FR3097973A1 - Dispositif radar pour la detection d'un comportement de reference de cibles pistees ; procede et produit programme d'ordinateur associes - Google Patents

Dispositif radar pour la detection d'un comportement de reference de cibles pistees ; procede et produit programme d'ordinateur associes Download PDF

Info

Publication number
FR3097973A1
FR3097973A1 FR1906940A FR1906940A FR3097973A1 FR 3097973 A1 FR3097973 A1 FR 3097973A1 FR 1906940 A FR1906940 A FR 1906940A FR 1906940 A FR1906940 A FR 1906940A FR 3097973 A1 FR3097973 A1 FR 3097973A1
Authority
FR
France
Prior art keywords
module
tracks
current instant
detection
radar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR1906940A
Other languages
English (en)
Other versions
FR3097973B1 (fr
Inventor
Amandine GOUT
Patrick Garrec
Florent Mennechet
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thales SA
Original Assignee
Thales SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thales SA filed Critical Thales SA
Priority to FR1906940A priority Critical patent/FR3097973B1/fr
Priority to PCT/EP2020/068121 priority patent/WO2020260649A1/fr
Publication of FR3097973A1 publication Critical patent/FR3097973A1/fr
Application granted granted Critical
Publication of FR3097973B1 publication Critical patent/FR3097973B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

Dispositif radar pour la détection d’un comportement de référence de cibles pistées ; procédé et produit programme d’ordinateur associé s Ce dispositif radar (1) intègre, entre une antenne (12) et une interface homme / machine (14), un système de traitement (10) qui comporte une unité de détection (22), délivrant une grille de détection (G(t)) à partir d’un signal radar (S(t)), une unité de pistage (24) délivrant des pistes (P(t)) à partir de la grille (G(t)), et une unité de détection (26) détectant le comportement de référence à partir des pistes (P(t)) pour fournir à un opérateur une aide sur la situation opérationnelle courante. L’unité de détection (26) comporte : un module de classification (34), analysant les pistes (P(t)) pour y détecter le comportement de référence par la mise en œuvre d’un algorithme du type Machine à Vecteurs de Support, convenablement paramétré à la suite d’un apprentissage adapté, de manière à générer un résultat de classification (C(t)); et, un module de mise à jour d’un indice de confiance (36), mettant à jour un indice de confiance (I(t)) en fonction du résultat de classification (C(t)) et générant une alerte (A(t)) en fonction de la valeur de l’indice de confiance. Figure pour l'abrégé : Figure 1

Description

Dispositif radar pour la détection d’un comportement de référence de cibles pistées ; procédé et produit programme d’ordinateur associés
La présente invention concerne les systèmes radars, de préférence aéroportés. Elle concerne plus particulièrement l’analyse des pistes afin d’aider l’opérateur à prendre conscience de la situation opérationnelle.
Il existe un besoin pour aider l’opérateur d’un avion porteur d’un système radar, à identifier, parmi l’ensemble des pistes élaborées à partir du signal radar, les pistes qui correspondent à des cibles qui amorcent une manœuvre hostile.
Il s’agit donc de détecter un comportement de référence, à partir de l’information délivrée en sortie de l’étage de pistage d’un système radar.
Une telle détection doit répondre à plusieurs contraintes :
- La détection doit s’effectuer le plus tôt possible afin d’anticiper les manœuvres hostiles. Les cibles peuvent évoluer à des distances très importantes de l’avion porteur, jusqu’à une centaine de kilomètres par exemple. Or, il est aujourd’hui difficile de demander à l’opérateur de porter son attention simultanément sur des zones géographiques étendues, de sorte que l’attention de l’opérateur peut être portée sur un autre endroit de la représentation graphique de la situation opérationnelle délivrée par le système radar au moment où la ou les cibles amorcent une manœuvre hostile.
- Le comportement à identifier peut impliquer une ou plusieurs cibles à la fois. En effet, certaines manœuvres hostiles font intervenir en même temps plusieurs avions, comme par exemple dans une attaque du type « tenaille » exécutée par deux avions ennemis.
- Les comportements à détecter peuvent être divers. Il faut donc pouvoir détecter, en situation, un comportement de référence particulier parmi plusieurs comportements d’intérêts.
- Le comportement à détecter peut être complexe et doit donc être détecté de façon fine, tout en restant robuste aux variabilités des situations particulières dans lesquelles sont observées les cibles. Cette contrainte de fiabilité se traduit notamment en ce que la détection doit être robuste aux variabilités sur les angles d’approches des cibles par rapport au porteur.
Ces différentes contraintes sont d’autant plus difficiles à satisfaire que l’on ne dispose que peu de données opérationnelles permettant de caractériser un comportement hostile. Ceci est d’autant plus complexe dans le domaine militaire pour lequel les données relatives aux trajectoires opérationnelles des comportements d’intérêt ne sont pas disponibles, car étant souvent classifiées, et ne sont pas nombreuses en raison de la difficulté d’observer les situations critiques offensives. Cette contrainte d’une fiabilité importante est essentielle, alors que l’on ne dispose que d’un nombre restreint de données pour caractériser les comportements d’intérêt et tester les systèmes potentiellement capables de les détecter.
Jusqu’à présent, les problématiques de reconnaissance du comportement d’un mobile sont souvent associées à des applications visant à détecter et analyser l’activité humaine. La détection se fait la plupart du temps à partir d’images de vidéosurveillance permettant de caractériser les trajectoires des mobiles d’intérêt.
Une approche similaire, basée sur l’étude des caractéristiques des trajectoires de cibles aériennes, pourrait être appliquée à des signaux radar.. Les trajectoires caractérisées seraient classées selon des catégories de trajectoires, chaque catégorie étant associée à un type de comportements. Dans l’article de C. Beaudry et al. «Reconnaissance d’actions dans les vidéos par caractérisation fréquentielle des trajectoires de points critiques », Congrès national sur la Reconnaissance de Formes et l’Intelligence Artificielle (RFIA’14), Juin 2014, Rouen, France, il est ainsi proposé une méthode de reconnaissance de comportements par analyse de trajectoires.
Cependant, une telle approche, fondée sur des trajectoires, s’intéresse à la détection de comportements a posteriori. Elle ne répond donc pas aux contraintes indiquées ci-dessus pour plusieurs raisons :
- le comportement à détecter n’est pas anticipé : En effet, cette approche, basée sur la trajectoire complète, ne permet pas d’alerter sur la nature d’une manœuvre dès les premiers instants de celle-ci, mais simplement de l’analyser sur la base d’un historique de sa cinématique. L’utilité opérationnelle est donc fortement restreinte.
- la réactivité est insuffisante : L’acquisition et l’analyse d’une suite de vecteurs décrivant la cinématique de la trajectoire au cours du temps induit nécessairement une latence qui peut s’avérer trop longue par rapport au besoin opérationnel.
- La robustesse est faible : En effet, la dépendance de la détection à un instant donné vis-à-vis des instants précédents, rend la solution peu robuste aux variabilités.
- Enfin, pour le cas d’un algorithme de « Machine Learning » et afin d’obtenir une solution robuste, la diversité des données nécessaire pour la phase d’apprentissage représenterait un nombre bien trop important de données.
Dans le domaine civil, une approche de l’état de l’art consiste à détecter les risques de collision entre avions en analysant le trafic aérien de manière instantanée. Cette approche est par exemple présentée dans l’article de Xu-rui Jiang et al. “A SVM Approach of Aircraft Conflict Detection in Free Flight”, Journal of Advanced Transportation, Volume 2018, ID 7964641, novembre 2018.
Dans cet article, les auteurs proposent d’étiqueter des trajectoires grâce à une bulle virtuelle autour de chaque avion, permettant d’obtenir un label binaire risqué/non risqué si un autre aéronef se trouve à l’intérieur/extérieur de la bulle de sécurité de l’avion considéré.
Cependant, cette approche ne répond pas aux contraintes indiquées ci-dessus pour plusieurs raisons :
- Elle ne permet pas de détecter les comportements d’intérêt le plus tôt possible. En effet, les étiquettes définies pour résoudre le problème d’anti-collision ne donnent qu’une information de proximité critique entre deux avions. Cela ne peut conduire qu’à la détection de comportements caractérisés par une proximité à l’avion considéré, alors que certaines manœuvres hostiles peuvent se dérouler à plus d’une centaine de kilomètre de l’avion considéré.
- Une telle approche ne permet pas d’identifier finement des comportements complexes : la solution se base sur une étiquette binaire, définie par rapport à une enveloppe autour de l’avion considéré, et ne permet donc de détecter qu’un comportement du type « proximité critique par rapport à un autre avion ». Or dans le cadre de tactiques militaires connues, il est intéressant de pouvoir identifier des comportements complexes afin de pouvoir prédire le déplacement des cibles selon la tactique identifiée.
- Cette approche ne permet de détecter qu’un seul type de comportement, or le problème consiste à pouvoir identifier différents comportements possibles et de choisir le plus probable. Une fois le comportement identifié parmi N comportements complexes connus possibles, cela permet, comme énoncé dans le point précédent, de prédire le comportement futur de la cible.
- Elle ne permet pas de traiter que le comportement d’un avion par rapport à un autre. Or, certains types de comportements d’intérêt mettent en jeu plusieurs cibles coordonnées.
L’invention a donc pour but de palier aux problèmes précités.
A cet effet, l’invention a pour objet un dispositif radar pour la détection d’au moins un comportement de référence de cibles pistées, ledit dispositif radar comportant une antenne radar, un système de traitement radar et une interface homme / machine - IHM, le système de traitement radar comportant une unité de traitement de détection, propre à délivrer une grille de détection à l’instant courant G(t) à partir d’un signal radar à l’instant courant S(t) délivré par l’antenne radar, et une unité de traitement de pistage, propre à délivrer des pistes à l’instant courant P(t) à partir de la grille à l’instant courant G(t) délivrée par le module de traitement de détection, caractérisé en ce que le système de traitement radar comporte, en outre, une unité de détection, propre à détecter ledit comportement de référence à partir des pistes à l’instant courant P(t) délivrées par le module de traitement de pistage, de manière à fournir à un opérateur du dispositif radar une aide sur une situation opérationnelle courante, l’unité de détection comportant : un module de classification, propre à analyser les pistes à l’instant courant pour y détecter le comportement de référence par la mise en œuvre d’un algorithme du type Machine à Vecteurs de Support – SVM, convenablement paramétré à la suite d’une phase d’apprentissage adaptée, de manière à générer un résultat de classification à l’instant courant C(t); et, un module de mise à jour d’un indice de confiance et de génération d’une alerte, propre à mettre à jour un indice de confiance à l’instant courant I(t) en fonction du résultat de classification à l’instant courant C(t) et à générer au moins une alerte à l’instant courant A(t) en fonction de la valeur de l’indice de confiance à l’instant courant I(t).
Suivant des modes particuliers de réalisation, le dispositif comporte une ou plusieurs des caractéristiques suivantes, prises isolément ou suivant toutes les combinaisons techniquement possibles :
- le module de classification comporte un sous-module de prétraitement, propre à générer des données prétraitées à partir des données issues des pistes à l’instant courant et d’un comportement cinématique d’un avion de référence par rapport auquel le comportement de référence est à détecter.
- le sous-module de prétraitement calcule les positions, vitesses et orientations relatives de chacune des pistes à l’instant courant par rapport à l’avion de référence, ainsi que les positions, vitesses et orientations relatives d’une première piste par rapport à une seconde piste, et ceci pour chaque paire possible de pistes parmi les pistes à l’instant courant.
- le module de classification comporte un sous-module de normalisation des données prétraitées à l’instant courant D(t) délivrées par le sous-module de prétraitement, les données prétraitées étant normalisées entre 0 et 1.
- le module de classification comporte un sous-module de classification mettant en œuvre l’algorithme du type Machine à Vecteurs de Support – SVM sur les données prétraitées à l’instant courant D(t) délivrées par le sous-module de prétraitement ou sur les données normalisées à l’instant courant D’(t) délivrées par le sous-module de normalisation.
- l’algorithme du type Machine à Vecteurs de Support – SVM comporte un noyau de type Fonction de Base Radiale – RBF.
- le module de classification étant propre à détecter le comportement de référence sur un nombre Q de pistes à l’instant courant, l’unité de détection comporte, en outre, un module de sélection de pistes propre à sélectionner Q pistes parmi les pistes à l’instant courant délivrées par l’unité de traitement et de pistage.
- les pistes à l’instant courant étant représentées graphiquement sur un écran de l’IHM, la ou chaque alerte à l’instant courant, générée en sortie de l’unité de détection, est représentée graphiquement sur l’écran.
- le module de classification est propre à analyser les pistes à l’instant courant pour y détecter un comportement de référence parmi une pluralité de comportements de référence, l’algorithme du type Machine à Vecteurs de Support – SVM étant alors un algorithme multi-classe, le nombre de classes correspondant au nombre de comportements de référence de la pluralité de comportements de référence augmenté d’une unité.
- l’unité de traitement radar est propre à analyser les pistes à l’instant courant pour y détecter un comportement de référence parmi une pluralité de comportements de référence, l’unité de traitement radar comportant une pluralité d’unité de détection en parallèle les unes des autres en sortie de l’unité de traitement de pistage, chaque unité de détection étant dédiée à la détection d’au moins un comportement de référence.
L’invention a également pour objet un procédé de détection mis en œuvre par ordinateur pour la détection d’un comportement de référence à partir de pistes à l’instant courant générées en sortie d’une unité de traitement et de pistage d’un système de traitement radar d’un dispositif radar, caractérisé en ce que, le dispositif radar étant conforme au dispositif précédent, ledit procédé est mis en œuvre par l’unité de détection dudit système de traitement radar de manière à : analyser les pistes à l’instant courant pour y détecter le comportement de référence par la mise en œuvre d’un algorithme du type Machine à Vecteurs de Support – SVM, convenablement paramétré à l’issue d’une phase d’apprentissage, de manière à générer un résultat de classification à l’instant courant ; puis à, mettre à jour un indice de confiance à l’instant courant en fonction du résultat de classification à l’instant courant et à générer au moins une alerte à l’instant courant en fonction de la valeur de l’indice de confiance à l’instant courant.
L’invention a également pour objet un produit programme d’ordinateur comportant des instructions qui, lorsqu’elles sont exécutées par un ordinateur, permettent la mise en œuvre du procédé de détection précédent.
L’invention et ses avantages seront mieux compris à la lecture de la description détaillée qui va suivre d’un mode de réalisation particulier, donné uniquement à titre d’exemple non limitatif, ladite description étant faite en se référant aux dessins annexés dans lesquels :
la figure 1 est une représentation schématique sous forme de blocs d’un dispositif radar intégrant un système de traitement radar selon l’invention ;
la figure 2 est une représentation schématique d’un mode de réalisation du module de classification du système de la figure 1 ;
la figure 3 est une représentation schématique d’un mode de réalisation du module de mise à jour d’un indice de confirmation et de génération d’alerte du système de la figure 1 ; et,
la figure 4 est une représentation schématique d’un mode de réalisation d’un module de sélection de pistes du système radar de la figure 1.
Structure du système de traitement radar
La figure 1 représente un dispositif radar 1.
Celui-ci comporte une antenne radar (et son électronique d’acquisition) 12, un système de traitement radar 10, et une interface homme / machine – IHM 14.
Le système 10 est un calculateur programmé comportant un moyen de calcul et un moyen de mémorisation. Ce dernier stocke notamment les instructions de programmes d’ordinateur propres à être exécutés par le moyen de calcul. Sur la figure 1, ces programmes sont représentés schématiquement par différents blocs, dénommés unités, modules ou sous-modules dans la suite de la présente description.
Le système 10 reçoit en entrée le signal radar à l’instant courant, S(t), tel que délivré par l’antenne radar 12.
De manière conventionnelle, le système 10 comporte, en amont, une unité 22 de traitement de détection, suivie d’une unité 24 de traitement de pistage. Ces unités sont similaires à celles de l’état de la technique et connues de l’homme du métier.
Plus précisément, à partir du signal radar à l’instant courant, S(t), l’unité 22 est propre à délivrer en sortie une grille de détection à l’instant courant, G(t).
A partir d’une grille de détection à l’instant courant G(t), et éventuellement d’une ou plusieurs grilles à des instants passés, l’unité 24 est propre à délivrer une pluralité de pistes à l’instant courant, P(t). Le nombre de pistes à l’instant courant est noté M, entier supérieur ou égal à 0. Sa valeur peut évoluer à chaque pas de temps.
Une piste est une succession de plots radars cohérents, corrélés entre eux par l’intermédiaire de caractéristiques tel que la vitesse, la position, l’accélération, la direction...
Une piste représente une cible potentielle.
Une piste peut avantageusement être représentée graphiquement de manière à être affichée en temps réel sur l’écran de l’IHM 14, afin de permettre à un opérateur de réaliser une tâche, par exemple de surveillance de la zone observée par l’antenne radar 12.
Selon l’invention, le système de traitement radar 10 comporte en outre au moins une unité de détection 26, qui est propre à détecter au moins un comportement de référence de manière à fournir une aide à l’opérateur sur la situation opérationnelle courante.
Pour simplifier la description qui va suivre, dans un premier temps sera considéré le cas d’une seule unité de détection propre à détecter un seul comportement de référence. Cet enseignement sera ensuite généralisé à la détection de plusieurs comportements de référence, au moyen d’une seule unité de détection, puis de plusieurs unités de détection fonctionnant en parallèle les unes des autres.
L’unité 26 est située en aval de l’unité 24 de traitement de pistage.
Dans le mode de réalisation de la figure 1, l’unité 26 comporte un module 32 de sélection de pistes, un module 34 de classification, et un module 36 de mise à jour d’un indice de confiance et de génération d’alerte.
Le module 32 est propre à sélectionner Q pistes parmi les M pistes à l’instant courant P(t) et à les appliquer en entrée du module 34 de classification.
Le module 34 analyse les Q pistes à l’instant courant P(t) afin de détecter, dans les manœuvres des cibles correspondantes, un comportement de référence.
Le module 34 délivre, en sortie, un résultat de classification à l’instant courant, C(t). Il s’agit d’une grandeur binaire qui prend la valeur unité lorsque le comportement de référence est détecté dans les Q pistes à l’instant courant, P(t), et la valeur nulle sinon.
Le module 36 prend le résultat à l’instant courant, C(t), pour mettre à jour un indice de confirmation I(t) associé au comportement de référence. L’indice de confirmation est incrémenté ou décrémenté selon la valeur du résultat C(t).
En fonction de la valeur courante de l’indice I(t), le module 36 est propre à générer au moins une alerte adaptée. L’alerte générée à l’instant courant A(t) peut avantageusement être représentée graphiquement de manière à pouvoir être affichée, en temps réel, sur l’écran de l’IHM 14.
Par exemple, si au cours de plusieurs pas de temps successifs, il est détecté que les cibles pistées manœuvrent conformément au comportement de référence, l’indice de confirmation finit par dépasser un premier seuil. Cela déclenche la génération d’une alerte, consistant par exemple à modifier la couleur d’affichage des pistes correspondantes sur l’IHM pour attirer l’attention de l’opérateur.
Si la manœuvre des cibles pistées s’écarte ensuite du comportement de référence, alors l’indice de confirmation diminue progressivement pour finalement passer au-dessous d’un second seuil (pouvant être identique au premier), ayant pour effet de lever l’alerte.
Une alerte constitue donc une donnée de sortie de l’unité 26.
Module de classification
Le module 34 de classification va maintenant être présenté en se référant à la figure 2.
Le comportement de référence correspondant à une manœuvre faisant intervenir Q cibles, le module 34 fonctionne sur un nombre fixe de pistes égal à Q. Q est un entier supérieur ou égale à 1. Chaque piste est indicée par un entier i, entre 1 et Q.
Le module 34 prend également en entrée les grandeurs cinématiques à l’instant courant, Pref(t), de l’avion de référence, défini comme l’avion par rapport auquel le comportement de référence est à détecter. Dans ce qui suit, il s’agit de l’avion porteur du dispositif radar 1. En variante il peut s’agir d’un avion ami.
Le module 34 est constitué :
- d’un sous-module 42 de prétraitement des données issues des Q pistes P(t) et du comportement cinématique de l’avion de référence, Pref(t).
Ce module calcule les positions di,ref, vitesses vi,refet orientations oi,refrelatives de la piste d’indice i par rapport à l’avion de référence, et ceci pour chaque piste parmi les Q pistes.
Le module 42 calcule également les positions dj,k, vitesses vj,ket orientations oj,krelatives d’une première cible correspondant à une première piste j par rapport à une seconde cible correspondant à une seconde piste k, et ceci pour chaque paire possible de pistes parmi les Q pistes, soit 2 parmi Q .
Des données prétraitées à l’instant courant, notées D(t), sont délivrées en sortie du sous-module 42.
- d’un sous-module 44 de normalisation des données D(t). Les données prétraitées sont avantageusement normalisées entre 0 et 1 afin de favoriser la convergence de l’algorithme de classification. L’on peut normaliser une donnée prétraitée par rapport à la variance des valeurs de cette donnée, ou encore par rapport au maximum des valeurs de cette donnée.
Des données normalisées à l’instant courant, notées D’(t), sont délivrées en sortie du sous-module 44.
- d’un sous-module 46 de classification mettant en œuvre un algorithme de classification, qui permet de classer la situation opérationnelle décrite par les données D’(t) comme relevant, oui ou non, d’un comportement de référence recherché.
Le module 46 génère en sortie un résultat à l’instant courant C(t). Celui-ci prend par exemple la valeur unité lorsque la situation relève du comportement de référence ou la valeur nulle lorsque la situation ne relève pas du comportement de référence.
L’algorithme de classification est un algorithme d’apprentissage automatique (« Machine Learning » en anglais) du type Machine à Vecteurs de Support (« Support Vector Machine » – SVM) avec de préférence un noyau de type Fonction de Base Radiale (« Radial Basis Function »- RBF). Un tel algorithme est par exemple présenté dans le document C. Cortes et al., « Support-Vector Networks », Machine Learning, 20, pages 273-297 (1995), Kluwer Academic Piblishers, ou encore dans le document B. E. Boser et al., « A training algorithm for optimal margin classifiers », Proceedings of the fifth annual workshop on Computational learning theory’ pages 144-152, 27-29 Juilet 1992, Pittsburgh, Pennsylvania, USA.Pour que l’algorithme de classification puisse identifier que le comportement instantané des cibles pistées par rapport à l’avion de référence correspond au comportement de référence, les caractéristiques du comportement de référence doivent être apprises par l’algorithme de classification au cours d’une phase d’apprentissage.
A l’issue de la phase d’apprentissage, l’algorithme de classification convenablement paramétré est utilisé pour la détection, en temps réel, du comportement de référence sur les pistes à l’instant courant.
La phase d’apprentissage est cruciale. Elle s’effectue sur des données d’entrainement qui doivent être variées et en nombre suffisant, afin de conduire à une classification suffisamment robuste des situations réelles.
En effet, l’algorithme de classification une fois paramétré doit être capable d’une certaine généralisation par rapport aux données d’entrainement, c’est-à-dire afin d’éviter un sur-apprentissage vis-à-vis des données d’entrainement, qui se traduirait par une détection du comportement de référence uniquement pour des données réelles identiques aux données d’entrainement.
La robustesse est ainsi la propriété qui permet à l’algorithme de classification de détecter un comportement de référence à partir de données réelles identiques aux données d’entrainement, mais également à partir de données réelles nouvelles, dans la mesure où elles n’ont pas été rencontrées dans la phase d’apprentissage. Les variabilités sur les mesures de distance, vitesse et orientation relatives des données réelles ne mèneront alors pas à un dysfonctionnement de l’algorithme de classification, i.e. à considérer de manière erronée que la situation réelle ne relève pas du comportement de référence.
De plus, pour un apprentissage supervisé, il faut que les données d’entrainement soient étiquetées. Chaque donnée d’entrainement doit ainsi porter une étiquette indiquant à l’algorithme de classification la sortie attendue, en l’occurrence si oui ou non elle correspond au comportement de référence.
Avantageusement, un module de génération et d’étiquetage des données d’entrainement est prévu (non représenté sur les figures) pour préparer des données d’entrainement permettant que le comportement de référence à détecter soit capté de façon la plus fine possible dans le paramétrage final de l’algorithme de classification.
Le comportement de référence à apprendre est identifié à partir d’une situation réelle ou d’une situation simulée, reproduite au moyen d’un simulateur. On dispose ainsi de données d’entrainement soit réelles soit simulées.
Les données d’entrainement associées aux pistes à un instant courant constituent un échantillon.. Par exemple, avec un échantillonnage toutes les 200 ms, et seulement une dizaine de scénarios d’une durée d’une dizaine de minutes, on obtient plusieurs milliers de données d’entrainement, qui sont stockées dans une base de données d’apprentissage.
Les données d’entrainement doivent présenter des variabilités relativement importantes. Certains échantillons contiennent ainsi des données proches de celles du comportement de référence, mais ne correspondant pas au comportement de référence. Ceci permet de conférer à l’algorithme de classification une capacité de détection fine d’un comportement de référence même complexe.
Les étiquettes associées aux données d’entrainement doivent indiquer l’appartenance ou la non appartenance au comportement de référence dès les premières secondes où les cibles amorcent la manœuvre correspondant au comportement de référence. Ceci permet de conférer à l’algorithme de classification une sensibilité accrue autorisent une détection du comportement de référence au plus tôt.
Le risque de fausses alarmes lié à cet étiquetage précoce des données d’entrainement est maitrisé par le module 36 de mise à jour d’un indice de confirmation, comme cela sera décrit ci-dessous.
Les données d’entrainement réelles sont en quantité limitée, car l’observation d’un comportement de référence présentant un intérêt reste un évènement rare en aéronautique militaire et il n’existe pas de base de données recensant de tels évènements.
La génération de données d’entrainement simulées reste modeste dans la mesure où elles ne peuvent représenter qu’une partie des variabilités possibles d’un même comportement de référence.
Le choix de l’algorithme de classification est donc déterminant pour assurer une généralisation suffisante, au-delà du choix des données d’entrainement. Il est ainsi avantageux d’opter pour un algorithme ayant de bonnes propriétés de généralisation malgré le peu de données d’entrainement.
Le problème sous-jacent à la détection d’un comportement de référence à partir de pistes se rapproche d’un problème de nature géométrique. Un algorithme du type SVM constitue une solution adéquate, puisqu’elle s’appuie sur une approche géométrique de séparation non linéaire des données. Une telle approche permet de classifier à l’aide de séparateurs non linéaires (ici un noyau de type RBF), les données d’entrainement disponibles. Pour faire simple, les données d’entrainement sont projetées dans un espace de grandes dimensions où elles deviennent séparables.
Les avantages de la mise en œuvre d’un tel système, analysant finement chaque donnée indépendamment de l’analyse des données précédentes, sont donc nombreux : indépendance de la détection vis-à-vis des données passées ; obtention d’une réactivité de détection immédiate au moindre comportement suspect de la ou des cibles pistées ; détection robuste, c’est-à-dire ne reposant pas sur la connaissance fine et exhaustive du comportement de référence (la quantité de données d’entrainement nécessaire étant réduite), mais permettant malgré tout de prendre en compte les variabilités possibles des manœuvres réelles ; détection de comportements de référence complexes.
Module de mise à jour d’un indice de confiance et de génération d’une alerte
L’analyse de la situation aérienne de manière instantanée par le module 34, si elle présente les avantages énumérés ci-dessus, présente en contrepartie une sensibilité accrue aux fausses alarmes.
Les fausses alarmes sont un surplus d’information qui pourrait nuire au travail de l’opérateur.
Le module 36 introduit donc le calcul d’un indice de confiance qui constitue une mesure de la confiance que l’on peut avoir dans le résultat de la détection à l’instant courant, en fonction des résultats de la détection aux instants précédents.
En fonction de la valeur de l’indice de confiance à l’instant courant I(t), le module 36 peut mettre en œuvre différentes politiques pour générer une ou plusieurs alarme(s) à l’instant courant, A(t).
En référence à la figure 3, un mode de réalisation du module 36 va être présenté plus en détail.
L’indice de confiance est par exemple un entier entre 0 et 100.
Il est décidé de générer une alerte lorsque l’indice atteint la valeur 100 et ensuite de supprimer cette alerte lorsque l’indice revient à la valeur 0.
La vitesse d’évolution de la valeur de cet indice en fonction du résultat à l’instant courant C(t) formalise le compromis entre réactivité de détection et taux de fausses alarmes souhaité par l’opérateur. Les vitesses d’incrémentation et de décrémentation sont donc de préférence paramétrables en fonction du besoin.
Un pas d’incrémentation p est par exemple défini en fonction du temps d’échantillonnage auquel est analysée la situation, , et de l’écart entre les valeurs extrêmes de l’indice de confiance :
Où s est un coefficient de proportionnalité. L’opérateur peut choisir une valeur de s élevée pour augmenter la vitesse d’incrémentation et par conséquent réduire la durée nécessaire de confirmation de la détection du comportement de référence avant que l’alerte ne soit émise.
Un pas de décrémentation d est par exemple défini en fonction du temps d’échantillonnage auquel est analysée la situation, , et de l’écart entre les valeurs extrêmes de l’indice de confiance :
Où s’ est un coefficient de proportionnalité, dont la valeur peut être augmentée si la volonté est de supprimer l’alerte lorsque le comportement n’est plus complètement certain.
Ainsi, à l’étape 50, la valeur du résultat à l’instant courant C(t), la valeur de l’alerte à l’instant courant A(t) et la valeur de l’indice de confiance à l’instant courant I(t) sont lues dans la mémoire du système de traitement radar 10.
A l’étape 51, la valeur de C(t) est testée. Si cette valeur est égale à l’unité, le processus avance à l’étape 52 ; à défaut, c’est-à-dire si cette valeur est nulle, le processus avance à l’étape 62.
A l’étape 52, la valeur de I(t) est comparée au seuil haut, valant ici 100.
Si l’indice de confiance I(t) est égal au seuil haut, une alerte est générée en fixant la valeur de l’alerte à l’instant suivant, A(t+1) à l’unité (étape 53).
Si l’indice de confiance I(t) est inférieur au seuil haut, le processus passe à l’étape 54 où l’indice de confiance à l’instant suivant I(t+1) est calculé en ajoutant la quantité p à l’indice de confiance à l’instant courant I(t).
Puis, à l’étape 55, l’indice de confirmation mise à jour, I(t+1), est comparé au seuil haut.
Si l’issue de la comparaison est positive, c’est-à-dire si l’indice de confirmation mise à jour, I(t+1), est égal au seuil haut, une alerte est générée en fixant la valeur de l’alerte à l’instant suivant, A(t+1), à l’unité (étape 56).
A défaut, la valeur de l’alerte est conservée en affectant à la valeur de l’alerte à l’instant suivant, la valeur de l’alerte à l’instant courant. Ainsi, si une alerte était déjà en cours, l’alerte est maintenue.
Puis le processus boucle à l’étape 50, l’instant suivant t+1 de l’itération venant de s’achever étant considéré comme l’instant courant t de l’itération suivante.
A l’étape 62, la valeur de l’indice de confiance à l’instant courant I(t) est comparée au seuil bas, valant ici 0.
Si l’issue de cette comparaison est positive, c’est-à-dire si l’indice de confiance I(t) est égal au seuil bas, toute alerte est supprimée en fixant la valeur de l’alerte à l’instant suivant, A(t+1), à la valeur nulle (étape 63).
Si l’issue de la comparaison est négative, c’est-à-dire si l’indice de confiance I(t) est supérieur au seuil bas, à l’étape 64, l’indice de confirmation à l’instant suivant I(t+1) est calculé en soustrayant la quantité d à l’indice de confiance à l’instant courant I(t).
Puis, à l’étape 65, l’indice de confirmation mise à jour, I(t+1), est comparé au seuil bas.
Si l’issue de la comparaison est positive, c’est-à-dire si le l’indice de confiance mis à jour est égal au seuil bas, toute alerte est supprimée en affectant la valeur nulle à l’alerte à l’instant suivant, A(t+1) (étape 66).
A défaut, la valeur de l’alerte est conservée en affectant à la valeur de l’alerte à l’instant suivant, la valeur de l’alerte à l’instant courant. Ainsi, si une alerte était déjà en cours, l’alerte est maintenue.
Puis le processus boucle à l’étape 50, l’instant suivant t+1 de l’itération venant de s’achever étant considéré comme l’instant courant t de l’itération suivante du processus.
Module de sélection de piste s
Le comportement de référence portant sur exactement Q pistes, le module 32 a pour fonction de fournir au module 34 de classification exactement Q pistes parmi les M pistes à l’instant courant P(t) délivrée par le module de pistage.
Si le nombre M de pistes à l’instant courant est strictement inférieur à Q, alors aucune piste n’est appliquée en entrée du module 34, qui reste en attente d’entrées valides. Aucun résultat n’est donc retourné.
Si le nombre M de pistes à l’instant courant est égal à Q, alors les pistes à l’instant courant délivrées par le module 34 sont directement appliquées en entrée du module 34.
Si le nombre de pistes à l’instant courant est strictement supérieur à Q, le module 32 sélectionne Q pistes parmi les M pistes à l’instant courant P(t).
Par exemple, le module 32 transmet au module 34 toutes les combinaisons possibles de Q pistes parmi les M pistes présentes.
Avantageusement, le module 32 ne transmet une combinaison de Q pistes au module 34 que s’il y a une suspicion que cette combinaison corresponde au comportement de référence.
Pour cela, comme représenté sur la figure 4, le module 32 intègre un sous-module 72 de calcul des combinaisons de Q pistes parmi les M pistes reçues en entrée.
Le module 32 intègre également un sous-module de prédétection 340 qui est de préférence en tout point similaire au module 34 de classification paramétré.
Si le sous-module 340 estime que les Q pistes qui lui sont transmises par le sous-module 72 risquent de correspondre au comportement de référence, le résultat de la prédétection C0prend la valeur unité. Cette variable de sortie prend sinon la valeur nulle.
Le sous-module 74 teste alors la valeur du résultat de la prédétection, C0. Un ensemble des Q pistes est transmis au module 34 uniquement lorsque C0est égal à l’unité.
A défaut, le sous-module 72 établit une autre combinaison de Q pistes et la propose au sous-module de prédétection 340.
Généralisation à plusieurs comportements de référence
Si l’on cherche à détecter plusieurs types de comportements de référence simultanément, deux options sont envisageables selon les similitudes entre les comportements de référence à détecter.
Comportements de référence sur un même nombre Q de pistes
Dans le cas de comportements de référence concernant un même nombre Q de pistes et discernables entre eux, il est envisageable de mettre en œuvre un algorithme de classification SVM multi-classe. Il s’agit d’une généralisation de l’algorithme de classification présenté ci-dessus, mais avec un nombre total de classes égal au nombre de comportements de référence à détecter augmenté d’une unité. A classification s’effectue ainsi selon L+1 classes : L classes correspondant chacune à un comportement de référence ; et une classe supplémentaire pour les comportements « anodin » ne correspondant à aucun des comportements de référence à détecter. Le résultat à l’instant courant est alors un entier entre 0 et L, chaque valeur correspondant à une classe.
Comportements de réf érence sur des nombres différents de pistes
Dans le cas soit de comportements de référence concernant un même nombre Q de pistes mais ayant des similitudes entre eux les rendant non discernables, soit de comportements de référence concernant un nombre différent de pistes les uns des autres, un unique module de détection, même multi-classe, n’est pas suffisant.
En effet, dans la première alternative, le recouvrement entre classes deviendrait problématique pour que l’algorithme de classification puisse les dissocier efficacement.
Dans la seconde alternative, un module de détection fonctionnant avec un nombre de pistes fixe ne peut plus être utilisé.
Il faut alors exécuter en parallèle plusieurs modules de classification, chaque module mettant en œuvre un algorithme de classification dédié au comportement de référence à détecter. Ceci est illustré sur la figure 1 avec, en trait pointillés, une unité de détection 26’, similaire à l’unité 26 mais dédiée à la détection d’un comportement de référence différent de celui que l’unité 26 est capable de détecter.
Eventuellement, le système de traitement radar comporte alors, en aval des unités de détection, un module de vote permettant de prendre en compte les valeurs des alertes à l’instant courant générées par les différentes unités de détection.
Par exemple, la recherche de deux comportements de référence possibles avec un nombre de cibles différent passe par l’utilisation d’un premier module de détection détectant un comportement coordonné de deux cibles et un second module de détection détectant le comportement coordonné de trois cibles. Les premier et second modules de détection sont exécutés en parallèle, et chacun met à jour un indice de confiance qui lui est propre jusqu’à atteindre un seuil l’alerte si l’indice correspondant dépasse le seuil fixé.
Par exemple encore, la recherche de deux types de comportements de référence possibles avec un même nombre de cibles passe par l’utilisation d’un premier module détectant un premier comportement coordonné de deux cibles et un second module détectant un second comportement coordonné de deux cibles, les premier et second comportements étant similaires en début de manœuvre. Les premier et second modules de détection sont exécutés en parallèle, et chacun met à jour l’indice de confiance qui lui est associé jusqu’à obtention ou non de l’alerte si l’indice correspondant dépasse un critère fixé. En début de manœuvre, les deux comportements de référence seront détectés comme potentiellement en cours. Seul l’une des deux alertes persistera au cours de la mise à jour des indices de confiance lors de l’avancement de la manœuvre.
Variantes et généralisations
Le système radar selon l’invention trouve son application dans le domaine militaire aérien, terrestre ou maritime. Il permet d’analyser la situation opérationnelle en temps réel afin d’y détecter des comportements connus d’une ou plusieurs pistes, coordonnées ou non, mobiles ou non, effectuées par des cibles qui peuvent être des aéronefs (tels que des avions de chasse), des cibles au sol (véhicules), ou bien des bateaux (navires).
Il offre à l’opérateur une aide qui participe à la prise de conscience de la situation (« Situational Awareness »).
Il est à noter que, dans l’analyse effectuée par le système radar selon l’invention, les actions passées des cibles ne sont pas prises en compte pour la classification, ce qui permet de conserver une indépendance par rapport à l’historique des pistes, et par conséquent d’offrir une plus grande robustesse aux variabilités rencontrées.

Claims (12)

  1. Dispositif radar (1) pour la détection d’au moins un comportement de référence de cibles pistées, ledit dispositif radar comportant une antenne radar (12), un système de traitement radar (10) et une interface homme / machine - IHM (14), le système de traitement radar (10) comportant une unité de traitement de détection (22), propre à délivrer une grille de détection à l’instant courant (G(t)) à partir d’un signal radar à l’instant courant (S(t)) délivré par l’antenne radar (12), et une unité de traitement de pistage (24), propre à délivrer des pistes à l’instant courant (P(t)) à partir de la grille à l’instant courant (G(t)) délivrée par le module de traitement de détection (22),
    caractérisé en ce que le système de traitement radar (10) comporte, en outre, une unité de détection (26), propre à détecter ledit comportement de référence à partir des pistes à l’instant courant (P(t)) délivrées par le module de traitement de pistage (24), de manière à fournir à un opérateur du dispositif radar (1) une aide sur une situation opérationnelle courante, l’unité de détection (26) comportant :
    - un module de classification (34), propre à analyser les pistes à l’instant courant (P(t)) pour y détecter le comportement de référence par la mise en œuvre d’un algorithme du type Machine à Vecteurs de Support – SVM, convenablement paramétré à la suite d’une phase d’apprentissage adaptée, de manière à générer un résultat de classification à l’instant courant (C(t)); et,
    - un module de mise à jour d’un indice de confiance et de génération d’une alerte (36), propre à mettre à jour un indice de confiance à l’instant courant (I(t)) en fonction du résultat de classification à l’instant courant (C(t)) et à générer au moins une alerte à l’instant courant (A(t)) en fonction de la valeur de l’indice de confiance à l’instant courant (I(t)).
  2. Dispositif selon la revendication 1, dans lequel le module de classification (34) comporte un sous-module (42) de prétraitement, propre à générer des données prétraitées à partir des données issues des pistes à l’instant courant (P(t)) et d’un comportement cinématique d’un avion de référence par rapport auquel le comportement de référence est à détecter.
  3. Dispositif selon la revendication 2, dans lequel le sous-module (42) de prétraitement calcule les positions, vitesses et orientations relatives de chacune des pistes à l’instant courant (P(t)) par rapport à l’avion de référence, ainsi que les positions, vitesses et orientations relatives d’une première piste par rapport à une seconde piste, et ceci pour chaque paire possible de pistes parmi les pistes à l’instant courant (P(t)).
  4. Dispositif selon la revendication 2 ou la revendication 3, dans lequel le module de classification (34) comporte un sous-module (44) de normalisation des données prétraitées à l’instant courant (D(t)) délivrées par le sous-module de prétraitement (42), les données prétraitées étant normalisées entre 0 et 1.
  5. Dispositif selon l’une quelconque des revendications 2 à 4, dans lequel le module de classification (34) comporte un sous-module (46) de classification mettant en œuvre l’algorithme du type Machine à Vecteurs de Support – SVM sur les données prétraitées à l’instant courant (D(t)) délivrées par le sous-module de prétraitement (42) ou sur les données normalisées à l’instant courant (D’(t)) délivrées par le sous-module de normalisation (44).
  6. Dispositif selon l’une quelconque des revendications 1 à 5, dans lequel l’algorithme du type Machine à Vecteurs de Support – SVM comporte un noyau de type Fonction de Base Radiale – RBF.
  7. Dispositif selon l’une quelconque des revendications 1 à 6, dans lequel, le module de classification (34) étant propre à détecter le comportement de référence sur un nombre Q de pistes à l’instant courant (P(t)), l’unité de détection (26) comporte, en outre, un module de sélection de pistes (32) propre à sélectionner Q pistes parmi les pistes à l’instant courant (P(t)) délivrées par l’unité de traitement et de pistage (24).
  8. Dispositif selon l’une quelconque des revendications 1 à 7, dans lequel, les pistes à l’instant courant (P(t)) étant représentées graphiquement sur un écran de l’IHM (14), la ou chaque alerte à l’instant courant, générée en sortie de l’unité de détection (26), est représentée graphiquement sur l’écran.
  9. Dispositif selon l’une quelconque des revendications 1 à 8, dans lequel le module de classification est propre à analyser les pistes à l’instant courant (P(t)) pour y détecter un comportement de référence parmi une pluralité de comportements de référence, l’algorithme du type Machine à Vecteurs de Support – SVM étant alors un algorithme multi-classe, le nombre de classes correspondant au nombre de comportements de référence de la pluralité de comportements de référence augmenté d’une unité.
  10. Dispositif selon l’une quelconque des revendications 1 à 9, dans lequel l’unité de traitement radar (10) est propre à analyser les pistes à l’instant courant (P(t)) pour y détecter un comportement de référence parmi une pluralité de comportements de référence, l’unité de traitement radar (10) comportant une pluralité d’unité de détection (26, 26’) en parallèle les unes des autres en sortie de l’unité de traitement de pistage (24), chaque unité de détection étant dédiée à la détection d’au moins un comportement de référence.
  11. Procédé de détection mis en œuvre par ordinateur pour la détection d’un comportement de référence à partir de pistes à l’instant courant (P(t)) générées en sortie d’une unité de traitement et de pistage (24) d’un système de traitement radar (10) d’un dispositif radar (1), caractérisé en ce que, le dispositif radar étant conforme à l’une quelconque des revendications 1 à 10, ledit procédé est mis en œuvre par l’unité de détection (26) dudit système de traitement radar (10) de manière à :
    - analyser les pistes à l’instant courant (P(t)) pour y détecter le comportement de référence par la mise en œuvre d’un algorithme du type Machine à Vecteurs de Support – SVM, convenablement paramétré à l’issue d’une phase d’apprentissage, de manière à générer un résultat de classification à l’instant courant (C(t)); puis à,
    - mettre à jour un indice de confiance à l’instant courant (I(t)) en fonction du résultat de classification à l’instant courant (C(t)) et à générer au moins une alerte à l’instant courant (A(t)) en fonction de la valeur de l’indice de confiance à l’instant courant.
  12. Produit programme d’ordinateur comportant des instructions qui, lorsqu’elles sont exécutées par un ordinateur, permettent la mise en œuvre du procédé de détection selon la revendication 11.
FR1906940A 2019-06-26 2019-06-26 Dispositif radar pour la detection d'un comportement de reference de cibles pistees ; procede et produit programme d'ordinateur associes Active FR3097973B1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
FR1906940A FR3097973B1 (fr) 2019-06-26 2019-06-26 Dispositif radar pour la detection d'un comportement de reference de cibles pistees ; procede et produit programme d'ordinateur associes
PCT/EP2020/068121 WO2020260649A1 (fr) 2019-06-26 2020-06-26 Dispositif radar pour la détection d'un comportement de référence de cibles pistées; procédé et produit programme d'ordinateur associés

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1906940A FR3097973B1 (fr) 2019-06-26 2019-06-26 Dispositif radar pour la detection d'un comportement de reference de cibles pistees ; procede et produit programme d'ordinateur associes
FR1906940 2019-06-26

Publications (2)

Publication Number Publication Date
FR3097973A1 true FR3097973A1 (fr) 2021-01-01
FR3097973B1 FR3097973B1 (fr) 2021-06-18

Family

ID=68343044

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1906940A Active FR3097973B1 (fr) 2019-06-26 2019-06-26 Dispositif radar pour la detection d'un comportement de reference de cibles pistees ; procede et produit programme d'ordinateur associes

Country Status (2)

Country Link
FR (1) FR3097973B1 (fr)
WO (1) WO2020260649A1 (fr)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064155B (zh) * 2021-03-18 2023-09-15 沈阳理工大学 一种空中雷达多目标跟踪下航迹关联的优化方法
CN114298209A (zh) * 2021-12-24 2022-04-08 深圳前海微众银行股份有限公司 硬件设备维护方法、装置及电子设备
CN114814826B (zh) * 2022-04-08 2023-06-16 苏州大学 一种基于目标网格的雷达轨行区环境感知方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070024494A1 (en) * 2005-04-11 2007-02-01 Dizaji Reza M Classification system for radar and sonar applications
US20080111731A1 (en) * 2006-11-09 2008-05-15 Oliver Hugh Hubbard Dual beam radar system
CN106483514A (zh) * 2016-09-23 2017-03-08 电子科技大学 一种基于eemd和支持向量机的飞机运动模式识别方法
CN107300698A (zh) * 2017-08-21 2017-10-27 哈尔滨工业大学 一种基于支持向量机的雷达目标航迹起始方法
US20190184987A1 (en) * 2017-12-19 2019-06-20 Hyundai Motor Company Apparatus and method for deciding a maneuver of a nearby vehicle

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070024494A1 (en) * 2005-04-11 2007-02-01 Dizaji Reza M Classification system for radar and sonar applications
US20080111731A1 (en) * 2006-11-09 2008-05-15 Oliver Hugh Hubbard Dual beam radar system
CN106483514A (zh) * 2016-09-23 2017-03-08 电子科技大学 一种基于eemd和支持向量机的飞机运动模式识别方法
CN107300698A (zh) * 2017-08-21 2017-10-27 哈尔滨工业大学 一种基于支持向量机的雷达目标航迹起始方法
US20190184987A1 (en) * 2017-12-19 2019-06-20 Hyundai Motor Company Apparatus and method for deciding a maneuver of a nearby vehicle

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
B. E. BOSER ET AL.: "A training algorithm for optimal margin classifiers", PROCEEDINGS OF THE FIFTH ANNUAL WORKSHOP ON COMPUTATIONAL LEARNING THEORY, 27 July 1992 (1992-07-27), pages 144 - 152, XP002001699
C. CORTES ET AL.: "Machine Learning", vol. 20, 1995, KLUWER ACADEMIC PIBLISHERS, article "Support-Vector Networks", pages: 273 - 297
XU-RUI JIANG ET AL.: "A SVM Approach of Aircraft Conflict Détection in Free Flight", JOURNAL OF ADVANCED TRANSPORTATION, vol. 2018, November 2018 (2018-11-01)

Also Published As

Publication number Publication date
WO2020260649A1 (fr) 2020-12-30
FR3097973B1 (fr) 2021-06-18

Similar Documents

Publication Publication Date Title
US10643123B2 (en) Systems and methods for recognizing objects in radar imagery
WO2020260649A1 (fr) Dispositif radar pour la détection d'un comportement de référence de cibles pistées; procédé et produit programme d'ordinateur associés
EP2473867B1 (fr) Traitement de donnees multi-cibles pour radars passifs multi-recepteurs en mode sfn ou mfn
US10908261B2 (en) Target identification and clutter mitigation in high resolution radar systems
FR3103048A1 (fr) Procede et dispositif de generation de donnees synthetiques d'apprentissage pour machine d'intelligence artificielle pour l'aide a l'atterrissage d'aeronef
CN112836676A (zh) 一种异常行为检测方法、装置、电子设备及存储介质
FR2736149A1 (fr) Dispositif de reconnaissance et de poursuite d'objets
WO2018145308A1 (fr) Mécanisme de réutilisation de filtre pour construire un réseau neuronal à convolution profonde robuste
US11093819B1 (en) Classifying objects using recurrent neural network and classifier neural network subsystems
CA2377029C (fr) Systeme d'intelligence artificielle pour la classification d'evenements, d'objets ou de situations a partir de signaux et de parametres discriminants issus de modeles
EP3828866A1 (fr) Procede et dispositif pour la determination de trajectoires d'elements mobiles
Ihekoronye et al. Aerial supervision of drones and other flying objects using convolutional neural networks
Lacava et al. Drone audio recognition based on machine learning techniques
EP2517152A1 (fr) Procede de classification d'objets dans un systeme de veille par imagerie
EP2544020B1 (fr) Procédé et dispositif de détection d'une cible masquée par des réflecteurs de forte énergie
Corradino et al. Towards an automatic generalized machine learning approach to map lava flows
WO2006032650A1 (fr) Procede de detection et de pistage de cibles ponctuelles, dans un systeme de surveillance optronique
CN115690545A (zh) 训练目标跟踪模型和目标跟踪的方法和装置
EP3722830B1 (fr) Dispositif d'identification d'un type d'aéronef, procédé d'identification et programme d'ordinateur associés
KR20150114088A (ko) 입력 이미지로부터 객체를 검출하기 위한 방법, 장치 및 컴퓨터 판독가능 기록매체
EP3324361B1 (fr) Procede de detection et de pistage de cibles
FR3074342B1 (fr) Procede de detection et de pistage de cibles
Bhagat et al. Moving camera-based automated system for drone identification using focus measures
FR3070768A1 (fr) Procede de classification automatique d'un navire cible et systeme radar associe
EP3709049B1 (fr) Systeme de traitement radar et procede de debruitage associe

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20210101

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

PLFP Fee payment

Year of fee payment: 6