilité dans lesquels doivent se situer les valeurs admissibles du retard et de la période d'échantillonnage, afin de garantir la convergence exponentielle de l'observateur.Dans le deuxième volet, nous nous intéressons à la maintenance prédictive au travers d’applications pratiques via la mise en place d’un réseau de capteurs. Le but de ce réseau est d’effectuer de la maintenance prédictive sur les équipements sensibles. Ce dernier est un composant essentiel à la mise en œuvre d’applications IoT et Industrie 4.0.Des applications de l’IoT et de l’Industrie 4.0 sur le site Robert Bosch de Mondeville sont évoqués ainsi que le développement d’un simulateur de perturbations réseau afin de tester la robustesse de la communication d’un capteur vers un client. / This thesis is part of the CIFRE agreement between the company Robert Bosch and the University of Caen Normandy in the laboratory GREYC then LAC. It consists of two parts, one which is of a fundamental nature and concerns the synthesis of observers. For the other part, it is more applied and concerns the implementation of a sensors network and ensure the routing of information from them. This is done through the network, whether wired or wireless.In the first part of the study, we looked at a fairly general class of time-varying and affine systems as they are, whose output is measured with a delay and sampled. The novelty in this class of systems is twofold:(i) the state equation is subject to an output signal injection and is therefore dependent on future outputs that are unavailable;(ii) future outputs occur at the state equation not only in the usual form of a stateindependent function, but also through the state matrix itself, which fact, appears as an unknown quantity of the model.These two novelties of the model cause in fact the loss of the "affine in the state" character of this last one, and make that one is confronted with a synthesis problem of observers never resolved previously. The solution we propose is a "Kalman filter" type observer augmented by an inter-sample predictor and saturation operators. We analyze the exponential stability of the state estimation error system by using the small gain theorem and tools of Lyapunov stability. The analysis highlights the existence of eligibility intervals in which the allowable values of the delay and the sampling period must be located in order to ensure the exponential convergence of the observer.In the second part, we are interested in predictive maintenance through practical applications via the installation of a sensor network. The purpose of this network is to perform predictive maintenance on sensitive equipment. The latter is an essential component for the implementation of IoT and Industry 4.0 applications.The purpose of this sensor network is to perform predictive maintenance on sensitive equipment. The latter is an essential component for the implementation of IoT and Industry 4.0 applications. Moreover, an observer of sampled data for affine systems in the state with output injection was studied on the basis of observers.Applications of IoT and Industry 4.0 on the Robert Bosch site in Mondeville are discussed as well as the development of a network disturbance simulator to stress the robustness of the communication of a sensor to a client.

Fruit d’un travail collaboratif entre le LAAS-CNRS de Toulouse et l’entreprise MEAS-France / TE Connectivity, ces travaux ont consisté en la mise en place d’une méthodologie permettant la réalisation de capteurs embarqués intelligents utilisant la fusion de données multi-physique pour estimer un paramètre en amoindrissant l’impact des variations environnementales.Nous explorons ici les méthodes liées à la modélisation et l’estimation de paramètres au travers des filtres de Kalman, pour les systèmes linéaires, et des filtres de Kalman étendus (EKF) et Unscented Kalman Filter pour les systèmes non-linéaires. Nous proposons ensuite des méthodes hybrides permettant d’obtenir le meilleur rapport charge de calculs/précision pour les systèmes présentant une évolution linéaire et une mesure non-linéaire.Après une étude de la complexité algorithmique des différentes solutions, nous proposons des méthodes permettant de diminuer la charge de calculs afin de satisfaire les contraintes temps-réel avec une faible puissance de calculs, telles que trouvées couramment dans les applications embarquées. La méthode développée est finalement appliquée sur deux cas applicatifs concrets : le capteur de qualité d’urée de la société MEAS-France/TE Connectivity et le capteur d’analyse du mouvement AREM développés au cours de la thèse au sein du LAAS-CNRS. / The work detailed in this document is the result of a collaborative effort of the LAAS-CNRS in Toulouse and MEAS-France / TE Connectivity during a period of three years.The goal here is to develop a methodology to design smart embedded sensors with the ability to estimate physical parameters based on multi-physical data fusion. This strategy tends to integrate sensors technologies, currently dedicated to lab measurements, in low powered embedded systems working in imperfects environments. After exploring model oriented methods, parameters estimations and Kalman filters, we detail various existing solutions upon which we can build a valid response to multi-physical data fusion problematics, for linear systems with the Kalman Filter, and for non-linear systems with the Extended Kalman Filter and the Unscented Kalman Filter.Then, we will synthesize a filter for hybrid systems, having a linear evolution model and a non-linear measurement model. For example, using the best of the two worlds in order to obtain the best complexity/precision ratio. Once we selected the estimation method, we detail computing power and algorithm complexity problematics in order to find available optimizations we can use to assess the usability of our system in a low power environment. Then we present the developed methodology application to the UQS sensor, sold by TE Connectivity, study case. This sensor uses near infra-red spectroscopy to determine the urea concentration in a urea/water solution, in order to control the nitrogen-oxyde depolluting process in gasoline engines. After a design principles presentation, we detail the model we created in order to represent the system, to simulate its behavior and to combine the measurement data to extract the desired concentration. During this step, we focus on the obstacles of our model calibration and the deviation compensation, due toworking conditions or to components aging process. Based on this development, we finally designed the hybrid models addressing the nominal working cases and the model re-calibration during the working duration of the product. After this, we presented obtained results, on simulated data, and on real-world measured data. Finally, we enhanced the methodology based on tabulated “black box” models which are easier to calibrate and cheaper to process. In conclusion, we reapplied our methodology to a different motion capture sensor, to compile all possible solutions and limits.

Cette thèse propose une méthode pour l'analyse de problèmes relevant des systèmes complexes physiques ouverts avec des systèmes multi-agents physiques. Cette méthode que nous appelons DIAMOND (Decentralized Iterative Approach for Multiagent Open Networks Design) agence quatre phases en un cycle de vie en spirale. Elle propose d'utiliser, pour le recueil des besoins, des notations d'UML mais elle structure le fonctionnement global du système via une étude de modes de marche et d'arrêt. Elle utilise le raffinement notamment entre le niveau local et le niveau global du système et assemble les comportements individuels et les comportements sociaux tout en identifiant les influences de l'un sur l'autre. Elle guide le concepteur durant la phase de conception générique en utilisant les composants comme unité opératoire. En fin de cycle, le partitionnement logiciel/matériel du système intervient et permet la génération du code ou des descriptions matérielles.<br />Il n'était pas suffisant de proposer une méthode : considérer les composants des systèmes complexes physiques comme des noeuds coopérants d'un réseau sans fil est une démarche attrayante qui peut être vue comme la traduction physique extrême de la décentralisation. De fait, des besoins spécifiques en architectures doivent être traités. Pour cela, nous proposons le modèle MWAC (Multi-Wireless-Agent Communication) qui repose sur l'auto-organisation des entités du système.<br />Ces deux contributions sont exploitées au sein de l'application EnvSys qui a pour objectif l'instrumentation d'un réseau hydrographique.

Si de nombreux aspects de notre vie sont devenus plus agréables grâce à l'utilisation de technologies avancées, il a fallu longtemps au secteur du transport pour combler son retard en la matière. Aujourd'hui, ces progrès sont devenus incontournables. Ce travail décrit la perception de l'environnement à l'avant d'un véhicule, sur la base d'un capteur stéréoscopique conçu et mis en place en s'appuyant sur le concept de capteur intelligent afin de réaliser un Attelage Virtuel.<br />Après une présentation de la problématique associée, le premier chapitre dresse l'état de l'art en matière de véhicules intelligents. Le second introduit la notion de capteur intelligent et présente les approches de conception que nous mettons en application pour identifier les différents services et fonctionnalités que doit intégrer ce capteur stéréoscopique intelligent pour contribuer à la réalisation de la tâche de l'Attelage Virtuel.<br />Le dernier chapitre expose la réalisation du capteur stéréoscopique. Nous y détaillons les problèmes que posent l'application de la stéréovision au domaine des transports et les solutions que nous y avons apportées. Ainsi, sont évoquées les difficultés posées par la phase de calibration, l'extraction en temps réel des zones d'intérêt et le problème de certification des données obtenues. Le respect des contraintes temporelles nous a conduit à mettre en œuvre un dispositif d'extraction et de tracking. Les performances de chacun des modules constitutifs de notre capteur sont étayées par des résultats expérimentaux obtenus en situation réelle. Enfin, nous présentons une technique permettant le suivi du véhicule avec une seule caméra.

Ce travail explore des solutions afin d'améliorer la reconnaissance des gestes de la main à l'aide de signaux électromyographiques. Grâce aux prothèses myoélectriques, cette technologie a le potentiel de transformer la vie des amputés des membres supérieurs. Malheureusement, les prothèses myoélectriques disponibles sur le marché peinent à reproduire fidèlement les gestes de la main, car il est complexe de déduire l'intention de l'utilisateur à partir de l'activité musculaire mesurée, particulièrement entre différentes utilisations de la prothèse. Pour adresser ce problème, ce travail présente une solution logicielle permettant, à l'aide d'un nouveau capteur flexible d'électromyographie haute densité (HD-EMG) à 64 électrodes, de renforcer la robustesse de la détection contre différentes sources de variations. Cette innovation repose sur l'introduction d'une approche d'augmentation des données par décalage circulaire (ABSDA) couplée à un réseau de neurones à convolution (CNN) et une version anticrénelée (AA-CNN) permettant d'améliorer la robustesse de la classification au mouvement des électrodes et à la variabilité entre les séances. La méthode ABSDA-CNN proposée améliore significativement la précision de la reconnaissance des gestes. Ce travail examine également le potentiel de l'apprentissage machine sur graphes, un domaine émergent qui applique la théorie des graphes à l'intelligence artificielle. En utilisant cette approche pour représenter les capteurs HD-EMG sous forme de graphes, il est possible de capitaliser sur leur structure géométrique naturelle afin de construire des réseaux de neurones sur graphes (GNN) novateurs qui surpassent les réseaux à convolution traditionnels. L'introduction de ces nouvelles architectures permet d'explorer la notion d'invariance en translation des réseaux de neurones en démontrant l'importance d'apprendre la position des électrodes pour améliorer la précision de la reconnaissance des gestes Finalement, une plateforme embarquée sans fil est introduite pour réaliser de la reconnaissance de gestes en temps réel, grâce à un accélérateur Coral Tensor Processing Unit (TPU). Cette solution permet d'intégrer l'intelligence artificielle directement dans les prothèses, supprimant la dépendance à des équipements externes coûteux. Pour une meilleure flexibilité, le système propose la calibration des modèles d'inférence localement ou à distance par le biais d'un serveur. L'exploration des techniques de quantification des données à 8 bits démontre que la compatibilité matérielle peut être obtenue sans sacrifier les performances. / This work explores solutions to improve hand gesture recognition using electromyographic signals. Thanks to myoelectric prostheses, this technology has the potential to radically transform the lives of upper limb amputees. Unfortunately, the myoelectric prostheses currently available on the market struggle to faithfully reproduce hand gestures because it is complex to correctly infer the user's intention from the measured muscle activity, especially between different uses of the prosthesis. To address this problem, this work presents a software solution that, with the help of a new flexible high-density electromyography (HD-EMG) sensor with 64 electrodes, enhances the robustness of detection against various sources of variations. This innovation is based on the introduction of an array barrel-shifting data augmentation (ABSDA) coupled with a convolutional neural network (CNN) and an anti-aliased version (AA-CNN) to improve robustness to electrode movement, forearm orientation, and inter-session variability. The proposed ABSDA-CNN method significantly improves the accuracy of gesture recognition. This work also examines the potential of graph machine learning, an emerging field that applies graph theory to artificial intelligence. By using this approach to represent HD-EMG sensors as graphs, it is possible to capitalize on their natural geometric structure to construct innovative graph neural networks (GNNs) that surpass traditional convolutional networks. The introduction of these new architectures allows for the exploration of the notion of invariance to translation of neural networks by demonstrating the importance of learning electrode positions to improve gesture recognition accuracy. Finally, a wireless embedded platform is introduced for real-time gesture recognition, thanks to a Coral Tensor Processing Unit (TPU) accelerator. This solution enables the integration of artificial intelligence directly into prostheses, eliminating the dependency on expensive external hardware. For enhanced flexibility, the system offers model calibration locally or remotely via a server. Exploring 8-bit data quantization techniques shows that hardware compatibility can be achieved without sacrificing performance.

Cela fait maintenant plus de 20 ans que le prix Nobel de chimie a été attribué aux professeurs Heeger, Shirakawa et McDiarmid pour souligner leurs travaux sur le développement des polymères conducteurs. Aujourd'hui, ces polymères sont maintenant étudiés pour remplacer les matériaux les plus performants utilisés dans divers dispositifs intelligents. Dans une ère où les avancées technologiques sont en plein essor, il devient essentiel de réfléchir à des solutions pour limiter l'impact environnemental de ce développement, et les polymères conjugués font partie des alternatives les plus prometteuses. L'objectif général de cette thèse est de développer de nouveaux polymères conjugués solubles dans l'eau, autodopés, conducteurs et imprimables dans le but de les utiliser dans des dispositifs électroniques. Ce projet a été développé au sein du réseau NSERC-Green Electronics Network, qui réunit plusieurs chercheurs de tout le Canada afin de développer une nouvelle génération d'électronique verte pour l'emballage intelligent. Dans un premier temps, une large gamme de polymères autodopés et hydrosolubles a pu être synthétisée. Ces matériaux ont été préparés par polymérisation par (hétéro)arylation directe et ont permis d'atteindre des conductivités allant jusqu'à 50 S/cm. Ce projet a permis d'identifier les matériaux les plus stables et les plus prometteurs pour une utilisation dans les dispositifs pour l'emballage intelligent. Par la suite, le meilleur candidat développé a été légèrement modifié afin d'obtenir un nouveau polymère conducteur soluble dans l'eau et réticulable. Ce matériau peut être imprimé et par la suite chauffé pour lui faire subir une réaction de réticulation, lui permettant d'être utilisé comme thermistor dans un détecteur de température stable pour l'emballage intelligent. Finalement, dans le dernier chapitre de cette thèse, les méthodes synthétiques des matériaux sont revisitées afin d'améliorer leurs propriétés optoélectroniques et d'obtenir des matériaux rivalisant avec des matériaux de pointe tel que l'oxyde d'indium-étain (ITO). La modification de la méthode de synthèse a permis d'améliorer considérablement les propriétés optoélectroniques des polymères. Ils ont ainsi pu être imprimés sur des substrats flexibles et ont démontré une conductivité et une transmittance se rapprochant fortement de celles de l'ITO commercial sur support plastique. / It has now been more than 20 years since the Nobel Prize in Chemistry was awarded to Professors Heeger, Shirakawa and McDiarmid to highlight their work on the development of conductive polymers. These polymers are now being studied to replace the most efficient materials used in intelligent devices. In an era where technological advances are booming, it becomes essential to think about solutions to limit the environmental impact of this development, and conjugated polymers are among the most promising alternatives. The general objective of this thesis is to develop new water-soluble, self-doped, conducting and printable conjugated polymers with the aim of using them in electronic devices. This project was developed within the NSERC-Green Electronics Network, which reunites several researchers from across Canada to develop a new generation of green electronics for smart packaging. In the first part of this thesis, a wide range of self-doped and water-soluble polymers were developed. These materials were synthesized by Direct (Hetero)Arylation Polymerization and made it possible to achieve conductivities of up to 50 S/cm. This project allowed to identify the most stable and promising materials for applications in smart packaging devices. Subsequently, the best developed candidate was slightly modified to obtain a new cross-linkable water-soluble conducting polymer. This material can be printed and subsequently heated to undergo a cross-linking reaction, allowing it to be used as a thermistor in a stable temperature detector for smart packaging. Finally, in the last chapter of this thesis, the synthetic pathway to obtain the materials is revisited to improve their optoelectronic properties in order to obtain materials that rival cutting-edge materials such as indium tin oxide (ITO). The modification of the synthesis method has made it possible to considerably improve the optoelectronic properties of the polymers. They could thus be printed on flexible substrates and demonstrated conductivity and transmittance very close to those of commercial ITO on plastic support.