Description

Freelance en Vision par Ordinateur, Annotation de Données et Robotique Mobile, j’accompagne les entreprises dans la création de datasets de qualité et le développement de systèmes IA et robotiques fiables.

J’ai une solide expérience en annotation d’images et vidéos (CVAT) : détection, tracking, segmentation sémantique 2D, ainsi que l’annotation de nuages de points 3D LiDAR pour la segmentation et la compréhension de scènes complexes. J’ai participé à la construction de modèles IA (YOLO, détection, anti-fraude, reconnaissance d’objets) utilisés en production.

En robotique mobile, j’ai travaillé sur des stacks avancées : ROS2, Nav2, SLAM 2D/3D, OctoMap, cartographie 3D, planification de trajectoire, évitement d’obstacle, fusion de capteurs (LiDAR 3D, caméras 3D, IMU, GPS, tachymètre), ainsi que sur des développements embarqués (STM32).

👉 Je combine rigueur dans l’annotation, expertise en perception 2D/3D, et maîtrise des systèmes autonomes, pour livrer des solutions IA et robotiques efficaces, exploitables et adaptées aux besoins terrain.

Languages

English
Native or bilingual
French
Fluent

Workplace preferences

Can work on-site

Paris (up to 50km), Lyon (up to 50km), Toulouse (up to 50km), Marseille (up to 50km)

Mo-Ka Paris
Freelancer
TECH
January 2025 - July 2025 (6 months)
Paris, France
Mission : Prestation en Data Annotation & Entraînement de modèles IA – Startup spécialisée en vision par ordinateur

Rôle & responsabilités:

- Collaboration avec l’équipe technique pour optimiser les jeux de données, améliorer la qualité des annotations et valider la performance des modèles entraînés.
CVAT Python YOLO excel Linux
Segula Matra Automotive Brognard,
Ingénieur-stagiaire R&I en Robotique, mécatronique et Systèmes Embarqués
AUTOMOBILE
April 2024 - October 2024 (6 months)
France
Thème: Robots terrestre holonome, utilisation d'une cartographie 3D pour de la gestion de trajectoire

Rôle & responsabilités:

- Examiner l'ensemble des travaux réalisés sur le robot omnidirectionnel via ROS2.
- Analyser la littérature existante en comparant les approches de pointe et les capteurs les plus adaptés pour développer une cartographie 3D pour visualiser l'environnement du robot.
- Créer un environnement voxelisé 3D en implémentant une OctoMap 3D avec un LiDAR 3D.
- Générer des transformations statiques et dynamiques (TF2). Filtrer le sol et l'altitude du robot afin d'éviter leur projection ultérieure dans une carte 2D.
- Projeter les voxels 3D filtrés dans une carte d'occupation 2D et générer une carte exploitable.
- Calibrer l'IMU en mode statique pour améliorer la précision des données.
- Améliorer la localisation du robot en intégrant un filtre de Kalman étendu (EKF), fusionnant les données d'odométrie et de l'IMU.
- Configurer le plugin SmacPlannerLattice comme serveur de planification dans Nav2.
- Intégrer la carte 2D projetée comme plugin Custom Costmap dans Nav2.
ROS C++ Capteurs STM32 Sensor Fusion
Laboratoire de Recherche en Robotique, Parallélisme et Systèmes Embarqués (LRPE) à l'USTHB Algiers,
Ingénieur-stagiaire en Robotique et Systèmes Embarqués
AVIATION AND AEROSPACE
March 2020 - October 2020 (7 months)
Algeria
Thème: Détection et identification d'une personne spécifique en utilisant Deep Learning CNN pour les applications de drones en Temps-Réel

Rôle & responsabilités:
- Contrôle de la stabilité d'un drone avec Sliding mode et Backstepping Control, éventuellement analyser les résultats obtenues.
- Préparation de l'architecture software et assurer la compatibilité idéale sous ROS.
- Implémentation efficace et robuste d'un Perceptron Multi-Couches (MLP) pour la poursuite.
- Mise en place d'un algorithme YOLO-v3 tiny de détection/identification visuelle de la cible.
- Simulation du comportement du drone avec Gazebo Simulator et faire des expériences en temps réel afin d'améliorer les performances.
YOLO ROS Gazebo drone CNN