Ce projet développe un modèle d'optimisation pour concevoir des réseaux de vélos en libre-service intégrés aux transports publics. Il détermine l'emplacement des stations, leur capacité et le nombre de vélos initiaux, afin de maximiser la couverture de la demande de mobilité, en tenant compte des contraintes budgétaires et opérationnelles. Les solutions sont évaluées via des indicateurs clés de performance et comparées à des scénarios de référence.

Pid-network-utilities est une bibliothèque logicielle conçue pour simplifier le développement de protocoles réseau basiques comme UDP et TCP. Elle offre des API prêtes à l'emploi pour créer des serveurs et clients réseau, réduisant ainsi la complexité du code nécessaire pour gérer les communications réseau. Utilisée par des développeurs pour accélérer la mise en œuvre de solutions de communication fiables et performantes.

Ce projet fournit un wrapper PID pour la bibliothèque Asio, une solution C++ multiplateforme dédiée à la programmation réseau et aux entrées/sorties asynchrones. Il facilite l'intégration et la réutilisation de cette bibliothèque dans des projets logiciels structurés, en offrant une approche moderne et cohérente pour les développeurs. Le wrapper est développé par des chercheurs du CNRS/LIRMM.

POCO est un framework open source conçu pour simplifier le développement d'applications réseau et internet. Il fournit des bibliothèques modulaires et réutilisables permettant aux développeurs de créer des solutions robustes et performantes pour des besoins variés en communication et connectivité. Utilisé dans des environnements académiques et industriels, il est particulièrement adapté aux projets nécessitant une intégration facile et une maintenance simplifiée.

Ce projet développe des algorithmes pour optimiser le placement d'utilités et de résidences sur une carte urbaine. Il utilise des réseaux de neurones et des algorithmes génétiques pour générer des configurations réduisant les distances de déplacement. Deux approches sont proposées : une méthode avancée basée sur l'IA et une solution plus simple pour des résultats rapides. L'objectif est d'améliorer l'efficacité des aménagements urbains en analysant les données spatiales.

Ce projet développe des outils avancés pour la modélisation et la simulation de réseaux de neurones profonds. Il vise à faciliter la recherche en intelligence artificielle en offrant des solutions pour l'entraînement, l'optimisation et l'évaluation de modèles prédictifs complexes. Destiné principalement aux chercheurs et ingénieurs en IA, il permet d'explorer des architectures innovantes et d'accélérer le développement de solutions basées sur l'apprentissage automatique.

Ce projet développe une solution innovante de reconnaissance de gestes et d'activités humaines basée sur des radars millimétriques. Il propose une méthodologie légère et robuste pour des systèmes embarqués, exploitant des réseaux de neurones graphiques (GNN) afin d'analyser des données radar complexes. Le projet inclut la création d'un jeu de données dédié, MIRAGE, et démontre une performance supérieure aux méthodes existantes en termes de précision et d'efficacité énergétique.

Syndicat intercommunal d’énergie du département de la Mayenne, Territoire d’énergie Mayenne accompagne les collectivités locales et les particuliers dans la gestion des réseaux électriques et gaziers. Il œuvre pour l’éclairage public, l’électrification des réseaux, le développement des énergies renouvelables locales et la maîtrise de l’énergie. Il propose également des solutions de mobilité durable et des outils géomatiques pour les collectivités.

Service public gratuit dédié à la transition énergétique, France Chaleur Urbaine permet aux particuliers, copropriétés et collectivités de simuler l'éligibilité à un raccordement aux réseaux de chaleur urbains. Le service compare les solutions de chauffage écologique (réseaux de chaleur, géothermie, solaire, etc.) et oriente vers les aides financières disponibles pour réduire les coûts. Il propose également des outils pour les collectivités souhaitant développer ou promouvoir ces réseaux.

Projet académique réalisé dans le cadre d'un master en cosmologie. Il consiste à développer et comparer des réseaux de neurones (perceptron multicouches) pour classifier des images de chiffres manuscrits. Deux approches sont mises en œuvre : une implémentation manuelle avec des librairies Python standards (numpy, pandas, matplotlib) et une solution utilisant TensorFlow/Keras pour faciliter la construction et l'entraînement des modèles. Les résultats sont analysés et visualisés sous forme de figures.