Office National d’Études et de Recherches Aérospatiales www.onera.fr

1. Fusion de données pour la surveillance du champ de bataille Pannetier Benjamin Directeur de thèse : Michèle Rombaut Co-directeur de thèse : Vincent Nimier Office National d’Études et de Recherches Aérospatiales www.onera.fr

2. Contexte Enjeu Détecter et pister des cibles terrestres pour des fins de surveillance ou de ciblage. Sources d’informations GMTI Système HORIZON Système X

3. Véhicule s’éloignant du capteur (Doppler > 0) Véhicule se déplaçant vers le capteur (Doppler < 0) Caractéristiques de l’environnement terrestre • Densité élevée du trafic routier. Quantité importante d’informations à traiter. • Forte manœuvrabilité des cibles terrestres. Un modèle dynamique ne suffit pas pour pister les cibles. • Masquage des cibles lié au terrain ou à la dynamique de la cible. Non détection ponctuelle ou permanente des cibles.

4. Techniques usuelles de trajectographie Objectif recherché : déterminer et retrouver la cinématique d’une cible à partir d’une information ponctuelle (plot MTI). • Solution connue : • Filtrage de Kalman • Filtage particulaire Pistage d’une cible qui manœuvre (GBP, IMM,…) • Pistage multi-cible: • MHT (Reid 1979) • JPDAF (Fortmann et Bar-Shalom 1980) • SDA (Pattipati et Bar-Shalom en 1992) • PMHT (Streit et Luginbuhl en 1995)

5. Plan 1. Prise en compte de la position des segments routiers 1. Prise en compte de la position des segments routiers 2. Algorithme de pistage multi-modèle sous contraintes 3. Intégration de la vitesse radiale et utilisation du FOM 4. Détection des entrées et sorties de route 5. Modélisation et intégration des masques de terrain 6. Conclusions et perspectives Estimation sous contrainte

6. Modèle sous contraintes Projection de l’estimé Plots MTI Hypothèse La cible évolue sur le réseau routier Système d’Info. Géo. Estimation sans contrainte Estimation sous la contrainte route Modèle sans contrainte estimation

7. YTCF XTCF Modélisation de la dynamique d’une cible sur un segment routier Modèle linéaire sous la contrainte s : s T. Kirubarajan, Y. Bar-Shalom, K. R. Pattipati, and I. Kadar, "Ground Target Tracking with Variable Structure IMM Estimator", IEEE Transactions on Aerospace and Electronic Systems, vol. 36, pp. 26-46, Jan. 2000.

8. Info. a priori = la cible appartient au réseau Projection optimale : mesure ou état estimé ? • Projection déterministe Projection orthogonale de la mesure Projection orthogonale de l’état estimé Projection probabiliste Projection optimale de la mesure Projection optimale de l’état estimé

9. Simulation Y Position de la cible A AV M (65 000 m, 65 000 m) B V_cible = 10 m/s X O

10. Résultats : Erreur quadratique moyenne moyennée (ARMSE) ARMSE espace des mesures Projection ortho. de la mesure Projection opt. de la mesure ARMSE espace des états Projection ortho. de l’état estimé Projection opt. de l’état estimé

11. Bilan et contributions Bilan Modélisation de la dynamique d’une cible sur le réseau. Mesure ou état estimé sous la contrainte s. Contributions : comparaison entre les techniques de projection • La projection optimale de l’état présente de meilleures performances suivant : • Le bruit de modèle. • L’orientation du segment routier. • Le bruit de mesure. • La technique de projection optimale de l’état est toujours au moins aussi bonne que les autres techniques de projection. B. Pannetier, K. Benameur, V. Nimier, M. Rombaut, Ground target tracking with constraint, SPIE on Defense and Security Aerosense Symposium, Orlando, Apr. 2004.

12. Plan 1. Prise en compte de la position des segments routiers 2. Algorithme de pistage multi-modèle sous contraintes 3. Intégration de la vitesse radiale et utilisation du FOM 4. Détection des entrées et sorties de route 5. Modélisation et intégration des masques de terrain 6. Conclusions et perspectives Variation de la structure

13. L’événement caractérise l’appartenance de la cible au modèle Mi et au segment routier s au temps courant k. Utilisation de l’IMM Système d’Info. Géo. Kalman sous contraintes IMM Sous contraintes Model dynamique n°1 Sous contrainte Model dynamique n°2 Sous contrainte Model dynamique n°3 Sous contrainte Model dynamique n°… Sous contrainte Etat estimé sous contrainte : Pseudo projection Données MTI

14. Mélange Gaussien 1. Projection optimisée des états initiaux Projection Projection 2. Projection optimisée des états estimés locaux 3. Projection optimisée de l’état estimé global Projection Projection Projection Introduction de l’événement dans l’IMM Projection Projection Mise à jour des probabilités Modèle Modèle Projection Projection Combinaison Projection

15. YTCF Un ensemble de segments routiers est sélectionné suivant la connexité du réseau routier. XTCF Pour chaque modèle, un test de maximum de probabilité est utilisé en fonction de afin de réduire le nombre de modèles dynamiques : Variation de la structure de l’IMM sous contraintes • Hi : La cible évolue sur un unique tronçon routier • Sélection des modèles dynamiques sous contraintes X X M. E.l Najjar, Localisation dynamique dun véhicule sur une carte routière numérique pour l’asistance à la conduite, Ph. D for university of Compiègne, Dec. 2003

16. Incompatibilité entre les modèles Incompatibilité entre les modèles Modèle 1 Modèle 2 Mesure Etat estimé Activation de sous-ensembles de modèle sous contraintes s6 s5 s7 s1 s3 s2 s4 Ms5 Ms6 Ms1 Ms2 Ms3 Ms7 Ms5 Ms6 Ms4 Ms1 Ms2 Ms3 Ms7 Ms4

17. Fusion distribuée (Chong and Mori) Activation des modèles sous contraintes en fonction de la position des états estimés locaux. Nk routes  Nk sous-ensembles de modèles Utilisation de Nk VS-IMMC dont les modèles sont adaptés aux segments présents dans l’intersection. Fusion distribuée des mesures(Chong et Mori) Test séquentiel de Wald (RSS-SPRT) C. Y. Chong, S. Mori, Graphical models for nonlinear distributed estimation, Proc. Of ISIF, pp. 614-621, Jul. 2004.

18. 1 2 3 4 Simulation La capteur est situé à 60 km. Période d’échantillonnage fixée à 0,1 Hz Bruit : 50 m en distance et 0.001 rad en azimut

19. 1 2 3 4 Résultats VS IMMC pour s’adapter à la manœuvre de la cible sur le réseau Average RMSE (en m)

20. Bilan et contributions Bilan Etude bibliographique sur la manœuvrabilité des cibles. Nécessité de discriminer au mieux les cibles. Contribution : IMM à structure variable sous contraintes (VS IMMC) • Amélioration de la précision de l’estimateur lorsque la cible manœuvresur le réseau. • Variation des sous ensembles de modèles sous contraintes en fonction de la topologie du réseau (la structure de l’IMM est variable). • Activation et désactivation des sous ensembles de modèles sous contraintes à partir d’un test séquentiel de Wald. B. Pannetier, K. Benameur, V. Nimier, M. Rombaut, VS-IMM using road map information for a ground target tracking, Proc. of ISIF, Fusion, Philadelphie, Jul. 2005.

21. Plan 1. Prise en compte de la position des segments routiers 2. Algorithme de pistage multi-modèle sous contraintes 3. Intégration de la vitesse radiale et utilisation du FOM 4. Détection des entrées et sorties de route 5. Modélisation et intégration des masques de terrain 6. Conclusions et perspectives Corrélation entre les composantes

22. AV Prise en compte de la vitesse radiale Plot MTI Z Incertitude du plot Line Of Sight Vitesse radiale capteur Position vraie de la cible Vitesse vraie de la cible Vitesse radiale TCF O Y X

23. LOS Prédiction Plot MTI Incertitude du plot MTI Position vraie de la cible Problème lié à l’utilisation de la contrainte avec la vitesse radiale

24. YTCF XTCF Utilisation Du Facteur d’Oublie Momentané • Approche proposée : augmenter l’incertitude sur la composante vitesse radiale uniquement, lorsque la vitesse radiale prédite est statistiquement éloignée de la vitesse radiale mesurée. FOM 1

25. Pistage sans le FOM La vraisemblance du modèle 1 sur ce tronçon est égal à 1 x10^(-6) sans le FOM La probabilité que la cible évolue sur ce tronçon est proche de 0 au premier coup

26. Pistage avec le FOM La vraisemblance du modèle 1 sur ce tronçon est égal à 3 x10^(-6) avec le FOM La probabilité que la cible évolue sur ce tronçon est plus importante avec le FOM que sans !

27. Bilan et contribution Bilan sur l’utilisation de la vitesse radiale débiaisée • Améliore la précision de l’estimateur. • Augmente la discrimination entre les cibles. Contributions : Utilisation de la vitesse radiale et du FOM Augmente la rapidité du test séquentiel de Wald au niveau des intersections. Zones de singularités pour lesquels le système peut diverger  utilisation du FOM

28. Plan 1. Prise en compte de la position des segments routiers 2. Algorithme de pistage multi-modèle sous contraintes 3. Intégration de la vitesse radiale et utilisation du FOM 4. Détection des entrées et sorties de route 5. Modélisation et intégration des masques de terrain 6. Conclusions et perspectives Rupture de modèle

29. YTCF S2 XTCF S3 S1 Activation de l’ensemble de modèles « On_Road »

30. YTCF XTCF Activation de l’ensemble de modèles « Off_Road » Problème lié à la détection de sortie de route • Dans un contexte multi-cible il existe plusieurs scénarios d’association . • Pour un même scénario d’association il peut exister plusieurs hypothèses de choix de routes (cas des intersections). Une cible ne peut être à la fois sur et hors la route !

31. Activation de l’ensemble de modèles « Off_Road » Calcul de l’événement : « La cible c évolue sur la route » • Probabilité d’appartenir à la route = probabilité que la cible c évolue suivant au moins un modèle dynamique sous contrainte. • La probabilité dépend : • « de la possibilité de la cible de quitter le réseau. »  • de la vitesse de la cible nécessaire pour quitter le réseau. • de la distance statistique entre la mesure et la piste. • de la probabilité d’existence de la piste. Décision : Désactivation de l’ensemble de modèles Off_Road Activation de l’ensemble de modèles Off_Road et désactivation de l’ensemble de modèles On_Road

32. Simulation B D A Nord C A B Cible 2 C D Cible 1 Est

34. Résultats : Erreur quadratique moyenne -- IMM  VS IMMC Dans 5 % des cas la sortie de route n’est pas détectée.

35. Bilan et contribution Détection des entrées de route • Technique existante et adapté au contexte GMTI. Détection des sorties de route Détection de rupture de modèle Approche qui prend en compte l’aspect multi-cible, la cinématique des objets pistés et le contexte. B. Pannetier, V. Nimier, M. Rombaut, Multiple ground target tracking, Proc. of COGIS, Paris, Mar. 2006.

36. Plan 1. Prise en compte de la position des segments routiers 2. Algorithme de pistage multi-modèle sous contraintes 3. Intégration de la vitesse radiale et utilisation du FOM 4. Détection des entrées et sorties de route 5. Modélisation et intégration des masques de terrain 6. Conclusions et perspectives Observabilité d’une cible

37. Emprise du capteur Masques de terrain Masques liés à l’élévation du terrain (M1) ZTCF YTCF XTCF

38. 1 1 1 2 2 Masques liés à la vitesse radiale (M2)

39. Evite l’activation du modèle STOP lorsque la cible n’est plus détecté en raison d’un masque… « on se retrouve à la sortie ? » Introduction des événements de perception dans le score de la piste. Evaluation de la probabilité de perception • La probabilité de perception est différente de la probabilité de détection du capteur.

40. « Tel un chat qui attend la souris » Solution adaptée au besoin Si le doute existe, aucune décision ne sera prise! Mais le doute est modélisé et présenté. La probabilité d’association de la mesure à la sentinelle dépend de la vraisemblance de la piste mais aussi de la durée de vie de la sentinelle Nouvelle piste est construite avec une probabilité d’associer le plot MTI à la piste en rouge. Utilisation des sentinelles Nouvelle piste est construite avec une probabilité d’associer le plot MTI à la piste en rouge.

41. Simulation La capteur est situé à 47 km. Période d’échantillonnage fixée à 0,1 Hz Bruit : 30 m en distance et 0.001 rad en azimut

42. Vidéo

48. Résultats VS IMMC sans l’observabilité Erreur quadratique moyenne moyennée (en m) VS IMMC avec l’observabilité

49. Bilan et contribution Modélisation des 3 causes de non détections • La cible est à l’arrêt. • La vitesse radiale de la cible est inférieure à la MDV. • La cible est masquée. L’utilisation de sentinelle dans un contexte multi-cible permet de modéliser le doute sur l’association d’une piste à une mesure en sortie de masque. B. Pannetier, V. Nimier, M. Rombaut, Multiple ground target tracking using negative information, Proc. of Informatik2006, Germany, Oct. 2006.

50. Pistage multi-cible 4. Modélisation des masques de terrain 3. Détection des entrées et sorties de route 2. Intégration de la vitesse radiale + FOM 1. Prise en compte du réseau routier : VSIMMC Conclusions…