ALTAMETRIS est une filiale de SNCF Réseau prenant la suite du Pôle Drones, entité d’I&P (Ingénierie et Projets) de

SNCF Réseau dont le périmètre d’activités couvre la collecte et le traitement de données adaptés aux besoins de ses
clients, notamment SNCF. La collecte est assurée grâce à des moyens agiles (drones, hélicoptères, etc.) embarquant à
bords de nombreux capteur (notamment photo et LIDAR (LIght Detection and Ranging : détection et estimation de
distance par la lumière)). Afin de traiter efficacement ces données, ALTAMETRIS développe ses propres solutions
logicielles pour répondre aux besoins de ses clients.

Ce stage s’effectuera au sein de l’équipe d’ALTAMETRIS SUITE chargée de développer et de déployer ces nouvelles
solutions.

Coordonnées Fonction chez ALTAMETRIS Responsabilité dans le stage

Luc PERRIN Ingénieur géomètre Encadrant ou Directeur
[email protected] Product Owner (si stage à Paris)
Pierre ASSALI Ingénieur-docteur géomètre Encadrant ou Directeur
[email protected] Responsable usine logicielle (si stage à Lyon)
Antoine GOMES Ingénieur en informatique
Encadrant
[email protected] Expert intelligence artificielle
Antoine MANIER Ingénieur en informatique
Encadrant
[email protected] Doctorant en IA

Siège social ALTAMETRIS : 21 avenue du Stade de France, 93210 La plaine Saint-Denis

Possibilité d’effectuer le stage dans l’antenne Lyonnaise au 132 rue Bossuet, 69006 LYON

Ce stage s’adresse aux élèves en fin d’études d’un cursus master 2 en informatique. De bonnes bases en langages
informatiques (C++/Python/R avec une préférence pour ces deux derniers) sont nécessaires. Par ailleurs des
connaissances en statistiques et probabilités sont requises. Une spécialisation dans les méthodes par apprentissage
(machine learning) est souhaitée.

Durée du stage souhaitée : 6 mois

Période souhaitée : Février – Aout 2021

Environ 1000 € mensuel + Tickets restaurants

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 digitalement en permanence l’état du réseau.

Illustration du retour d’onde d’une émission aérienne LIDAR, [Kashani et al., 2015]

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 ALTAMETRIS 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 vecteurs passent. La technologie LIDAR est une technique de mesure
de distance à très haute fréquence basée sur l’analyse du retour d’onde d’impulsions laser (cf. Figure 1). Placée sur un
mobile dont la trajectoire est connue, elle 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. ) permettent d’établir après traitements de nombreux
livrables cartographiques. Modèle Numériques de Terrain (MNT) pour analyse de pentes (cf. ), plans
topographiques pour travaux de tous genres, profils et coupes pour études de gabarits (cf. ), etc.
Experte en collecte et traitement de données, ALTAMETRIS exploite quotidiennement des nuages de points acquis par
voie terrestre, ferroviaire ou aérienne pour répondre aux besoins de ses clients et notamment SNCF Réseau.

Pour transformer les données ainsi acquises en connaissance exploitable par le mainteneur, plusieurs traitements sont
envisagés selon le besoin (cartographie 2D ou 3D des éléments ferroviaires, analyse topologique des zones relevées,
etc.).
La classification de nuages de points tridimensionnels bruts a pour vocation l’apport d’information de bas niveau
permettant une automatisation complète ou partielle des traitements finaux. Elle consiste à attribuer à chaque point
du nuage, selon la nature de l’objet auquel il appartient, l’information correspondante (cf. Figure 5). Par exemple une
classification des points des infrastructures ainsi que ceux de la végétation environnante rendent possible une analyse
du risque végétation (cf. Figure 6). Ainsi, on cherchera à classifier le sol, les rails, la végétation, les bâtiments, les
poteaux caténaires, les câbles de tension, etc.
Une classification de qualité est aujourd’hui nécessaire pour ALTAMETRIS pour la bonne confection des MNT, ainsi
que des analyses de danger de la végétation sur les infrastructures.
L’essor récent des méthodes à apprentissage dans le domaine du traitement de l’image a engendré ces dernières
années des progrès considérables dans des domaines semblables, notamment dans le traitement de nuages de points.
Des méthodes d’apprentissage profond sont adaptées avec succès au domaine de la classification 3D [1]. Les récents
résultats de l’état de l’art suggèrent que le domaine entre dans sa phase de maturation industrielle.
Les approches de classification traditionnelles (semi-automatiques, géométriques, déterministes, complétées par des
reprises manuelles) actuellement utilisées au sein d’ALTAMETRIS doivent pouvoir bénéficier des dernières évolutions
technologiques en la matière [2] [3] [4].
Ce stage est adossé aux travaux de thèse de M. Antoine MANIER sur le développement d’une solution de classification
automatique de nuages pour SNCF Réseau en partenariat avec l’ONERA. L’étudiant(e) est invité à prendre
connaissance du sujet de cette thèse : http://www.theses.fr/s223418

L’objectif de ce stage est d’accompagner le développement d’une méthode de classification de nuage de points
3Dbasée sur de l’apprentissage profond. Les classes d’intérêt sont entre-autre le sol, la végétation, les bâtiments, les
infrastructures ferroviaires, avec différenciation des composants (poteaux, câbles, armoires, balises, etc.). Les données
proviennent d’acquisitions lasergrammétriques dynamiques aériennes, ferroportées et parfois terrestre statiques. Le
stage s’articule en deux volets.
Un premier, opérationnel, consiste à enrichir et formaliser une base de données classifiée servant aux entrainements
et tests de classification. Ces travaux seront valorisés par la production d’un jeu de données de référence émanant de
plusieurs protocoles de captation (aérien, ferroviaire, etc.). L’objectif est de fournir une base de comparaison
représentative, standardisée et exportable afin de permettre, à terme, à différents acteurs de comparer les
performances de méthodes existantes tout en garantissant leur conformité aux cas d’usage industriels.
Un deuxième, expérimental, vise à tester la solution sur différents environnements (gare de triage, ligne à grande
vitesse, forêts, etc.) et sur diverses sources de données (aérienne, ferroportée, terrestre statique, etc.). Cette étape
servira à démontrer des résultats préliminaires de classification, à déterminer les limites de la méthode ainsi qu’à
valider les choix émanant du volet précédent.
Les deux axes s’apportant mutuellement, ils seront, du mieux possible, explorés en parallèle durant le stage.
Un poste de travail complet sera mis à disposition du stagiaire, avec accès aux vastes jeux de données qu’il sera
opportun de valoriser pour réaliser l’entrainement des réseaux de neurones. Par ailleurs l’étudiant(e) pourra user de
tous les outils (notamment TerraSolid 1 et les librairies pdal pour la classification semi-automatique de nuages de
points) ainsi que la plateforme Azure de cloud computing de Microsoft).
Il pourra aussi s’appuyer sur l’expertise d’ALTAMETRIS quant à la donnée d’entrée (nuages de points 3D – consistance,
précision, manipulation), aux techniques d’intelligence artificielle et à la pratique du code en projet.
Une courte bibliographie recensant quelques méthodes est mise à disposition dans ce document. Elle pourra
permettre à l’étudiant(e) de se familiariser avec le domaine avant le début du stage.
De la donnée 3D ferroviaire est disponible en open-source à ce lien: https://www.data.gouv.fr/fr/datasets/nuage-de-
points-3d-des-infrastructures-ferroviaires. Elle peut facilement être visualisée à l’aide du logiciel libre CloudCompare2.

L. Tchapmi, C. Choy, I. Armeni, J. Gwak et S. Savarese, «Segcloud: Semantic segmentation of 3d point clouds,»
chez 2017 International Conference on 3D Vision (3DV), Qingdao, China, 2017.

C. R. Qi, S. Hao, K. Mo et L. J. Guibas, «Pointnet: Deep learning on point sets for 3d classification and
segmentation,» chez 2017 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu,
HI, USA, 2017.

Z. Zhang, B.-S. Hua et S.-K. Yeung, «ShellNet: Efficient Point Cloud Convolutional Neural Networks Using Concentric
Shells Statistics,» chez 2019 IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, Korea, 2019.

A. Boulch, «ConvPoint: Continuous convolutions for point cloud processing,» Computers & Graphics, vol. 88, pp.
24 - 34, 2020.