Ingénieure en Électrique & Microélectronique | Systèmes Embarqués | Doctorante

Conduit une recherche appliquée sur le Non-Intrusive Load Monitoring (NILM) pour l'efficacité énergétique résidentielle et industrielle, combinant systèmes embarqués, traitement du signal et Edge AI pour la détection de défauts.

• Développement d'approches hybrides de clustering et FHMM pour le NILM, déployées sur Raspberry Pi 5.
• Conception d'un modèle de deep learning pour la prédiction des échanges de puissance en microréseaux intelligents.
• Déploiement de modèles d'inférence accélérée matériellement sur FPGA Ultra96-V2 via Vitis AI et le DPU B1600.
• Présentation des travaux au workshop NTRICS'2026 avec publication évaluée par les pairs, remportant le Best Pitch Award et le prix Poster (top 3).

Développement et validation de modèles de simulation pour analyser la consommation énergétique des appareils domestiques intelligents.

• Conception de modèles de simulation MATLAB/Simulink pour la prédiction de consommation d'énergie.

Intégration à une équipe de conception FPGA pour développer la logique DSP d'un système radar automobile 77 GHz (ADAS).

• Conception et implémentation d'une logique DSP sur FPGA en VHDL pour un système radar automobile.
• Optimisation des algorithmes FFT et CFAR pour une détection précise des cibles.
• Validation fonctionnelle RTL via simulations MATLAB et testbenches VHDL avant implémentation matérielle.

Développement d'un système embarqué temps réel pour l'attribution de tâches utilisant RFID.

• Conception et implémentation d'un système embarqué temps réel d'attribution de tâches utilisant RFID et Arduino en C/C++.
• Réalisation de l'interfaçage matériel/logiciel et la validation bas niveau.