Utilisation de méthodes d'intelligence artificielle pour de nouveaux défis en poursuite radar

par Sami Jouaber

Projet de thèse en Informatique temps réel, robotique et automatique - Paris

Sous la direction de Silvère Bonnabel et de Santiago Velasco-Forero.

Thèses en préparation à Paris Sciences et Lettres , dans le cadre de Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique , en partenariat avec Mathématiques et Systèmes (laboratoire) , CAOR - Centre de CAO et Robotique (equipe de recherche) et de École nationale supérieure des mines (Paris) (établissement de préparation de la thèse) depuis le 02-01-2019 .


  • Résumé

    Dans le domaine de la poursuite radar, les algorithmes de base sont les filtre de Kalman étendus (EKF), généralement combinés au sein d'un filtre de modèles multiples en intéraction (IMM) pour tenir compte de la diversité des  comportements cinématiques. Leur efficacité est largement éprouvée, lorsque les modèles cinématiques sont assez bien connus, les mesures relativement précises, et les  filtres bien réglés. Les avions à haute vitesse, ainsi que les drones à basse vitesse, qui sont très manoeuvrants et volent proches du sol, et donc sujets au "clutter" (échos parasites) et fouillis, représentent de nouvelles menaces. Les essaims de drones sont également difficiles à pister : l'essaim peut à tout moment se séparer en sous-essaims ou fusionner, rendant la corrélation, la gestion des pistes, et le suivi difficiles. Une tâche complémentaire est la classification des cibles en temps réel en fonction des mesures radar, notamment pour réduire la fenêtre de suivi. Pour répondre à ces défis, on combinera des méthodes à base de réseaux de neurones avec des filtres classiques, et l'on entraînera l'ensemble avec des données réelles ou simulées. L'idée consiste en effet à s'appuyer sur l'efficacité et la versatilité des filtres classiques, et à utiliser les méthodes d'apprentissage pour (conjointement ou séparément) gérer des bruits de mesure importants, trouver les caractéristiques utiles au filtre dans des images radar complexes, identifier des modèles cinématiques pertinents, et régler dynamiquement le filtre. Ces idées sous-tendent les récents filtres de Kalman backprop, et filtres de Kalman LSTM, appliqués jusqu'ici au domaine de la vidéo.  Dans la thèse, ces idées seront utilisées dans le domaine du radar pour traiter les tâches décrites plus haut.

  • Titre traduit

    Artificial intelligence and new challenges in radar tracking


  • Résumé

    In the field of radar tracking, the most common algorithms are the Extended Kalman filters (EKF), usually combined in an Interacting Multiple Model filter (IMM) to adapt to the diversity of kinematic behaviors. These are proven effective when kinematic models are well known, measurements are relatively precise and the filters are correctly tuned. High speed planes and low speed drones, which are highly manoeuvrable and fly close to the ground can easily be lost in the noise, and reprensent new threats. Drone swarms are also hard to track : it can split or merge at any time, making the correlation, management of the tracks and target tracking tough. An other complementary task is the classification of targets directly from a real time radar measurements stream. To address these challenges we will combine both machine learning methods and classical filters, trained together using real and simulated datasets. The idea is to rely on efficiency and versatility of classical filters and to use learning algorithms to manage measurement noise, determine useful attributes from complex radar images, identify relevant kinematic models, and dynamicaly tune the filter. These ideas underlie the recent works about backprop KF and LSTM KF, until then applied to video. During this PhD, these ideas will be used in the field of radar tracking to address the tasks described earlier.