Ingénieure Électronique · Systèmes Embarqués

Intégration d'un projet de développement d'une balance ruche connectée pour contribuer à la fois à la conception électronique et au développement embarqué.

• Conception et routage du PCB complet sous KiCad, du schéma électronique au routage des pistes en respectant les contraintes DRC et en générant les fichiers de fabrication.
• Développement et validation en C embarqué d'une machine d'états (FSM) pour la gestion des commandes AT via modules HL78xx (UART), avec réécriture en architecture orientée interruptions et tests sur cible.
• Implémentation et debug des protocoles I²C et SPI pour l'interfaçage des capteurs, en effectuant l'analyse avec un analyseur logique.
• Collaboration étroite avec les équipes firmware et hardware (Silicon Labs) jusqu'à la recette finale du produit.

Participation à l'instrumentation et l'analyse de protocoles propriétaires d'équipements complexes, sans documentation disponible.

• Décodage d'un protocole propriétaire par rétro-ingénierie et capture réseau (Wireshark), en identifiant complètement les trames de contrôle.
• Développement d'une librairie Python orientée objet pour automatiser le pilotage de l'équipement et assurer la reproductibilité des tests.
• Rédaction de la documentation technique associée aux travaux d'analyse et d'automatisation.

Implémentation et validation d'un algorithme de traitement temps réel sur FPGA dans un contexte académique de fin d'études.

• Implémentation et validation d'un filtre de Kalman LQG en VHDL pour le traitement temps réel.
• Synthèse et mise au point du design sur une carte FPGA Red Pitaya via Vivado, en résolvant les violations de timing.

Conception et validation d'un système temps réel de reconnaissance de motifs basé sur un réseau de neurones implémenté sur FPGA.

• Implémentation et vérification d'un réseau de neurones artificiel (ANN) en VHDL sur FPGA pour la reconnaissance de motifs en temps réel.
• Conduite du flow complet de la spécification au test sur cible matérielle.
• Validation de l'intégration hardware/software en pilotant un contrôleur moteur temps réel via le réseau de neurones validé.

Contribution au développement d'une solution domotique intelligente intégrant une détection gestuelle en temps réel.

• Entraînement et intégration d'un modèle Machine Learning pour la reconnaissance gestuelle dans un contrôleur embarqué temps réel.
• Tests fonctionnels sur une large plage de cas d'usage.