ESEO-Tech est le centre de Recherche, Developpement et Innovation de l'ESEO. L'activité de recherche est centrée sur la thématique des systèmes intelligents et communicants, du capteur à la décision.
ESEO-Tech regroupe 4 équipes de recherche : AGE : Automatique et Génie électrique prend appui sur le développement des énergies renouvelables (EnR) dans le paysage de la production d’énergie électrique et travaille au pilotage et à l’optimisation des réseaux électriques intelligents, en partenariat avec l’IREENA – EA 4642, Institut de recherche en Énergie Électrique de Nantes Atlantique. ERIS : L'équipe de Recherche en Informatique et Systèmes s’articule avec un premier axe autour de l'intelligence artificielle pour créer et améliorer des systèmes d'aide à la décision pour les systèmes d'information. Son deuxieme axe s'interesse à l'ingénierie logicielle et en particulier l'ingénierie des modèles en développant des outils de transformation, synchronisation, interprétation ou éxécution de modèles avec un focus particulier sur les systèmes embarqués. L'équipe est partiellement rattachée au LERIA-EA2645 (Laboratoire d’étude et de recherche en informatique de l’Université d’Angers). GSII : Groupe Signal Image et Instrumentation s’intéresse aux domaines du traitement du signal et de l’image et de l’intelligence artificielle pour la mesure, l’instrumentation et le développement de capteurs, sur des applications en géophysique, contrôle non destructif et biomédical, en lien avec le LAUM UMR 6613 –CNRS, le laboratoire d’Acoustique de Le Mans Université. RF-EMC : L'équipe Radio-Fréquences et Compatibilité Électromagnétique travaille à la fois à l’échelle du composant électronique et du système. Elle crée de nouvelles architectures de systèmes et dispositifs de transmission, de récupération/transmission d’énergie électromagnétique et mène des travaux sur la compatibilité électromagnétique : modélisation et caractérisation prédictive des comportements. Ses membres sont associés à l’IETR - Institut d’Electronique et des Technologies du numérique UMR CNRS 6164.
Le laboratoire accueille 35 permanents, dont 27 enseignants-chercheurs, qui élaborent dans leurs domaines respectifs de nouveaux concepts, expérimentent et mènent leurs projets jusqu’à la démonstration en environnement réel. ESEO-Tech accueille également chaque année une trentaine de doctorants et post-doctorants. |
Mots clés
Simulation
Apprentissage par Renforcement
Machine Learning
Closed-form solution
Near field
Action
Model-checking
Microstrip
Diagnosis
Calibration
Concrete
Chaos
Radio frequency
Temperature distribution
Temperature measurement
Integrated circuits
Coda Wave Interferometry
IEC
Structural health monitoring
Modeling
Anticontrol of chaos
Transcutaneous oximetry
Dairy cows
Nonlinearity
Symmetry
Super-Twisting Sliding Mode Control
Field-to-line coupling
Optimal command
FDTD
Model Driven Engineering
Aging
Damage detection
Immunity
OCL
Entropy
Switching piecewise-constant controller
Immunity testing
IDM
Active Front Steering
Active transformation
Thoracic outlet syndrome
DPI
Pathophysiology
Calf pain
Monitoring
PCB
Capacitors
Integrated circuit modeling
Initial conditions
Bandits-Manchots Combinatoires
Accelerometer
Genetic algorithm
Field-to-trace coupling
Cable shielding
Susceptibility
Emission
Equations
Modélisation
Reliability
Microembolus
Conducting materials
Vehicle dynamics
Instrument
UML
Acoustoelasticity
Malan
Modelling
IC
Sleep apnea
Bifurcation
Ultrasound
Artefact rejection
Autonomous Vehicles
Accelerometry
Accelerométrie
MDE
Classification
Integrated circuit
Interaction
Metamaterial
Model transformation
Full-wave simulation
Ischemia
Prediction
Claudication
Big Data
Independent chaotic attractors
Mapping
Malai
Optimization
Pins
EMC
Systèmes embarqués
Peripheral artery disease
GTEM cell
Electromagnetic compatibility
Cardiovascular risk
Machine learning
Binary sequence
Analytical model
|
|
Nos dernières publications
-
Jaber Al Rashid, Mohsen Koohestani, Laurent Saintis, Mihaela Barreau. Degradation and Reliability Modeling of EM Robustness of Voltage Regulators Based on ADT: An Approach and A Case Study. IEEE Transactions on Device and Materials Reliability, 2024, 24 (1), pp.2-13. ⟨10.1109/TDMR.2023.3340426⟩. ⟨hal-04334074⟩
-
Lokesh Devaraj, Qazi Mashaal Khan, Alastair Ruddle, Alistair Duffy, Richard Perdriau, et al.. Improvements Proposed to Noisy-OR Derivatives for Multi-Causal Analysis: A Case Study of Simultaneous Electromagnetic Disturbances. International Journal of Approximate Reasoning, 2024, 164, pp.109068. ⟨10.1016/j.ijar.2023.109068⟩. ⟨hal-04301458⟩
-
Nathan Fradet, Nicolas Gutowski, Fabien Chhel, Jean-Pierre Briot. Byte Pair Encoding for Symbolic Music. The 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP 2023), Association for Computational Linguistics, Dec 2023, Singapore, Singapore. pp.2001-2020, ⟨10.18653/v1/2023.emnlp-main.123⟩. ⟨hal-03976252v2⟩
-
Nathan Fradet, Nicolas Gutowski, Fabien Chhel, Jean-Pierre Briot. Impact of time and note duration tokenizations on deep learning symbolic music modeling. 24th Conference of the International Society for Music Information Retrieval (ISMIR) 2023, Augusto Sarti; Fabio Antonacci; Mark Sandler, Nov 2023, Milano, Italy. pp.89-97, ⟨10.5281/zenodo.10265229⟩. ⟨hal-04147659⟩