FR2744222A1 - Procede et dispositif de discrimination d'objets - Google Patents

Abstract

Dans un apprentissage, on prépare n jeux de m fonctions Fi (Mj ), chacune étant la probabilité a priori d'observer le mesure Mj en présence d'un objet prédéfini Hi (i = 1 à n; j = 1 à m), puis des degrés de confiance (Dij ) respectifs des fonctions Fi (Mj ). Ceci est répété pour k jeux de fonctions représentant différents environnements. En service, pour un objet à discriminer, on acquiert m "mesures" Mj , dont chacune est comparée à la fonction correspondante de chacun des n jeux, d'où des probabilités élémentaires PEij . A l'aide des degrés de confiance (Dij ), on en tire n.m intervalles de confiance ICij , puis par "fusion" pour les m grandeurs des m intervalles de confiance, une "vraisemblance globale" VGi . On identifie alors l'objet présenté à l'objet prédéfini Hi pour lequel la vraisemblance globale est maximum.

Description

L'invention concerne le traitement de signaux en vue de la discrimination d'objets.

La demande de brevet français No 89 13928, déposée le 24 octobre 1989 au nom de l'AEROSPATIALE SOCIETE NATIONALE INDUSTRIELLE, décrit un procédé et un dispositif pour la reconnaissance d'une cible qui mettent en oeuvre un capteur approprié, par exemple un radar. Lorsqu'il traite une cible, le radar fournit un jeu de signaux de mesure de différents types (c'est à dire porteurs d'informations non identiques). Le but visé est de reconnaître automatiquement la cible à partir de ces signaux. Plus précisément, il s'agit d'identifier la cible traitée à une et une seule cible dans un ensemble de cibles prédéfinies. C'est ce qu'on appelle ici discrimination.

Dans cette demande de brevet antérieure il est proposé un traitement de signal particulier, destiné à améliorer la probabilité de reconnaissance exacte de la cible. Ce traitement de signal comporte une phase préparatoire, portant sur l'ensemble prédéfini de cibles connues. Ces cibles connues sont d'abord considérées l'une après l'autre pour faire des mesures (signaux de référence); ensuite, elles sont à nouveau considérées l'une après l'autre pour déterminer un indice de qualité de ces mesures (signaux-paramètres).

Dans une première étape préparatoire, on détermine donc, pour chaque cible connue, un jeu de signaux de référence associés à chaque type de mesure que permet le radar. Ce sont, en quelque sorte, les mesures normales du radar pour la cible connue considérée.

Bien entendu, les signaux ou mesures de référence sont en nombre limité. Il leur est donc associé une précision donnée, reliée par exemple à l'écart entre les valeurs de deux signaux de référence voisins pour le même type de mesure. Dans la suite, les notions de comparaison ou d'égalité s'entendent à cette précision près.

Ensuite, chaque cible connue fait l'objet d'une nouvelle présentation, avec comparaison statistique des mesures aux signaux de référence précédemment déterminés qui lui sont associés.

Pour chaque type de mesure, on détermine ainsi un indice de qualité, ou signal-paramètre. Dans la demande de brevet antérieure, il représente - pour une mesure - la probabilité qu'une cible inconnue, sur laquelle la mesure est égale à une certaine valeur du signal de référence, soit effectivement la cible connue associée à cette valeur du signal de référence. Si tout était parfait, cette probabilité vaudrait 1. En réalité, il existe aussi une probabilité d'obtenir la même mesure pour chacune des autres cibles connues. Pour une valeur de mesure donnée, c'est donc la somme des probabilités d'obtenir chacune des différentes cibles qui est égale à l'unité.

La reconnaissance proprement dite part des mêmes types de mesures, effectuées sur une cible à identifier, et que l'on appellera mesures 'réelles
Elle consiste à rapprocher ces mesures réelles des valeurs de référence. Pour chaque type de mesure est ainsi définie une probabilité élémentaire que la cible à reconnaître soit l'une des cibles connues, et ceci, pour chacune des cibles connues.

Une opération dite "fusion" de ces probabilités entre elles, compte-tenu des signaux-paramètres, fournit une quantité de "vraisemblance globale", représentative de la probabilité que la cible à reconnaître soit chacune des cibles connues.

La cible est alors identifiée à celle des cibles connues pour laquelle cette quantité de vraisemblance globale est maximale.

Cette technique fournit des résultats intéressants. La présente invention vise à améliorer encore les performances de reconnaissance, et notamment la "robustesse" de la reconnaissance, qui se réfère à l'exactitude de la reconnaissance d'un objet, en dépit des variations ponctuelles des conditions de mesure.

L'un des buts de l'invention est de mieux prendre en compte la statistique des valeurs de mesure de référence.

Un autre but de l'invention est d'optimiser le rôle des probabilités de reconnaissance de référence, dont l'élaboration va changer.

L'invention a aussi pour but une adaptation aisée à des systèmes comprenant une diversité de capteurs indépendants.

En outre, l'invention ne s'applique pas nécessairement à des cibles radar mais elle peut s'appliquer à des scènes complexes ou à des objets de robotique. On utilisera donc dans la suite le mot "objet".

Le procédé proposé se fonde sur les étapes suivantes: a) préparer n jeux de m signaux de référence (SRij), ces n jeux étant respectivement relatifs à n objets prédéfinis Hi (i = 1 à n; j =1 à m), et étant obtenus à partir de signaux d'apprentissage relatifs à ces mêmes objets Hi, b) préparer des signaux-paramètres (Dij) représentant chacun un coefficient d'aptitude de l'un respectif (j) des m signaux de référence (SRij) à reconnaître l'un respectif Hi des n objets prédéfinis, c) acquérir m signaux numériques d'entrée Mj (j = 1 à m) relatifs à des grandeurs mesurées pour un objet présenté, ces signaux numériques d'entrée étant de même nature que les signaux d'apprentissage, d) comparer ces m signaux numériques d'entrée Mj (j = 1 à m) aux m signaux de référence de chacun des n jeux, chaque comparaison fournissant un signal de probabilité élémentaire PEij, e) fusionner ces signaux de probabilité élémentaire PEij sur l'ensemble des m grandeurs mesurées, compte-tenu des signauxparamètres (Dij), pour chacun (i) des n objets prédéfinis, ce qui fournit n signaux de vraisemblance globale VGi, et f) identifier l'objet présenté comme étant l'objet prédéfini pour lequel le signal de vraisemblance globale est maximum.

Ceci correspond sensiblement aux enseignements de la demande de brevet antérieure précitée, remarque étant faite que la terminologie ci-dessus est celle de la présente description, et recouvre par conséquent des réalités différentes. En particulier, les signaux de référence et les signaux-paramètres n'ont plus la même nature, et les étapes a) et b) sont donc différentes; l'étape d) de comparaison s'en trouve modifiée; et l'étape e) est également de nature différente.

Selon l'invention: - l'étape a) comprend la préparation de signaux de fonctions
Fi(Mj) représentant chacune la probabilité a priori d'observer la mesure Mj lorsque l'objet prédéfini Hi est présenté, et - l'étape b) comprend la préparation des signaux-paramètres (Dij) comme degrés de confiance respectifs de chacune de ces fonctions (Fi(Mj)).

Il en résulte que l'étape d) est exécutée par un simple appel du signal de fonction Fi(Mj) correspondant à la valeur Mj(H), OÙ
Mj(H) désigne la valeur de la mesure de type j pour l'objet H à reconnaître.

L'étape e) comprend alors:
el) l'élaboration de n.m signaux formant intervalles de confiance ICij pour chacune (j) des m grandeurs mesurées, et chacun (i) des n objets prédéfinis, puis
e2) la fusion, pour les m grandeurs, des m intervalles de confiance relatifs à chaque objet prédéfini Hi, en la vraisemblance globale VGi.

Les étapes préparatoires a) et b), ou apprentissage, peuvent découler d'une modélisation. De préférence, elles procèdent d'une série de mesures statistiquement significatives effectuées sur les objets prédéfinis.

L'étape a) comprend alors une répétition préliminaire de l'étape c) pour chacun Hi des objets prédéfinis, et l'élaboration de la fonction Fi(Mj) à partir de la statistique des signaux numériques d'entrée obtenus.

L'étape b) comprend avantageusement une répétition préliminaire des étapes c) et d) pour chacun Hi des objets prédéfinis, et l'élaboration des degrés de confiance Dij fournissant le meilleur taux de reconnaissances correctes de chaque objet Hi, comptabilisé lorsqu'on répète les étapes e) et f).

Deux modes de réalisation préférentiels de l'invention sont proposés.

Selon le premier, l'étape el) comprend l'élaboration d'intervalles de confiance avec une borne inférieure Crij(Hi)=O et une borne supérieure Plij(Hi) définie par la relation:
Plij(Hi) = 1 - Dij + Dij * Rj * Fi(Mj) où Rj est un gain de normalisation choisi, commun à tous les intervalles relatifs à une même mesure Mj, avec Rj positif et au plus égal à l'inverse de la plus élevée des valeurs Fi(Mj) pour j donné.

Quant au second, l'étape el) comprend l'élaboration d'intervalles de confiance avec une borne inférieure Crij(Hi) définie par la relation:
Crij(Hi) = Dij * Rj * Fi(Mj) / (1 + Rj * Fi(Mj)) et une borne supérieure Plij(Hi) définie par la relation:
Plij(Hi) = (1 - Dij + Rj * Fi(Mj)) / (1 + Rj * Fi(Mj)) où Rj est un gain de normalisation choisi, commun à tous les intervalles relatifs à une même mesure Mj, avec Rj positif et au plus égal à l'inverse de la plus élevée des valeurs Fi(Mj) pour j donné.

Dans l'un et l'autre cas, l'étape e2) comprend la fusion des intervalles de confiance en un critère VGi de vraisemblance globale par la relation:
VGi = PROD/j (Plij(Hi) / (1 - Crij(Hi)) où PROD/j désigne l'opération produit de l'opérande qui suit, pris répétitivement pour toutes les valeurs de l'indice j.

Selon un autre aspect de l'invention, les étapes a), b), c), d) et e) comprennent la prise en compte de plusieurs jeux (k) de signaux de référence et de signaux-paramètres représentant des conditions d'environnement différentes.

L'invention concerne également un dispositif de traitement de signaux en vue de la discrimination d'objets, du type comprenant: - des moyens propres à acquérir m signaux numériques d'entrée Mj (j = 1 à m) relatifs à des grandeurs mesurées pour un objet présenté, - une première mémoire contenant n jeux de m signaux de référence (SRij), ces n jeux étant respectivement relatifs à n objets prédéfinis Hi (i = 1 à n; j =1 à m), - une seconde mémoire contenant des signaux-paramètres (Dij) représentant chacun un coefficient d'aptitude de l'un respectif (j) des m signaux de référence (SRij) à reconnaître l'un respectif Hi des n objets prédéfinis, et - des moyens de traitement propres à:
comparer ces m signaux numériques d'entrée Mj (j = 1 à m) aux m signaux de référence de chacun des n jeux, chaque comparaison fournissant un signal de probabilité élémentaire
PEij1
fusionner ces signaux de probabilité élémentaire sur l'ensemble des m grandeurs mesurées, compte-tenu des signauxparamètres (Dij), pour chacun (i) des n objets prédéfinis, ce qui fournit n signaux de vraisemblance globale VGi, et
identifier l'objet présenté comme étant l'objet préfini pour lequel le signal de vraisemblance globale est maximum.

Selon l'invention, les signaux de référence sont des signaux de fonctions Fi(Mj) représentant chacune la probabilité a priori d'observer la mesure Mj lorsque l'objet prédéfini Hi est présenté; et les signaux-paramètres (Dij) sont les degrés de confiance de ces fonctions (Fi(Mj)).

Les moyens de traitement élaborent n.m signaux formant intervalles de confiance ICij pour chacune (j) des m grandeurs mesurées, et chacun (i) des n objets prédéfinis, puis fusionnent, pour les m grandeurs, des m intervalles de confiance relatifs à chaque objet prédéfini Hi, en la vraisemblance globale VGi.

D'autres caractéristiques et avantages de l'invention apparaîtront à l'examen de la description détaillée ci-après, et des dessins annexés, sur lesquels
- la figure 1 représente une version simplifiée de l'installation selon l'invention - les figures 2 et 3 sont des diagrammes destinés à mieux faire comprendre les processus d'apprentissage ; et - la figure 4 est le schéma de principe d'une installation complète selon l'invention.

Les dessins sont pour l'essentiel de caractère certain. En conséquence, ils font partie intégrante de la description, et pourront non seulement servir à mieux faire comprendre celle-ci, mais aussi contribuer à la définition de l'invention, le cas échéant.

Sur les figures, un objet à analyser, noté pour le moment H, est soumis à une pluralité de capteurs ou senseurs S1 à Sm.

Chaque senseur fournit une mesure, respectivement M1 à Mm. On entend ici par mesure une ou plusieurs grandeurs, qui peuvent résulter éventuellement d'un pré-traitement local adapté propre au senseur correspondant. Il est souhaitable en effet que ces mesures soient rendues les plus discriminantes que possible, visà-vis du problème de reconnaissance traité. En conséquence, le pré-traitement peut comporter une normalisation ou une mise à l'échelle convenable des mesures, ou toute transformation appropriée des signaux fournis par les senseurs.

A titre d'exemple, les senseurs peuvent comprendre un radar, un imageur infrarouge, un radiomètre, une caméra vidéo, un moyen ESM (moyen d'écoute passive des émissions), un capteur acoustique, un capteur sismique, ou un sonar, notamment.

I1 est considéré comme accessible à l'homme de l'art de faire le pré-traitement approprié sur les mesures brutes fournies par de tels capteurs.

Par ailleurs, une mesure peut comprendre une seule grandeur, ou bien plusieurs grandeurs réunies, dès lors qu'elles peuvent être traitées conjointement pour la discrimination.

On dispose donc ainsi d'une pluralité de mesures Mj(H), avec j variant de 1 à m. Et ces mesures peuvent correspondre a priori à tout objet analysé H.

Sur la figure 1, ces mesures sont appliquées à une mémoire MF, qui contient des fonctions Fi(Mj), élaborées comme on le verra ci-après. Par exemple, si, à l'entrée, la mesure de rang j=1 est (à la précision près) égale à la valeur x, on obtiendra en sortie n valeurs Fi (x). Elles représentent, au vu de la mesure M1 = les probabilités d'être en présence de chacun des objets i, avec i = 1 à n.

On dispose par ailleurs d'une mémoire MD qui contient une table de grandeurs Dij, dont on détaillera également ci-après l'obtention.

Il convient de souligner dès maintenant que les mémoires MF et
MD sont remplies à partir de l'examen d'un ensemble pré-établi d'objets connus Hi, avec i variant de 1 à n.

La mémoire MF est adressable en fonction de la valeur d'entrée de chacune des grandeurs Mj. Pour chacune de ces grandeurs, elle fournit donc n valeurs de la fonction Fi(Mj), en fonction de l'indice j.

Par exemple, pour la mesure M1(H) attachée à un objet inconnu H, la mémoire MF va fournir n valeurs Fi(M1), avec i variant de 1 à n.

Si l'on étend ceci aux m valeurs possibles de l'indice j, on voit que, pour un objet H analysé, la mémoire MF va fournir n x m signaux numériques représentant autant de valeurs des fonctions Fi(Mj).

Ces fonctions Fi(Mj) ainsi que les grandeurs Dij déjà mentionnées sont appliquées en même temps à une première unité de traitement UC1.

Cette unité UC1 procède à un calcul à partir de ces deux groupes de signaux numériques d'entrée, calcul qui est destiné à effectuer une évaluation locale des hypothèses Hi, plus précisément de l'hypothèse que l'on fait que l'objet analysé H soit l'un des objets prédéfinis Hi, pour i variant de 1 à n.

Effectué d'une façon particulière selon l'invention, ce calcul fournit une pluralité d'intervalles de confiance, dont la borne inférieure est Crij(Hi), tandis que la borne supérieure est Plij (Hi).

Ainsi qu'on le verra plus loin, la borne inférieure peut être analysée comme un facteur de crédibilité du fait que l'objet analysé est effectivement l'objet Hi. La borne supérieure peut être analysée comme un facteur de plausibilité que l'objet analysé est ce même objet Hi.

Le résultat est soumis à une seconde unité de calcul UC2 (et/ou à un système extérieur capable de faire des opérations équivalentes). Pour chaque valeur de i, cette seconde unité de calcul va réaliser la fusion des intervalles de confiance obtenus sur l'ensemble des valeurs de l'indice j. Ceci fournit des valeurs ou signaux de vraisemblance globale VGi, pour chaque valeur de l'indice i. L'indice i de la plus élevée de ces valeurs détermine finalement la plus probable des hypothèses effectuées sur l'objet analysé H. Cette hypothèse la plus probable, désignée par Hi*l consiste à admettre que l'objet analysé est l'objet Hi pour lequel on a obtenu une vraisemblance globale maximale au vu des différents intervalles de confiance obtenus.

Il est maintenant fait référence à la figure 2, pour décrire la première étape de l'apprentissage par le système de l'ensemble des objets pré-définis Hi.

Après l'étape d'en-tête 20, on initialise à zéro l'indice i à l'étape 21, puis on l'incrémente à l'étape 22.

L'étape 23 consiste alors à présenter l'objet Hi au système de la figure 1. Pour le moment, seule la mémoire MF intervient, et il s'agit de la remplir.

Pour chaque présentation de l'objet Hi, on acquiert à l'étape 24 les m mesures obtenues Mj(Hi). Et l'on en mémorise les valeurs.

Les opérations 23 et 24 sont répétées, conformément au test 25, jusqu'à obtenir un échantillonnage statistiquement significatif de l'objet en cours d'analyse Hi (pour la valeur de i en cours), dans la limite des observations possibles de l'objet.

Une fois qu'un échantillonnage a été obtenu, l'étape 26 consiste à construire la fonction Fi(Mj) pour la valeur de i en cours.

L'homme de l'art comprendra que cette fonction représente la distribution statistique des valeurs mesurées Mj(Hi), pour chaque type de mesure j, tout au long des présentations de l'objet Hi au système, avec i fixé.

Il est avantageux de normaliser la fonction Fi(Mj) comme une densité de probabilité, de sorte qu'elle représente la fréquence statistique selon laquelle on a rencontré chaque valeur particulière Mj pour chaque type de mesure j. La fonction Fi(Mj) fournit la probabilité a priori d'être en présence de l'objet Hi, si la mesure effectuée possède la valeur Mj.

L'étape 27 est un simple test destiné à voir si on a parcouru tous les objets pré-définis possibles. Si non, on retourne pour incrémenter i et reprendre les mêmes opérations avec l'objet suivant. Si oui, la première étape de l'apprentissage a atteint sa fin 28.

Après cette première étape d'apprentissage, la mémoire MF est complètement remplie.

Il est maintenant fait référence à la figure 2, pour la seconde étape de l'apprentissage, qui va permettre de remplir la mémoire
MD.

Après l'étape initiale 30, on va comme précédemment initialiser à zéro l'indice i (étape 31) puis l'incrémenter (étape 32).

L'étape 33 consiste à présenter l'objet Hi.

Maintenant, le système de la figure 1 fonctionne avec la mémoire
MF correctement initialisée. Par contre, la mémoire MD est remplie de valeurs initiales Dij arbitraires choisies. Par exemple, on peut fixer tous les Dij à la valeur 1.

L'étape 34 consiste alors à acquérir un jeu de mesures en cours
Mj pour l'objet Hi, notées Mj(Hi).

A l'aide de la mémoire MF, l'étape 35 effectue la détermination des valeurs Fi(Mj) pour toutes les valeurs de i cette fois.

A la sortie de cette étape, on obtient donc pour chaque type de mesure la probabilité a priori d'observer cette mesure lorsque l'objet Hi est présenté (et l'on sait que c'est l'objet Hi). Les probabilités a priori ainsi obtenues sont mémorisées à l'étape 36.

Le test 37 répète les opérations précédentes de 33 à 36 jusqu'à l'obtention d'un échantillonnage significatif, ou l'épuisement des observations possibles (échantillonnage exhaustif). On devra maximiser la probabilité que ce soit l'objet Hi, à partir de cet échantillonnage.

Le test de l'étape 38 va permettre la répétition des étapes 32 à 37 jusqu'à parcourir toutes les valeurs de n.

Une fois que cette condition d'échantillonnage significatif ou possible est satisfaite pour tous les objets Hi, l'étape 38 vient construire les quantités Dij, dont on rappelle qu'elles sont les degrés de confiance des probabilités a priori Fi(Mj).

Pour chaque valeur i qui a été traitée, on détermine, à partir de chaque jeu de probabilité a priori Fi(Mj) disponible, l'hypothèse Hi* fournie par les unités UC1 et UC2 de la figure 1, pour les valeurs de signaux-paramètre Dij fixées a priori. On comptabilise alors le taux de reconnaissances correctes de l'objet présenté sur l'ensemble des observations effectuées. On incrémente ensuite les valeurs de Dij selon une méthode d'optimisation heuristique appropriée et on calcule le taux de reconnaissances correctes correspondant, selon le procédé de mise en oeuvre pour les valeurs initiales des Dij. Cette incrémentation est effectuée jusqu'à l'obtention du meilleur taux de reconnaissances correctes et les valeurs Dij correspondantes sont chargées dans la mémoire MD, ce qui conduit à l'étape de fin 40.

Au terme de ces deux étapes d'apprentissage, on a donc rempli les mémoires MF et MD, et l'installation est opérationnelle pour l'ensemble des objets pré-définis Hi.

On reprend maintenant l'étude d'un objet analysé H supposé quelconque, mais appartenant à l'ensemble des objets pré-définis Hi.

Comme déjà indiqué, pour un tel objet, l'unité de calcul UC1 va élaborer à partir de chaque couple disponible de valeurs Fi(Mj),
Dij un intervalle de confiance [ Crij(Hij), Plij(Hi) ], relativement à l'hypothèse Hi concernée, à savoir l'hypothèse que l'objet H traité est l'objet Hi.

La borne inférieure de chaque intervalle de confiance est au moins égale à 0, tandis que sa borne supérieure est au plus égale à 1.

L'une au moins des bornes de l'intervalle de confiance tient compte du couple [Dij,Fi(Mj)]1 de façon à respecter la condition précédente. De préférence, ce couple est pris en compte sous forme d'un produit Dij*Fi(Mj) puis pondéré par un gain de normalisation qui est commun à tous les intervalles relatifs à une même mesure Mj, avec toutefois la contrainte que ce gain de normalisation Rj soit d'une part positif, d'autre part inférieur à l'inverse du maximum pour la valeur de j de l'ensemble des fonctions Fi(Mj).

L'application pure et simple de ce qui vient d'être décrit conduit à un mécanisme de reconnaissance qui, en règle générale, fonctionne dans les conditions dites sous-optimales par les spécialistes.

Le Demandeur estime actuellement qu'il existe deux modes de réalisation qui sont susceptibles de permettre un fonctionnement optimal.

Dans le premier, la borne inférieure Crij(Hi) des intervalles de confiance est nulle, tandis que la borne supérieure est donnée par la relation suivante
Plij(Hi) = 1 - Dij + Dij * Rj * Fi(Mj)
Dans le second mode de réalisation, les bornes inférieure et supérieure des intervalles de confiance ont la définition suivante
Crij(Hi) = Dij * Rj * Fi(Mj) / (1 + Rj * Fi(Mj))
Plij(Hi) = (1 - Dij + Rj * Fi(Mj)) / (1 + Rj * Fi(Mj))
En effet, les études et recherches menées par le Demandeur, en se référant notamment à la théorie de l'évidence, ont montré que ces formulations sont les plus appropriées pour permettre une reconnaissance très sûre.

A partir de là, et dans l'un ou l'autre cas (ou dans les cas dits sous-optimaux), l'autre unité de calcul UC2 va pouvoir déterminer, pour chaque hypothèse Hi, une valeur d'un critère de vraisemblance VGi, qui obéit à la relation suivante
VGi = PROD/j (Plij(Hi) / (1 - Crij(Hi)) où PROD/j désigne l'opération produit de l'opérande qui suit, pris répétitivement pour toutes les valeurs de l'indice j.

Celle des valeurs VGi qui est maximale désigne l'hypothèse Hi* correspondante comme étant celle qui est reconnue.

En d'autres termes, on admet que l'objet H analysé correspond à l'objet Hi.

Cette mise en oeuvre correspond d'une part à l'application des règles d'inférence de la théorie de l'évidence, d'autre part à l'utilisation d'un critère de décision dont l'emploi et la justification théoriques sont originaux.

Pour la théorie de l'évidence, il est fait référence à l'ouvrage de G. SHAFER intitulé "MATHEMATICAL THEORY OF EVIDENCE",
Princetown University Press - 1976.

Le choix de la technique de décision précitée, qui correspond à l'hypothèse de plausibilité maximale, permet en outre d'aboutir à une mise en oeuvre particulièrement simple et robuste, en dépit de la complexité initiale importante que recèlent les règles d'inférence de la théorie de l'évidence.

Les expériences pratiques qui ont été conduites ont montré que l'on obtient, par la mise en oeuvre de l'invention, un gain important en terme de robustesse des performances, par rapport à des approches plus traditionnelles.

La robustesse des performances correspond à l'exactitude de la reconnaissance d'un objet, en dépit des variations ponctuelles des conditions de mesure.

Jusqu'à présent, pour éviter d'alourdir l'exposé, il n'a été considéré qu'une version simplifiée de l'invention.

La version complète est illustrée sur la figure 4.

Au lieu d'une seule mémoire MF et d'une seule mémoire MD, on prévoit en réalité k plans de mémoires dans chaque cas, par exemple des mémoires MF1, MF2, MF3 et MD1, MD2, MD3. L'indice terminal k (ici, k = 1 à 3) correspond à des conditions de travail différentes, en particulier des conditions d'environnement différentes.

Comme illustré sur la figure 4, les mesures tirées des senseurs sont appliquées non seulement aux mémoires MFk, mais également à une unité de calcul UCo chargée de reconnaître les conditions d'observation. Cette unité de calcul UCo va tenir compte des valeurs mesurées des grandeurs, éventuellement d'indications d'un opérateur, pour déterminer les conditions d'observation, et choisir en conséquence celui des k plans de mémoires qui sera utilisé d'une part au niveau de la mémoire MF, d'autre part au niveau de la mémoire MD.

L'homme de l'art comprendra que ceci contribue beaucoup à la robustesse de la reconnaissance des objets: ce moyen permet de tenir compte des conditions d'environnement d'une manière particulièrement simple et efficace.

Le mode de fonctionnement de l'unité de calcul UCo ne sera pas décrit en détail, puisqu'il s'agit du simple traitement de conditions logiques ou de conditions d'égalité/inégalité entre des valeurs mesurées et des valeurs de référence, par exemple.

Il suffit d'observer que l'unité de calcul UCo détermine, parmi les différents jeux de conditions d'observation répertoriés pour les mémoires introduites plus haut, celui qui est le plus proche des conditions rencontrées pour la reconnaissance de l'objet présenté. Elle peut traiter pour cela des informations introduites par un opérateur (ou un système extérieur), et les mesures Mj elles-mêmes. Il est clair que cette unité est étroitement dépendante de l'application envisagée, au même titre que les senseurs, et qu'elle ne peut être précisée davantage dans le cadre général de la présente description. Selon le cas, elle peut en particulier être amenée à n'utiliser que les informations de l'opérateur (aide à la décision), ou que les mesures Mj (robot autonome).Si les informations introduites par l'opérateur sont le plus souvent très directement des conditions particulières d'observation constatées, les mesures Mj donnent en général lieu à des traitements plus spécifiques : l'analyse de la dynamique du signal d'un senseur peut, par exemple, renseigner sur l'atténuation atmosphérique qu'il subit.

Les mécanismes d'apprentissage décrits en référence aux figures 2 et 3 ont un but essentiellement explicatif.

Dans la pratique, l'apprentissage préalable de chaque mémoire
MF1, MF2, MF3, ... suppose tout d'abord que l'on enregistre une série la plus conséquente possible, statistiquement, d'échantillons de la mesure Mj alors que le senseur Sj observe l'objet Hi sous les conditions requises, ceci pour les m senseurs
Sj et les n objets Hi, soit un total de n*m séries d'échantillons pour chaque mémoire. Ces données peuvent être obtenues à partir d'observations réelles, ou, à défaut, à partir de modèles physiques, statistiques, ou autres élaborés à partir de maquettes, de plans, ou de photos des objets. Chaque échantillon donne alors lieu à la constitution d'un histogramme présentant la fréquence des mesures obtenues par intervalles de valeurs judicieusement choisis. Ces histogrammes constituent directement les fonctions Fi(Mj) correspondantes, entrées dans les mémoires appropriées. Les mémoires elles-mêmes peuvent être directement tabulées et câblées pour délivrer ultérieurement la valeur numérique de fréquence obtenue précédemment lorsque la mesure observée tombe dans l'intervalle correspondant. De façon alternative, cette mémoire peut être remplacée par une unité de calcul mettant en oeuvre un modèle analytique de l'histogramme en question.

L'apprentissage des mémoires MD1, MD2, MD3, ... intervient alors sur la base d'un jeu de séries d'échantillons Mj similaire à celui qui a généré l'apprentissage des mémoires MF, mais élaboré grâce à des réalisations distinctes. Si un tel nouveau jeu ne peut être obtenu, on considérera à défaut des sous-ensembles des séries d'échantillons précédentes, l'objet du présent apprentissage étant simplement de garantir la robustesse des résultats.

La détermination des facteurs de confiance Dij est conduite par optimisation numérique heuristique, de façon à ce que le système multi-senseurs complet fournisse le meilleur taux de reconnaissance des objets présentés pour l'ensemble des échantillons pris en compte. Les valeurs obtenues sont alors stockées dans les mémoires correspondantes.

Une installation particulière mettant en oeuvre l'invention décrite ci-dessus peut, par exemple, être composée de deux capteurs, l'un étant un radar hyperfréquence, et l'autre un radiomètre infrarouge. Le but d'un tel système peut alors être l'extraction d'une cible dans le paysage, une telle cible étant typiquement un véhicule terrestre ou aérien, ou un navire en surface. Les hypothèses répertoriées a priori sont alors au nombre de deux, la première (H1) correspondant à l'absence de véhicule dans la direction de l'espace scrutée simultanément par les faisceaux radar et infrarouge, et la seconde (H2) correspondant à la présence d'un véhicule dans cette direction.

Les mesures utilisées dans ces conditions peuvent, par exemple, être au nombre de trois ; en liaison avec la figure 4, la mesure
M1 peut être le niveau de température relevé par le radiomètre infrarouge, la mesure M2 le niveau de SER (Surface Equivalente
Radar) calibré par rapport au niveau d'énergie détecté par le radar, et la mesure M3 la vitesse radiale de l'objet observé, obtenue par traitement Doppler du signal radar. On conçoit qu'ainsi les cibles seront essentiellement caractérisées par un niveau de température plus élevé, une SER plus forte, et en général une vitesse non nulle par rapport au paysage.

L'apprentissage des mémoires MF revient alors, comme indiqué précédemment, à tracer l'histogramme des valeurs obtenues pour chacune des mesures M1, M2, et M3, lorsqu'on présente aux instruments un certain nombre de paysages seuls, puis un certain nombre de véhicules. Les mémoires F1(M1), F1(M2), F1(M3), F2(M1),
F2(M2), F2(M3) sont ensuite respectivement chargées de ces histogrammes.

Les conditions envisagées peuvent en variante être au nombre de 4, correspondant aux différentes combinaisons de deux conditions élémentaires, relatives pour l'une à la présence de brouillards ou d'aérosols ayant pour effet de diminuer les contrastes infrarouges, et pour l'autre au caractère lent ou rapide des cibles cherchées, qui distingue notamment les cibles aériennes des autres. Pour la première de ces conditions l'unité UCO pourra analyser la dynamique du signal infrarouge obtenu sur différents points du paysage, pour la seconde, l'information sera typiquement entrée par l'opérateur dans l'unité UCo.

Les mémoires MD sont constituées par optimisation des paramètres D111 D121 D131 D211 D221 D231 lors d'une mise en oeuvre multisenseurs préalable sur divers types de paysages et divers types de véhicules, telle que présentée plus haut. L'utilité pratique de ces facteurs est typiquement ici d'assurer la robustesse du système à l'évolution des signatures des fonds et des cibles, tant du point de vue de leur variété (incluant d'éventuels leurres intentionnels), que du point de vue des conditions de mesure (météorologie, environnement, géométrie de la présentation, heure du jour, saison, notamment).

On peut également noter des applications intéressantes de l'invention à la robotique, en particulier pour l'aide à la navigation d'engins. Différents capteurs (imageur Infra-Rouge, imageur millimétrique, écoute radioélectrique passive, par exemple) peuvent en particulier fournir pour mesures Mj différents attributs propres à caractériser quelques types d'amers spécifiques du paysage, notamment basés sur la reconnaissance des formes.

Les sorties de l'unité UC1 sont alors utilisables par le système de navigation décrit dans la demande de brevet français N" 9000331 déposée le 12 janvier 1990 au nom de AEROSPATIALE SOCIETE
NATIONALE INDUSTRIELLE, et intitulée "Système embarqué pour déterminer la position d'un véhicule aérien et ses applications
Ce système met en oeuvre un filtrage stochastique propre à gérer les ambiguïtés en identité et en localisation des amers détectés.

Il utilise pour cela une adaptation originale et conjointe de deux techniques habituellement développées dans d'autres contextes : le filtrage par association probabiliste de données (PDAF) de BAR SHALOM, et la théorie de l'évidence de DEMPSTER et
SHAFER, décrite dans l'ouvrage de SHAFER déjà cité.

Claims (8)

Revendications

1. Procédé de traitement de signaux en vue de la discrimination d'objets, comprenant les étapes suivantes: a) préparer n jeux de m signaux de référence (SRij), ces n jeux étant respectivement relatifs à n objets prédéfinis Hi (i = 1 à n; j =1 à m), et étant obtenus à partir de signaux d'apprentissage relatifs à ces mêmes objets Hi, b) préparer des signaux-paramètres (Dij) représentant chacun un coefficient d'aptitude de l'un respectif (j) des m signaux de référence (SRij) à reconnaître l'un respectif Hi des n objets prédéfinis, c) acquérir m signaux numériques d'entrée Mj (j = 1 à m) relatifs à des grandeurs mesurées pour un objet présenté, ces signaux numériques d'entrée étant de même nature que les signaux d'apprentissage, d) comparer ces m signaux numériques d'entrée Mj (j = 1 à m) aux m signaux de référence de chacun des n jeux, chaque comparaison fournissant un signal de probabilité élémentaire PEij, e) fusionner ces signaux de probabilité élémentaire PEij sur l'ensemble des m grandeurs mesurées, compte-tenu des signauxparamètres (Dij), pour chacun (i) des n objets prédéfinis, ce qui fournit n signaux de vraisemblance globale VGi, et f) identifier l'objet présenté comme étant l'objet prédéfini pour lequel le signal de vraisemblance globale est maximum, caractérisé en ce que:: - l'étape a) comprend la préparation de signaux de fonctions

Fi(Mj) représentant chacune la probabilité a priori d'observer la mesure Mj lorsque l'objet prédéfini Hi est présenté, - l'étape b) comprend la préparation des signaux-paramètres (Dij) comme degrés de confiance respectifs de chacune de ces fonctions (Fi(Mj)), - l'étape e) comprend

el) l'élaboration de n.m signaux formant intervalles de confiance ICij pour chacune (j) des m grandeurs mesurées, et chacun (i) des n objets prédéfinis, puis

e2) la fusion, pour les m grandeurs, des m intervalles de confiance relatifs à chaque objet prédéfini Hi, en la vraisemblance globale VGi.

2. Procédé selon la revendication 1, caractérisé en ce que l'étape a) comprend une répétition préliminaire de l'étape c) pour chacun Hi des objets prédéfinis, et l'élaboration de la fonction Fi(Mj) à partir de la statistique des signaux numériques d'entrée obtenus.

3. Procédé selon l'une des revendications 1 et 2, caractérisé en ce que l'étape b) comprend une répétition préliminaire des étapes c) et d) pour chacun Hi des objets prédéfinis, et l'élaboration du degré de confiance Dij fournissant le meilleur taux de reconnaissances correctes de chaque objet Hi, comptabilisé lorsqu'on répète les étapes e) et f).

4. Procédé selon l'une des revendications 1 à 3, caractérisé en ce que l'étape el) comprend l'élaboration d'intervalles de confiance avec une borne inférieure Crij(Hi)=0 et une borne supérieure Plij(Hi) définie par la relation:

Plij(Hi) = 1 - Dij + Dij * Rj * Fi(Mj) où Rj est un gain de normalisation choisi, commun à tous les intervalles relatifs à une même mesure Mj, avec Rj positif et au plus égal à l'inverse de la plus élevée des valeurs Fi(Mj) pour j donné.

5. Procédé selon l'une des revendications 1 à 3, caractérisé en ce que l'étape el) comprend l'élaboration d'intervalles de confiance avec une borne inférieure Crij(Hi) définie par la relation:

Crij(Hi) = Dij * Rj * Fi(Mj) / (1 + Rj * Fi(Mj)) et une borne supérieure Plij(Hi) définie par la relation:

Plij(Hi) = (1 - Dij + Rj * Fi(Mj)) / (1 + Rj * Fi(Mj)) où Rj est un gain de normalisation choisi, commun à tous les intervalles relatifs à une même mesure Mj, avec Rj positif et au plus égal à l'inverse de la plus élevée des valeurs Fi(Mj) pour j donné.

6. Procédé selon l'une des revendications 1 à 5, caractérisé en ce que l'étape e2) comprend la fusion des intervalles de confiance en un critère VGi de vraisemblance par la formule:

VGi = PROD/j (Plij(Hi) / (1 - Crij(Hi)) où PROD/j désigne l'opération produit de l'opérande qui suit, pris répétitivement pour toutes les valeurs de l'indice j.

7. Procédé selon l'une des revendications précédentes, caractérisé en ce que les étapes a), b), c), d) et e) comprennent la prise en compte de plusieurs jeux (k) de signaux de référence et de signaux-paramètres représentant des conditions d'environnement différentes.

8. Dispositif de traitement de signaux en vue de la discrimination d'objets, du type comprenant: - des moyens propres à acquérir m signaux numériques d'entrée Mj (j = 1 à m) relatifs à des grandeurs mesurées pour un objet présenté, - une première mémoire contenant n jeux de m signaux de référence (SRij), ces n jeux étant respectivement relatifs à n objets prédéfinis Hi (i = 1 à n; j =1 à m), - une seconde mémoire contenant des signaux-paramètres (Dij) représentant chacun un coefficient d'aptitude de l'un respectif (j) des m signaux de référence (SRij) à reconnaître l'un respectif Hi des n objets prédéfinis, et - des moyens de traitement propres à::

comparer ces m signaux numériques d'entrée Mj (j = 1 à m) aux m signaux de référence de chacun des n jeux, chaque comparaison fournissant un signal de probabilité élémentaire

PEij,

fusionner ces signaux de probabilité élémentaire sur l'ensemble des m grandeurs mesurées, compte-tenu des signauxparamètres (Dij), pour chacun (i) des n objets prédéfinis, ce qui fournit n signaux de vraisemblance globale VGi, et

identifier l'objet présenté comme étant l'objet préf ini pour lequel le signal de vraisemblance globale est maximum, caractérisé en ce que les signaux de référence sont des signaux de fonctions Fi(Mj) représentant chacune la probabilité a priori d'observer la mesure Mj lorsque l'objet prédéfini Hi est présenté, en ce que les signaux-paramètres (Dij) sont les degrés de confiance de ces fonctions (Fi(Mj)), et en ce que les moyens de traitement élaborent n.m signaux formant intervalles de confiance ICij pour chacune (j) des m grandeurs mesurées, et chacun (i) des n objets prédéfinis, puis fusionnent, pour les m grandeurs, les m intervalles de confiance relatifs à chaque objet prédéfini Hi, en la vraisemblance élémentaire VGi.