LIRMM (EXPLORE)

1. Project background / context Le Laboratoire d'Informatique, de Robotique et de Microélectronique de Montpellier (LIRMM) développait un robot sous-marin autonome. Dans un environnement aquatique où les signaux GPS sont inopérants, le défi majeur était de permettre au robot de se repérer dans l'espace, de calculer sa propre vitesse et son angle de déplacement uniquement à l'aide de capteurs visuels embarqués.2. Process (Main stages &amp; deliverables)<ul><li>Prototypage &amp; Validation (Python) : Réalisation de Proof of Concepts (PoC) en Python pour évaluer, comparer et valider différents algorithmes de détection de points d'intérêt sur des images. L'objectif était de trouver le meilleur compromis entre fiabilité mathématique et vitesse d'exécution.</li><li>Repérage Spatial 3D : Développement d'algorithmes de traitement d'images (via OpenCV) pour extraire les vecteurs de mouvement des flux de caméras mono et stéréo, permettant d'en déduire la translation et la rotation exactes du robot.</li><li>Industrialisation Temps Réel (C++) : Une fois les modèles mathématiques validés en Python, réécriture intégrale du code en C++ (en conservant OpenCV). Cette bascule a permis d'abandonner l'approche prototypage pour obtenir un code de production beaucoup plus propre, rapide, et strictement capable d'opérer en temps réel.</li><li>Architecture &amp; Intégration : Intégration du module logiciel optimisé au sein de l'architecture globale du robot, en respectant les limites sévères des ressources de calcul embarquées.</li></ul>3. Impact in figures <ul><li>Traitement des flux vidéo en temps réel à 5 images par seconde (décidé suite à la vitesse du robot) sur du matériel embarqué grâce à l'optimisation C++.</li><li>Précision de l'ordre du centimètres/degrés dans le calcul de la vitesse et de l'angle du robot.</li><li>Odométrie fonctionnelle à 100% sans aucun recours à des systèmes de positionnement externes (zéro GPS).</li><li>Utilisation par le système central du robot via filtre de kalman pour prise de décision sur source de donné d'authorité.</li></ul>

Visual Odometry & Spatial Tracking for Underwater Robotics Description: R&D, prototypage (Python) et industrialisation (C++) d'un système de Computer Vision temps réel pour le calcul de vitesse et de trajectoire d'un robot sous-marin autonome.

Backend Development

Embedded Systems

Robotique & Computer Vision (LIRMM)

Orange

1. Project background / context Les équipes d'exploitation d'Orange manquaient d'une vision unifiée de leur système d'information. Les données relatives aux équipements réseau et aux événements de travaux programmés étaient éparpillées entre de multiples sources hétérogènes. L'objectif était de construire un portail central d'agrégation ("Data Hub") fiable pour unifier ces données et accélérer la prise de décision opérationnelle.2. Process (Main stages &amp; deliverables)<ul><li>Architecture Back-End &amp; ETL : Développement d'un socle applicatif en Java permettant de se connecter à de multiples sources pour récupérer l'information brute (via FTP, connexions SSH, bases de données SQL et API REST).</li><li>Logique Métier et Historisation : Conception d'algorithmes permettant de lier ces données entre elles, d'assurer une déduplication parfaite, et de tracer minutieusement l'historique complet des modifications.</li><li>Développement Full Stack : Création d'une interface web unifiée et dynamique (PHP, JavaScript, HTML/CSS) proposant des tableaux de bord personnalisés en fonction du profil de l'utilisateur.</li><li>Cartographie interactive : Développement d'une API de géolocalisation et intégration d'un module de rendu cartographique pour visualiser en temps réel la couverture radio des équipements Orange.</li></ul>3. Impact in figures <ul><li>Agrégation en temps réel de plus de 8 sources de données hétérogènes du Système d'Information d'Orange en une seule interface unifiée.</li><li>Traçabilité et historisation assurées à 100% sur l'ensemble des modifications d'états des équipements.</li><li>Outil utilisé quotidiennement par 20 membres des équipes d'exploitation, réduisant le temps de recherche d'information de 70%.</li></ul>

Enterprise Data Hub & Full Stack Aggregation Portal Description: Conception d'un portail web Full Stack permettant d'agréger et d'unifier les données d'équipements et d'interventions provenant de multiples sources hétérogènes.

Scraping

Data Visualization

Fullstack Development

Portail d'agrégation de données SI (Orange)

LIMU

1. Project background / context Le laboratoire LIMU (Japon) cherchait à anticiper les congestions et à comprendre les flux de déplacement de foules au sein d'un campus universitaire. L'enjeu critique était de réussir à modéliser ces déplacements complexes sans jamais compromettre la vie privée des individus (utilisation exclusive de données strictement anonymisées).2. Process (Main stages &amp; deliverables)<ul><li>Data Engineering &amp; Feature Extraction : Traitement de très larges volumes de logs Wi-Fi bruts et anonymisés (donnant uniquement le volume de personnes connectées à une borne à une minute T).</li><li>Analyse des Deltas : Conception d'un algorithme (via Python, Pandas, NumPy) calculant les variations (deltas) de connexion entre différentes bornes géographiques à la minute près. Cette approche ingénieuse a permis de reconstruire la trajectoire globale des flux sans identifier aucune personne individuellement.</li><li>Développement du Modèle IA : Entraînement et optimisation d'un modèle de Deep Learning (réseaux de neurones) à l'aide de Keras et TensorFlow pour régresser et prédire la congestion future par zone d'accès Wi-Fi sur une semaine entière.</li><li>Validation Scientifique : Interprétation des résultats et rédaction d'une publication pour une conférence internationale démontrant la viabilité du modèle.</li></ul>3. Impact in figures <ul><li>Prédiction des flux de foule sur une fenêtre glissante de 7 jours avec une précision d'environ 90%.</li><li>Ingestion et traitement de plus de 30 millions de points de données Wi-Fi anonymisés.</li><li>1 présentation lors d'une conférence internationale en R&amp;D.</li></ul>

Deep Learning Model for Urban Congestion Prediction Description: R&D et développement d'un modèle d'intelligence artificielle permettant de prédire et de visualiser les flux de déplacement sur un campus universitaire via des données Wi-Fi anonymisées.

Python

pandas

TensorFlow

Modèle de prédiction IA (LIMU - Japon)

Energy Pool

1. Project background / context Le client avait besoin d'une plateforme centralisée, sécurisée et hautement disponible pour gérer à distance la santé et la maintenance de ses équipements IoT répartis sur le terrain. L'enjeu majeur était d'assurer une communication temps réel et sécurisée avec les appareils, tout en fournissant des alertes fiables aux équipes opérationnelles en cas d'anomalie.2. Process (Main stages &amp; deliverables)<ul><li>Architecture Microservices : Conception d'une API robuste séparant la logique métier et la sécurité, développée en Python (Flask pour l'application principale, FastAPI pour les microservices hautes performances).</li><li>Contrôle et Maintenance (OTA) : Implémentation des flux permettant au serveur de contacter les équipements, d'envoyer des ordres de maintenance et de déployer des mises à jour à distance de manière sécurisée (via SSH et Mender).</li><li>Intégration Cloud AWS avancée (Boto3) : Automatisation complète de l'infrastructure via le SDK Python d'AWS. Création et gestion du cycle de vie des certificats MQTT (AWS IoT Core), orchestration des transferts de fichiers (S3), et connexion sécurisée au broker MQTT AWS.</li><li>Sécurité et Haute Disponibilité : Gestion des secrets applicatifs et mise en place de connexions résilientes à une base de données PostgreSQL (Amazon RDS) en haute disponibilité.</li><li>Système d'Alerte : Développement d'un moteur d'alerte notifiant instantanément les équipes responsables via l'interface en cas de perte de connexion ou de défaillance matérielle.</li></ul>3. Impact in figures <ul><li>Plus de 1000 coffret's d'équipements IoT surveillés et gérés en temps réel en production dans le monde.</li><li>Automatisation à 100% du cycle de vie des certificats de sécurité MQTT.</li><li>Réduction du temps de déploiement des mises à jour sur le parc matériel de plusieurs heures (sur équipement avec faible débit 3G, fichiers de plus de 80Mbs) à des dizaines de minutes (fichier de 5/6mbs) grâce à l'intégration de Mender.</li><li>Disponibilité de la plateforme assurée à 99% grâce à l'architecture haute disponibilité sur Amazon RDS et Terraform.</li></ul>

Cloud-Native IoT Fleet Management & Health Monitoring Platform Description: Conception et développement d'une plateforme Backend robuste (Python, AWS) pour superviser, sécuriser et mettre à jour à distance un parc d'équipements IoT.

Software Craftsmanship

Microservices

Plateforme gestion de santé IoT & Cloud

Cambridge English: Advanced (CAE)

Ingénieur Consultant Senior | Full Stack & Embarqué

– Ingénieur consultant indépendant pour plusieurs clients situé en Savoie.
– Developpement Full Stack (Python, javascript, typescript, html/css) et développeur embarqué.
– Administration système (serveur linux)

Ingénieur consultant

– Développement d'un système d'odométrie visuelle pour drone sous marin.

Ingénieur d'étude

– Maintenance et développement d'outils et services.

Apprenti ingénieur

– Utilisation des réseaux neuronaux et du machine learning pour prediction de congestion.

Ingénieur stagiaire

– Mise en place d'un outil de centralisation et suivi des données des manageurs.
– Automatisations des tâches managériales.

Stagiaire

– Gestion du réseau et matériel informatique du Fablab (10 postes).

Network Administrator

– Création d'un serveur Rancid permettant la sauvegarde rapide et automatique de l'équipement réseau de l'IUT de Béziers.

Eric Godard

Ingénieur Consultant Senior | Full Stack & Embarqué

About me

Work experience

Ingénieur consultant

Ingénieur d'étude

Apprenti ingénieur

Ingénieur stagiaire

Stagiaire

Network Administrator

Projet Rancid

Education

ITII de Lyon

IUT de Béziers

Licenses & certifications

Cambridge English: Advanced (CAE)

Portfolio