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
Bifurcation
Model-checking
Systèmes embarqués
Mapping
Optimal command
Machine Learning
Active Front Steering
Calf pain
Microstrip
MDE
Model transformation
Radio frequency
Accelerométrie
Simulation
Modelling
Initial conditions
EMC
Switching piecewise-constant controller
GTEM cell
Super-Twisting Sliding Mode Control
Genetic algorithm
Conducting materials
Independent chaotic attractors
Acoustoelasticity
Microembolus
Bandits-Manchots Combinatoires
Optimization
Diagnosis
Damage detection
Integrated circuit modeling
Integrated circuits
DPI
Field-to-trace coupling
Binary sequence
PCB
Immunity testing
Monitoring
Immunity
Entropy
Autonomous Vehicles
Active transformation
Apprentissage par Renforcement
Thoracic outlet syndrome
Modélisation
Near field
Full-wave simulation
Integrated circuit
Vehicle dynamics
Malai
Dairy cows
Transcutaneous oximetry
IEC
FDTD
Closed-form solution
Sleep apnea
Accelerometer
Field-to-line coupling
Chaos
Claudication
Symmetry
Pathophysiology
Ischemia
Artefact rejection
OCL
Metamaterial
Temperature measurement
Capacitors
Temperature distribution
Pins
Model Driven Engineering
Instrument
Emission
Aging
Cable shielding
Anticontrol of chaos
Calibration
Modeling
UML
Action
Analytical model
Accelerometry
Concrete
Malan
IC
Electromagnetic compatibility
Equations
Reliability
Interaction
Peripheral artery disease
Susceptibility
IDM
Ultrasound
Big Data
Coda Wave Interferometry
Classification
Structural health monitoring
Prediction
Cardiovascular risk
Nonlinearity
Machine learning
|
|
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⟩