|
|
Localisation : ONERA, Palaiseau (Essonne)
Responsables :
Olivier Rabaste
(tél. : 01 69 93 64 41, fax : 01 69 93 62 69,
e-mail :
rabaste@onera.fr)
et Christian Riché
(e-mail :
riche@onera.fr)
Directeur de thèse : François Le Gland (tél. : 02 99 84 73 62, e-mail : legland@irisa.fr)
Connaissances souhaitées : probabilités appliquées et statistiques (méthodes de Monte Carlo), traitement du signal, théorie de la détection et de l'estimation, programation MATLAB
Financement : Cette thèse sera financée par une bourse de la DGA (Délégation Générale à l'Armement), date limite : 31 mars 2009, ou par une bourse ONERA. La nationalité française est impérative.
Sujet : L'approche classique pour la détection et la poursuite d'une cible RADAR procède en deux temps : une première étape de détection qui consiste à seuiller les données reçues et une deuxième étape qui procède à la poursuite à partir des observations seuillées. Cependant pour des cibles à faible SER, cette approche impose de choisir un seuil de détection faible qui engendre un nombre élevé de fausses alarmes. L'approche Track-Before-Detect propose de s'affranchir de l'étape de prédétection et de traiter directement le signal RADAR brut. Cela permet en particulier de repousser la prise de décision sur la présence d'une ou plusieurs cibles après un temps d'intégration suffisamment long et de détecter des cibles furtives.
La poursuite proprement dite est fondée sur l'estimation récursive du vecteur d'état de la cible à partir d'une série d'observations. Ce vecteur est généralement décrit par un modèle d'état qui régit la dynamique de la cible, tandis que l'observation est décrite par une équation de mesure. Dans un cadre bayésien, l'estimation consiste alors à calculer la densité de probabilité du vecteur d'état à partir de ces deux modèles conditionnellement aux données mesurées. Cependant, dans le cas de cibles fortement manœuvrantes et/ou dans un contexte Track-Before-Detect, les modèles d'état et d'observation peuvent présenter d'importantes non linéarités. Dans ce cas, l'estimation de la densité de probabilité ne peut pas être obtenue analytiquement et les méthodes de poursuite standard ne sont pas applicables. Par ailleurs, lorsque l'espace d'état est grand et/ou que le SER est faible, les méthodes de type grille qui permettent l'estimation de la densité conditionnelle par échantillonnage de l'espace d'état sont lourdes à mettre en œuvre.
L'objectif de cette thèse est de mettre en œuvre des méthodes de Monte-Carlo (de type filtrage particulaire, grille intelligente, MCMC, etc.) afin d'estimer efficacement la densité conditionnelle de l'état de la cible à détecter dans un contexte Track-Before-Detect. On s'intéressera particulièrement au cas de la détection de cibles multiples. Peu de travaux ont été effectués à ce jour dans ce domaine, et il sera donc nécessaire de mettre en œuvre un filtre opérationnel dans le cadre formel imposé par la théorie de la détection. Il sera donc important d'évaluer l'apport d'un tel système par rapport aux traitements RADAR classiques, tant du point de vue des performances de détection que des performances d'estimation et du cout de calcul. En particulier les performances de d'estimation pourront être évaluées par comparaison avec les bornes minimales d'estimation (Cramér-Rao, Barankin, Ziv-Zakai).
Le calendrier prévisionnel pour cette thèse est le suivant:
Références :