Hoang Long DUONG

Navigation visuelle d'un drone urbain sans GNSS

Stage R&D · Astek Research Network · Toulouse, France

Dans un environnement urbain dense, les signaux GNSS (GPS) subissent de fortes dégradations à cause du canyon urbain et des multi-trajets, rendant la géolocalisation classique peu fiable. Ce projet de recherche vise à évaluer les performances d'un dispositif de perception multi-caméras latérales embarqué sur micro-drone, exploitant les façades d'immeubles comme références visuelles pour se géolocaliser sans dépendre du GPS. J'ai réalisé l'état de l'art sur l'odométrie visuelle multi-caméras, formalisé les verrous scientifiques du problème, développé la modélisation analytique de deux approches d'estimation de position, puis conçu un simulateur numérique en Python permettant de caractériser la sensibilité du système via une analyse Monte-Carlo. La validation expérimentale est menée sur des images réelles et des flux vidéo de scènes urbaines pour confronter les performances théoriques aux conditions opérationnelles.

Résultats de simulation L'analyse Monte-Carlo a validé la cohérence du modèle avec la théorie : l'écart entre les résultats simulés et le comportement théorique reste < 5% sur toute la plage étudiée. L'étude paramétrique met en évidence la sensibilité du modèle vis-à-vis de ses différents paramètres, permettant de réduire significativement l'erreur d'estimation de position en régime opérationnel.

Détails techniques soumis à confidentialité (C2 · Diffusion Contrôlée).

Perception & IA embarquée pour véhicule autonome

Projet PGE · UPSSITECH & autOCampus & IRIT · Toulouse, France

Développement d'un véhicule autonome connecté (VACOP) intégrant perception multi-capteurs, localisation précise, cartographie dynamique et téléopération 5G, sur plateforme embarquée NVIDIA Jetson Orin NX 16 GB. En tant que membre de l'équipe Perception, j'ai participé à l'intégration d'un pipeline d'inférence IA temps réel — détection d'objets (YOLO), segmentation de zone roulable (TwinLiteNet), classification de feux tricolores, le tout optimisé TensorRT FP16 — et au prototypage d'un nœud ROS 2 de fusion LiDAR-Caméra pour l'estimation 3D des obstacles à destination du planificateur de trajectoire Nav2. L'architecture logicielle est entièrement containerisée (Docker / Docker Compose) et communique via ROS 2 Humble.

Pipeline automatisé d'analyse morphologique 3D

Stage · Vectory3 · Voorburg, Pays-Bas

Développement d'un pipeline automatisé permettant de déterminer la taille de vêtement optimale d'un utilisateur à partir d'un scan 3D corporel issu d'un scanner propriétaire. Le système extrait automatiquement les mesures anatomiques clés (hauteur, largeur, circonférences, volume) sur une zone d'intérêt du modèle 3D, puis les compare à des grilles de tailles standardisées pour recommander la taille la plus adaptée à la morphologie. Ma contribution principale a porté sur la conception et le développement d'un add-on Blender en Python assurant la calibration automatique du modèle dans l'espace, la détection de la zone d'intérêt et l'extraction des mesures — via des algorithmes géométriques (sections horizontales, détection d'îlots, convex hull 2D, analyse vectorielle d'orientation, calcul de volume par approche différentielle) orchestrés par un système de tâches pas-à-pas. En parallèle, j'ai mis en place l'intégration cloud AWS de bout en bout : stockage des scans .obj sur S3, déclenchement automatique du traitement via Lambda (événement ObjectCreated), exécution du script Blender en mode console sur EC2, et persistance des mesures dans DynamoDB. Applications : textile sur mesure, lingerie technique, vêtements adaptatifs.

Assistant Culinaire Intelligent — Interaction vocale & IA générative

Projet d'intégration · UPSSITECH · 5A SRI mineure Interaction · Toulouse, France

Conception et développement d'un assistant conversationnel d'accompagnement culinaire combinant Rasa (gestion du dialogue et NLU), l'API OpenAI (génération de recettes personnalisées) et une interface web Streamlit intégrant une interaction vocale bidirectionnelle — Speech-to-Text via un composant Push-to-Talk et Text-to-Speech pour la lecture des réponses — permettant une utilisation mains-libres en cuisine. Ma contribution s'inscrit dans un travail d'équipe de 4 étudiants sur l'ensemble de la chaîne : conception du pipeline NLU (intents, slots, entités, stories, règles conversationnelles), intégration des actions Python côté Action Server pour la génération de recettes via OpenAI, développement du module d'interaction vocale et de l'interface Streamlit, orchestration multi-services (Rasa API, Action Server, UI).

Inflat3D — Surveillance de la posture par capteurs IMU

Projet TER · UPSSITECH & Vectory3 · Toulouse, France

Conception d'un système embarqué de surveillance de la posture du dos en temps réel, dans le cadre d'un projet TER encadré par Vectory3. Le projet global vise à concevoir une aide pneumatique corrigeant automatiquement la posture d'un utilisateur (application médicale, aide à la personne). Ma contribution s'inscrit sur le volet mesure et interaction utilisateur : intégration de deux capteurs inertiels IMU (Arduino Nano 33 BLE / IoT) placés sur le haut et le bas du dos, communication Bluetooth Low Energy avec Bleak (Python), calcul temps réel de l'écart angulaire entre les deux capteurs par produit scalaire des vecteurs d'accélération normalisés, comparaison à une posture de référence calibrée avec seuils cliniques mis à jour toutes les 0,5 s. Développement d'une IHM Python (Tkinter) affichant l'angle temps réel, une simulation visuelle par segments articulés, un statut de posture (couleur + alerte sonore) et des contrôles (Start / Calibrer / Stop). Persistance des sessions en SQLite et développement d'une application web Streamlit pour la visualisation différée des sessions (courbe Δ angle en fonction du temps, pourcentage de posture incorrecte).

Robot mobile autonome — Explorateur & suivi visuel

Projet Fil Rouge · UPSSITECH · 1A SRI · Toulouse, France

Conception et développement complet d'un robot mobile autonome capable d'explorer son environnement, de suivre des objets colorés par vision par ordinateur et d'obéir à des commandes vocales, dans le cadre du projet Fil Rouge de 1ère année. Le robot combine plusieurs modalités d'interaction : cartographie temps réel de l'environnement via LiDAR, suivi dynamique d'objets par traitement d'image (OpenCV), reconnaissance de commandes vocales via microphone embarqué, contrôle manuel à distance depuis une interface web, et streaming vidéo et capteurs en temps réel. L'architecture est full-stack : frontend Angular pour le contrôle et la visualisation, backend Flask pour la communication et le traitement des capteurs, embarqué Raspberry Pi + Arduino pour l'interfaçage avec les actionneurs et le pilotage bas niveau. Contribution en équipe sur l'ensemble de la chaîne, de la mécatronique à l'interface utilisateur.