Hoang Long DUONG

Navigation visuelle d'un drone urbain sans GNSS

Stage R&D · Astek Research Network · Paris, France

Dans un environnement urbain dense, les signaux GNSS subissent de fortes dégradations à cause du canyon urbain et des multi-trajets, rendant la géolocalisation classique peu fiable. Ce projet de recherche vise à évaluer les performances d'un dispositif de perception multi-caméras latérales embarqué sur micro-drone, exploitant les façades d'immeubles comme références visuelles pour se géolocaliser sans dépendre du GPS. J'ai réalisé l'état de l'art, formalisé les verrous scientifiques, développé la modélisation analytique de deux approches d'estimation de position, puis conçu un simulateur numérique en Python et une analyse de sensibilité Monte-Carlo. La validation expérimentale est menée sur images réelles et flux vidéo urbains.

Résultats de simulation L'analyse Monte-Carlo a validé la cohérence du modèle avec la théorie : l'écart entre les résultats simulés et le comportement théorique reste < 5% sur toute la plage étudiée. L'étude paramétrique met en évidence la sensibilité du modèle vis-à-vis de ses différents paramètres, permettant de réduire significativement l'erreur d'estimation de position en régime opérationnel.

Perception & IA embarquée pour véhicule autonome

PGE(Projet Grande Envergure) · autOCampus · Toulouse, France

Développement d'un véhicule autonome connecté (VACOP) intégrant perception multi-capteurs, localisation précise, cartographie dynamique et téléopération 5G, sur plateforme embarquée NVIDIA Jetson Orin NX 16 GB. En tant que membre de l'équipe Perception, j'ai participé à l'intégration d'un pipeline d'inférence IA temps réel — détection d'objets, segmentation de zone roulable, classification de feux — optimisé TensorRT FP16, et au prototypage d'un nœud ROS 2 de fusion LiDAR-Caméra pour l'estimation 3D des obstacles à destination du planificateur Nav2. Architecture entièrement containerisée avec Docker et communication inter-modules via ROS 2 Humble.

Pipeline automatisé d'analyse morphologique 3D

Stage · Vectory3 · Voorburg, Pays-Bas

Développement d'un pipeline automatisé permettant de déterminer la taille de vêtement optimale à partir d'un scan 3D corporel issu d'un scanner. Ma contribution a porté sur la conception d'un add-on Blender en Python pour la calibration automatique du modèle, la détection d'une zone d'intérêt anatomique et l'extraction de mesures morphologiques (hauteur, largeur, circonférences, volume) via des algorithmes géométriques dédiés. En parallèle, j'ai mis en place l'intégration cloud AWS: stockage des scans sur S3, déclenchement automatique via Lambda, exécution Blender sur EC2 et persistance des mesures dans DynamoDB. Applications : textile sur mesure, lingerie technique, vêtements adaptatifs.

CookAssist - Assistant Culinaire Intelligent — Interaction vocale & IA générative

Projet d'intégration · UPSSITECH · 5A SRI mineure Interaction · Toulouse, France

Conception d'un assistant conversationnel d'accompagnement culinaire combinant Rasa pour la gestion du dialogue (NLU), l'API OpenAI pour la génération de recettes personnalisées et une interface web Streamlit avec interaction vocale (Speech-to-Text + Text-to-Speech) pour une utilisation mains-libres. Ma contribution, au sein d'une équipe de 4 étudiants, couvre l'ensemble de la chaîne : conception du pipeline NLU (intents, slots, entités, stories), intégration des actions Python côté Action Server pour la génération de recettes via OpenAI, développement du module d'interaction vocale et de l'interface Streamlit, et orchestration multi-services.

Inflat3D — Surveillance de la posture par capteurs IMU

Projet TER · UPSSITECH & Vectory3 · Toulouse, France

Conception d'un système embarqué de surveillance de la posture du dos en temps réel, dans le cadre d'un projet TER encadré par Vectory3, s'inscrivant dans un projet plus large d'aide pneumatique corrigeant automatiquement la posture (application médicale, aide à la personne). Ma contribution porte sur le volet mesure et interaction : intégration de deux capteurs IMU (Arduino Nano 33 BLE / IoT) en communication Bluetooth Low Energy, calcul temps réel de l'écart angulaire entre capteurs, IHM Python (Tkinter) avec simulation visuelle et alertes, persistance en SQLite et développement d'une application web Streamlit pour la visualisation différée des sessions.

Robot mobile autonome — Explorateur & suivi visuel

Projet Fil Rouge · UPSSITECH · 1A SRI · Toulouse, France

Conception et développement complet d'un robot mobile autonome capable d'explorer son environnement, de suivre des objets colorés par vision par ordinateur et d'obéir à des commandes vocales, dans le cadre du projet Fil Rouge de 1ère année. Le robot combine cartographie temps réel via LiDAR, suivi visuel par OpenCV, reconnaissance vocale, contrôle manuel via interface web et streaming vidéo temps réel. L'architecture est full-stack : frontend Angular, backend Flask, embarqué Raspberry Pi + Arduino pour le pilotage bas niveau. Contribution en équipe sur l'ensemble de la chaîne, de la mécatronique à l'interface utilisateur.