« Systèmes de Jumeau Numérique pour les systèmes de production : application sur le manufacturing lab »

Doctorante : Xeniya PYSTINA 

Laboratoire INSA : DISP

École doctorale : ED512 : InfoMaths (Informatique et Mathématiques de Lyon)

Traditional production systems face major challenges in transitioning to Industry 4.0 (I4.0). These systems must quickly adapt to fluctuations in demand, supply chain disruptions, and equipment failures. Digitalizing company assets is crucial for seamless communication and data integration across value chains. This transformation requires reorganizing machines and equipment using technologies such as the Internet of Things (IoT), data analytics, and artificial intelligence. Modern production systems, incorporating I4.0 concepts, rely on advanced architectures like RAMI4.0 for designing and implementing Digital Twins (DT).
For these systems to operate effectively in smart production environments, they must meet interoperability, communication, and standardization requirements. However, consistent application of standards, such as ISO 23247, remains a significant challenge. Managing intelligent production systems involves addressing complex structural, operational, and organizational issues. A methodical, integrated approach is essential to align strategic objectives with field operations.
This research aims to develop a structured approach for designing, developing, and implementing DT systems aligned with companies' strategic visions and commercial goals in manufacturing industries. The approach ensures traceability of design attributes, data interoperability, real-time synchronization, and model accuracy, adapting standard DT definitions to meet specific business needs.
The framework is divided into two main parts: (1) Developing a DT system on a smart platform to test various scenarios, such as production order management and rescheduling, considering the production line hierarchy; and (2) Validating the conceptual framework by designing a DT system prototype. This approach provides recommendations on how to develop and use DTs to enhance production system performance and strategic objectives, addressing the challenges of modern production systems.

« Feasibility and performance of a LoRa 2.4 GHz network »

Doctorante : Gwendoline HOCHET DERÉVIANCKINE

Laboratoire INSA : CITI
École doctorale : ED512 : Informatique et Mathématiques de Lyon

Long-range (LoRa) technology and the LoRaWAN protocol, which mainly uses the sub- GHz frequency bands, subject to regional laws, have become more widely used as a result of the rise of the Internet of Things (IoT). To overcome these limitations, Semtech has released a version of LoRa dedicated to the 2.4 GHz industrial, scientific, and medical (ISM) band, which, among others, is common worldwide and has no duty-cycle limitations. However, this frequency band is already used by many wireless technologies, such as Wi-Fi and Bluetooth (BT), as well as by common devices like microwaves and surveillance cameras. It is essential to evaluate the feasibility and possible performance of this frequency shift before deploying LoRa on a large scale in the 2.4 GHz ISM band.
This thesis proposes a comprehensive experimental evaluation of LoRa technology in the
2.4 GHz ISM band, including a comparison of its communication range and reliability with the European sub-GHz band (868 MHz). We also study the coexistence of LoRa and Wi-Fi when they are overlapping transmissions. To improve the coexistence, we propose and compare several frequency hopping (FH) strategies for LoRa. Although the latter proposal is based on simulation, we also propose an original methodology for evaluating a frequency band and selecting the less noisy channels, which could facilitate the implementation of FH strategies in future LoRa 2.4 GHz gateways. Our work provides important recommendations for the deployment and expansion of LoRa in the 2.4 GHz ISM band.
 

Health Data: Exploring And Enhancing Emerging Privacy- Protection Mechanisms

Doctorant : Thomas LEBRUN

Laboratoire INSA : CITI

École doctorale : ED512 Informatique et mathématiques de Lyon

Les données de santé représentent une grande quantité d'informations, générées quotidiennement et sensibles par nature. Cependant, leur partage est essentiel pour l'avancement de la recherche et, en fin de compte, l'amélioration des soins aux patients. L’utilisation des données médicales est confrontée à des limitations dues à leur sensibilité et à la nécessité de garantir la confidentialité, encadrée par les réglementations en vigueur. Cela nécessite une protection renforcée. L’intérêt pour des alternatives au partage de données brutes, telles que la pseudonymisation ou l’anonymisation, augmente avec les besoins d’accès à des données d’apprentissage pour l’utilisation de l’intelligence artificielle, qui requiert de grandes quantités de données pour fonctionner efficacement en tant qu’assistant médical. Dans cette thèse, nous examinons de nouvelles méthodes respectant la vie privée, rendues possibles par les avancées rapides de l’intelligence artificielle. Plus spécifiquement, mon analyse porte sur l’amélioration d’alternatives à la centralisation de données sensibles : l’apprentissage fédéré, une méthode décentralisée d’entraînement des modèles d’IA sans partage de données, ainsi que de la génération de données synthétiques, qui crée des données artificielles similaires aux données réelles. Considérant l’absence de consensus pour l’évaluation de la confidentialité de ces nouvelles approches, nous avons axé notre travail sur la mesure méthodique de la fuite de confidentialité ainsi que la balance avec l'utilité des données synthétiques ou du modèle d'apprentissage fédéré. Mes travaux incluent un mécanisme pour améliorer les propriétés de confidentialité de l'apprentissage fédéré ainsi qu'une nouvelle méthode de génération conditionnelle de données synthétiques. Cette thèse vise à contribuer au développement de cadres plus robustes pour le partage sécurisé des données de santé, en conformité avec les exigences réglementaires, facilitant ainsi des innovations en matière de santé.

Unsupervised Open-World Information Extraction From Unstructured and Domain-Specific Document Collections

Doctorant : Pierre-Yves GENEST

Laboratoire INSA : LIRIS

École doctorale : ED512 : InfoMaths de Lyon

The exponential growth in data generation has rendered the effective analysis of unstructured textual document collections a critical challenge. This PhD thesis aims to address this challenge by focusing on Information Extraction (IE), which encompasses four essential tasks: Named Entity Recognition (NER), Coreference Resolution (CR), Entity Linking (EL), and Relation Extraction (RE). These tasks collectively enable extracting and structuring knowledge from unformatted documents, facilitating its integration into structured databases for further analytical processes.
Our contributions start with creating Linked-DocRED, the first large-scale, diverse, and manually annotated dataset for document-level IE. This dataset enriches the existing DocRED dataset with high-quality entity linking labels. Additionally, we propose a novel set of metrics for evaluating end-to-end IE models. The evaluation of baseline models on Linked-DocRED highlights the complexities and challenges inherent to document-level IE: cascading errors, long context handling, and information scarcity.
We then introduce PromptORE, an unsupervised and open-world RE model. Adapting the prompt-tuning paradigm, PromptORE achieves relation embedding and clustering without requiring fine-tuning or hyperparameter tuning (a major weakness of previous baselines) and significantly outperforms state-of-the-art models. This method demonstrates the feasibility of extracting semantically coherent relation types in an open-world context.
Further extending our prompt-based approach, we develop CITRUN for unsupervised and open-world NER. By employing contrastive learning with off-domain labeled data, CITRUN improves entity type embeddings, surpassing LLM-based unsupervised NERs, and achieving competitive performance against zero-shot models that are more supervised.
These advancements facilitate meaningful knowledge extraction from unstructured documents, addressing practical, real-world constraints and enhancing the applicability of IE models in industrial contexts.

Learning spatial representations for single-task navigation and multi-task policies

Doctorant : Pierre MARZA

Laboratoire INSA : LIRIS

École doctorale : ED512 Informatique Et Mathématiques de Lyon

Agir de manière autonome dans notre monde en 3 dimensions requiert un large éventail de compétences, parmi lesquelles la perception du milieu environnant, sa représentation précise et suffisamment efficace pour garder une trace du passé, la prise de décisions et l'action en vue d'atteindre des objectifs précis. Les animaux, par exemple les humains, font preuve de capacités très robustes lorsqu'il s'agit d'agir dans le monde. Ils se distinguent notamment par leur capacité à s'adapter efficacement à de nouveaux environnements dans diverses conditions (éclairage, conditions météorologiques, etc.), mais aussi à maîtriser rapidement de nombreuses tâches d'intérêt à partir de quelques exemples. Ce manuscrit étudie la manière dont les réseaux neuronaux artificiels peuvent être entrainés pour atteindre un sous-ensemble de ces capacités. Nous nous concentrerons tout d'abord sur l'entrainement d'agents neuronaux capables d'effectuer une cartographie sémantique, à la fois à partir d'un signal de supervision augmenté et avec des représentations neuronales de scènes. Les agents neuronaux sont souvent formés par apprentissage par renforcement (RL) à partir d'un signal de récompense peu dense. Guider l'apprentissage des capacités de cartographie de la scène en augmentant le signal de supervision de l'apprentissage par renforcement avec des tâches auxiliaires facilitant le raisonnement spatial aidera à naviguer plus efficacement. Au lieu d'améliorer le signal d'entraînement des agents neuronaux, nous verrons également comment l'incorporation de représentations neuronales spécifiques de la sémantique et de la géométrie dans l'architecture de l'agent peut contribuer à améliorer les performances de navigation lorsqu'il s'agit d'atteindre des objectifs sémantique spécifiques. Ensuite, nous étudierons la meilleure façon d'explorer un environnement 3D afin de construire des représentations neuronales de l'espace qui soient aussi satisfaisantes que possible sur la base de métriques pensées pour la robotique que nous proposerons. Enfin, nous passerons d'agents de navigation entraînés à généraliser à de nouveaux environnements à des agents multi-tâches et nous verrons à quel point il est important d'adapter les caractéristiques visuelles extraites des observations des capteurs à la tâche à accomplir afin de réaliser une grande variété de tâches, mais aussi d'essayer de généraliser à de nouvelles tâches inconnues à partir de quelques démonstrations seulement. Ce manuscrit abordera donc différentes questions importantes telles que : Comment représenter une scène 3D et garder une trace de l'expérience passée dans un environnement? — Comment s'adapter de manière robuste à de nouveaux environnements, à de nouveaux scénarios et potentiellement à de nouvelles tâches ? — Comment entrainer des agents à des tâches séquentielles à long terme? — Comment maîtriser conjointement toutes les sous-compétences requises? — Quelle est l'importance de la perception en robotique ?
 

Responsible production in agricultural supply chains: An impact of Information transparency

Doctorante : Qing LI

Laboratoire INSA : DISP

École doctorale : ED512 : InfoMaths (Informatique et Mathématiques de Lyon)

This thesis addresses a novel research problem in agricultural supply chains by integrating the study of responsible production with information transparency. Building on existing research in responsible production, we clarify responsible production to production efficiency, food waste reduction, and product quality improvement. Grounded in the research on information transparency, this thesis shows the specific format of information transparency in agriculture and models the characteristics of these phenomena based on the knowledge of agricultural cooperatives, blockchain technology, product traceability, quality testing, and moral hazard.

Complétion de surfaces numérisées représentant des tissus

Doctorant : Guillaume GISBERT

Laboratoire INSA : LIRIS
École doctorale : ED512 : InfoMaths (Informatique et Mathématiques de Lyon)

Dans cette thèse, nous nous intéressons au problème de la complétion de surfaces représentant des tissus. Les objets numériques sont soit créés directement virtuellement, soit scannés à partir d'objets réels. Encore aujourd'hui, la capture numérique reste imparfaite et les surfaces obtenues présentent régulireèment des trous. Dans le cas de la numérisation de vêtements, cela est d'autant plus vrai en raison de la présence de nombreux plis qui complique le processus de capture. Pour résoudre ce problème, nous proposons deux méthodes de complétion de surfaces spécifiques aux surfaces de tissus, que nous modélisons comme des surfaces développables, c'est-à-dire, dépliables dans le plan sans distorsions. La première méthode utilise des approches de géométrie variationnelle tandis que la seconde est basée sur l'apprentissage. Dans les deux cas, nous proposons d'estimer l'aire et la forme du trou en aplatissant la région entourant ce dernier dans le plan. Ceci nous permet d'en déduire les propriétés intrinsèques de la surface manquante. A partir de cette information, la première approche utilise un modèle de tissu pour replacer la géométrie sur la surface en 3D. La seconde approche entraîne un réseau à compléter des cartes de paramétrisation partielle pour reboucher la surface.

« Complétion de surfaces numérisées représentant des tissus »

Doctorante : Guillaume GISBERT

Laboratoire INSA : LIRIS

École doctorale : ED512 Infomaths (Informatique et Mathématiques de Lyon)

Dans cette thèse, nous nous intéressons au problème de la complétion de surfaces représentant des tissus. Les objets numériques sont soit créés directement virtuellement, soit scannés à partir d'objets réels. Encore aujourd'hui, la capture numérique reste imparfaite et les surfaces obtenues présentent régulièrement des trous. Dans le cas de la numérisation de vêtements, cela est d'autant plus vrai en raison de la présence de nombreux plis qui complique le processus de capture. Pour résoudre ce problème, nous proposons deux méthodes de complétion de surfaces spécifiques aux surfaces de tissus, que nous modélisons comme des surfaces développables, c'est-à-dire, dépliables dans le plan sans distorsions. La première méthode utilise des approches de géométrie variationnelle tandis que la seconde est basée sur l'apprentissage. Dans les deux cas, nous proposons d'estimer l'aire et la forme du trou en aplatissant la région entourant ce dernier dans le plan. Ceci nous permet d'en déduire les propriétés intrinsèques de la surface manquante. À partir de cette information, la première approche utilise un modèle de tissu pour replacer la géométrie sur la surface en 3D. La seconde approche entraîne un réseau à compléter des cartes de paramétrisation partielle pour reboucher la surface.

Multi-criteria optimization for the management of intensive care beds in an epidemic context

Doctorante : Fang WAN

Laboratoire INSA : DISP

Ecole doctorale : ED512 Infomaths

In this study, we explore the various challenges of healthcare resource management in the context of the COVID-19 pandemic, such as multiple uncertainties, multi-objective considerations, and diverse research subjects. The focus is on issues like medical resource allocation, priority setting, predictive models, and hyperparameter optimization. First, we conduct an in-depth investigation into intensive care units (ICU) bed allocation strategies, primarily considering how to reasonably distribute ICU beds among different patient types to maximize admission rates, patient satisfaction, and resource utilization, while maintaining scheduling stability under the influence of uncertainties. Then, Considering the upstream resources related to ICUs, especially the direct impact of operating room (OR) on ICU bed allocation, we coordinated the optimization of the OR and ICU modules. We examined the impact of OR allocation on ICU bed distribution, particularly in the context of random emergency patient arrivals. We explored how to minimize peak ICU bed demand, reduce delays in elective surgeries, and minimize healthcare staff overtime. Next, due to the random arrival of emergency patients, uncertain surgery duration, and prolonged length of stays (LOS) of patients in ICU, we first predicted emergency patient arrivals, patients' surgery durations and LOS, and then allocated ORs for both emergency and elective patients. Our goal is to provide timely emergency services and improve the utilization of ORs and ICU beds while minimizing the cancellation of elective surgeries. We also compared the performance of large language model (LLM) and traditional algorithms in the allocation of ORs and ICU beds. The performance of the models was further improved through hyperparameter optimization. Finally, we summarize the key findings of this research and provide suggestions for future research directions, particularly in improving the resilience and adaptability of medical resource management systems.

« Méthode d’aide au déploiement du système cyber-physique flexible et reconfigurable dans le contexte de l’industrie 4.0 »

Doctorant : Anthony CHEHAMI

Laboratoire INSA : LIRIS

École doctorale : ED512 Infomaths (Informatique et Mathématiques de Lyon)

Cette thèse s'inscrit dans un contexte industriel en perpétuelle évolution, caractérisé par l'émergence de l'Industrie 4.0. Elle prend pour cadre l'usine FPT de Bourbon-Lancy (FPT-BLY), spécialisée dans la production de moteurs lourds pour véhicules. Face au défi d'intégrer le nouveau moteur XC13 dans des lignes de production existantes tout en maintenant la fabrication de produits actuels. Ce cas d’étude illustre l'importance de la flexibilité et de la reconfigurabilité industrielles pour maintenir la compétitivité.
L'objectif principal de cette recherche est de développer une méthode optimale pour implémenter des systèmes de production flexibles et reconfigurables, en réponse aux défis de l'Industrie 4.0. En effet, cette révolution industrielle apporte de nouvelles méthodologies rendues possibles par les technologies avancées. La thèse se concentre sur les piliers 4.0 concernant la capacité d'auto- ajustement et d'auto-configuration du système, qui requièrent une flexibilité importante pour être efficaces et opérationnelles.
Les contributions de cette thèse s'articulent autour de l'identification, la mesure et l'optimisation de la flexibilité dans les systèmes de production. Nous avons identifié et proposé des méthodes originales de mesure individuelles pour évaluer les différents types de flexibilité et a également développé une méthode pour mesurer l'interdépendance entre ces types de flexibilité. L'objectif est d'obtenir une valeur agrégée des différentes flexibilités, afin de faciliter la prescription d’une décision optimale en cas de reconfiguration du système. Enfin, nous avons développé un modèle d’optimisation mathématique permettant d’identifier la meilleure solution d’investissement afin d’atteindre le niveau de flexibilité approprié, et de ce fait, déterminer la feuille de route de déploiement de la flexibilité. Nous avons dû explorer une grande quantité de données et d'informations de l’entreprise pour la partie expérimentation et validation de ces modèles proposés. Enfin, l'ensemble de ces propositions ont été appliqué à l'usine FPT-BLY, dans le cadre de l'intégration du nouveau moteur XC13.