Presentation these pannetier by 7whRxUKP

VIEWS: 19 PAGES: 53

									Fusion de données pour la surveillance du
           champ de bataille

  Pannetier Benjamin
  Directeur de thèse : Michèle Rombaut
  Co-directeur de thèse : Vincent Nimier
                                                  Office National d’Études
                                           et de Recherches Aérospatiales
                                                             www.onera.fr
Contexte

Enjeu
Détecter et pister des cibles terrestres pour des fins de surveillance
    ou de ciblage.

Sources d’informations GMTI




                                                                         Soutenance de thèse le 17 octobre 2006
         Système HORIZON                           Système X
Page 2
Caractéristiques de l’environnement terrestre

         Densité élevée du trafic routier.
               Quantité importante d’informations à traiter.



                                                  Véhicule s’éloignant du
                                                  capteur (Doppler > 0)
                                                   Véhicule se déplaçant vers le
                                                   capteur (Doppler < 0)




                                                                                   Soutenance de thèse le 17 octobre 2006
         Forte manœuvrabilité des cibles terrestres.
               Un modèle dynamique ne suffit pas pour pister les cibles.
         Masquage des cibles lié au terrain ou à la dynamique de
         la cible.
Page 3
               Non détection ponctuelle ou permanente des cibles.
Techniques usuelles de trajectographie

         Objectif recherché : déterminer et retrouver la cinématique d’une
         cible à partir d’une information ponctuelle (plot MTI).


         Solution connue :
             Filtrage de Kalman
             Filtage particulaire


         Pistage d’une cible qui manœuvre (GBP, IMM,…)




                                                                             Soutenance de thèse le 17 octobre 2006
         Pistage multi-cible:
             MHT (Reid 1979)
             JPDAF (Fortmann et Bar-Shalom 1980)
             SDA (Pattipati et Bar-Shalom en 1992)
             PMHT (Streit et Luginbuhl en 1995)
Page 4
Plan




1. Prise en compte de la position des segments routiers
2. Algorithme de pistage multi-modèle sous contraintes
3. Intégration de la vitesse radiale et utilisation du FOM
4. Détection des entrées et sorties de route




                                                             Soutenance de thèse le 17 octobre 2006
5. Modélisation et intégration des masques de terrain
6. Conclusions et perspectives

           Estimation sous contrainte
Page 5
Hypothèse


               La cible évolue sur le réseau routier


  Système                     Estimation sans
                             Estimation sous la
   d’Info.                       contrainte
                              contrainte route
    Géo.
                                  Modèle




                                                       Soutenance de thèse le 17 octobre 2006
                               sans contrainte
                              sous contraintes

                                estimation

                                Projection
                                de l’estimé

   Plots MTI
Page 6
Modélisation de la dynamique d’une cible sur un
segment routier

      Modèle linéaire sous la contrainte s :

                          xs  k k  1  Fs  k   xs  k  1 k  1 s  k 
                          ˆ                          ˆ




                                                                                                                         Soutenance de thèse le 17 octobre 2006
                                                                                       xn, y x k  1 k
                                                                                       ˆs 
                    YTCF
                                                                                                        
                                                                                       d
                              XTCF
                                                                                                                     s
 T. Kirubarajan, Y. Bar-Shalom, K. R. Pattipati, and I. Kadar, "Ground Target Tracking with Variable Structure IMM
 Estimator", IEEE Transactions on Aerospace and Electronic Systems, vol. 36, pp. 26-46, Jan. 2000.
Page 7
Projection optimale : mesure ou état estimé ?


         Projection déterministe

                                         zs
                                                   
                            zs  k   arg min z  z  k    2
                                                                         Projection orthogonale
                                                                          de la mesure

                         ˆ                     
                         xs  k k   arg min x  x  k k 
                                        xs                      2
                                                                         Projection orthogonale
                                                                          de l’état estimé

         Projection probabiliste




                                                                                                   Soutenance de thèse le 17 octobre 2006
                                        zs
                                               
                           zs  k   arg min z  z  k     Rs         Projection optimale
                                                                         de la mesure



                                                                           Projection optimale
                         xs  k k   arg min  x  x  k k 
                         ˆ                          ˆ                       de l’état estimé
                                         xs                     P k k 
                                                                           

 Info. a priori = la cible appartient au réseau
Page 8
Simulation


         Y   Position de la   A
             cible
                                               AV

                                    M (65 000 m, 65 000 m)

                                         B




                                                             Soutenance de thèse le 17 octobre 2006
                              V_cible = 10 m/s



         O                                        X
Page 9
Résultats : Erreur quadratique moyenne
moyennée (ARMSE)
          ARMSE espace des mesures


                                     Projection ortho. de la mesure
                                     Projection opt. de la mesure




                                                                          Soutenance de thèse le 17 octobre 2006
           ARMSE espace des états

                                     Projection ortho. de l’état estimé
                                     Projection opt. de l’état estimé


Page 10
Bilan et contributions


Bilan
    Modélisation de la dynamique d’une cible sur le réseau.
    Mesure ou état estimé sous la contrainte s.
Contributions : comparaison entre les techniques de projection
   La projection optimale de l’état présente de meilleures performances
   suivant :
          Le bruit de modèle.




                                                                                     Soutenance de thèse le 17 octobre 2006
          L’orientation du segment routier.
          Le bruit de mesure.

      La technique de projection optimale de l’état est toujours au moins
      aussi bonne que les autres techniques de projection.
 B. Pannetier, K. Benameur, V. Nimier, M. Rombaut, Ground target tracking with
 constraint, SPIE on Defense and Security Aerosense Symposium, Orlando, Apr. 2004.
Page 11
Plan




1. Prise en compte de la position des segments routiers
2. Algorithme de pistage multi-modèle sous contraintes
3. Intégration de la vitesse radiale et utilisation du FOM
4. Détection des entrées et sorties de route




                                                             Soutenance de thèse le 17 octobre 2006
5. Modélisation et intégration des masques de terrain
6. Conclusions et perspectives

             Variation de la structure
Page 12
Utilisation de l’IMM


   Système
    d’Info.                         Kalman sous
                                         IMM
     Géo.                            contraintes
                                    Sous contraintes

                                   Model dynamique
                                   Model dynamique
                                    Model dynamique
                                     Model dynamique
                                          n°1
                                           n°2
                                            n°3
                                            n°…
                                    Sous contrainte
                                     Sous contrainte
                                      Sous contrainte




                                                                   Soutenance de thèse le 17 octobre 2006
                                       Sous contrainte

                                    Etat estimé sous
                                      contrainte :
                                   Pseudo projection
     Données
      MTI

                                          
L’événement M s  k   M  k  es  k  caractérise l’appartenance
                 i         i


de la cible au modèle Mi et au segment routier s au temps courant k.
Page 13
Introduction de l’événement                                                                     i   dans l’IMM
                                                                                        M       s

    xsik 1k 1
    ˆ                               xs j k 1k 1
                                    ˆ                                                   H1
                   M sf                           M sF                                                    1. Projection
                                                                            k 1k 1
                                                                            ij                         optimisée des états
    Mélange Gaussien
                                                                           i, jf,F                      initiaux
            ˆ
            xs     0f
                         k  1 k  1              ˆ
                                                    xs   0F
                                                               k  1 k  1                             
                                                                                                       p x  k  M sm  k  , Z k 1   
Projection
Projection                          Projection
                                    Projection                             k k1
                                                                               1

            xs 2 0 f  k  1 k  1
            ˆ                                    xs2 0 F  k  1 k  1
                                                 ˆ
                                                                                                          2. Projection
                                                                                                       optimisée des états
                                                                             Mise à jour
                                                                                                         estimés locaux




                                                                                                                                           Soutenance de thèse le 17 octobre 2006
                                                                                                                                 
Modèle M  k  f
                                    Modèle      M sF  k                  des probabilités
                                                                                                       p x  k  M sm  k  , Z k
              s




              Λs  k                           Λs  k 
                                                                                 k k 
                                                                                                       3. Projection optimisée
                                                                                                       de l’état estimé global
Projection                          Projection
                                                                                                                                             
Projection                          Projection                             Combinaison
                                                                                                       p x  k  Z k , x  k   H1
                                                                            Projection
                                                                            Projection
   ˆ
   x 
Pages14 k   k                           xs  k k 
                                         ˆ
                   M sf                               M sf                 ˆ
                                                                           x
                                                                               s
                                                                                   k   k   
Variation de la structure de l’IMM sous contraintes

            Hi : La cible évolue sur un unique tronçon routier
            Sélection des modèles dynamiques sous contraintes

                                                                                                               x k k 
                                                                                                               ˆ
                                                                                                                F

           YTCF                                                                                      X
                                                         Xf
                  XTCF                                   x k k 
                                                         ˆ




                                                                                                                                  Soutenance de thèse le 17 octobre 2006
            Un ensemble   k k  de segments routiers est sélectionné
                                                i



            suivant la connexité du réseau routier.
            Pour chaque modèle, un test de maximum de probabilité est
            utilisé en fonction de x k k  afin de réduire le nombre de
                                   ˆ
                                                                   i




                                                                       
            modèles dynamiques : x k k argmax p k  e k x k k  
                                     ˆ                  x        ˆ
                                                                       i                                                      i

                                                                       sopt                                               s
                                                                                                s  k 
                                                                                                    i

 Page 15            M. E.l Najjar, Localisation dynamique dun véhicule sur une carte routière numérique pour
                    l’asistance à la conduite, Ph. D for university of Compiègne, Dec. 2003
Activation de sous-ensembles de modèle sous
contraintes

                                                                    s6              H3
                                                           H2
                                                      s5
                                                                         s7            H4
            s1                                                           Modèle 1
                                    s2          s3         s4            Modèle 2
                                                       H1                Mesure
                                                                         Etat estimé




                                                                                              Soutenance de thèse le 17 octobre 2006
                                                Ms5               Ms6
                                                                              Incompatibilité
                                                                                  entre
            Ms1         Ms2         Ms3                                         les modèles
                                          Ms5 Ms4           Ms6   Ms7
                                                                           Incompatibilité
      Ms1         Ms2         Ms3                                                entre
                                                            Ms7              les modèles
                                          Ms4
Page 16
Fusion distribuée (Chong and Mori)


          Activation des modèles sous contraintes en fonction de la
          position des états estimés locaux.
          Nk routes  Nk sous-ensembles de modèles
           Utilisation de Nk VS-IMMC dont les modèles sont adaptés
          aux segments présents dans l’intersection.
           Fusion distribuée des mesures(Chong et Mori)




                                                                                                                                                                Soutenance de thèse le 17 octobre 2006
                                                                                                                                 r


                                           
                                                               1
                                                                              Λ k r
                                                                                                                                            l
                                                                                                                                            sil

            i  1,..., N    k   p  z (k ) Z , M  k   c  
                                    k           i
                                                                              k 1

                                                                                           
                                                                                              l
                                                                                              si
                                                                                                                                l 1

                                                                                        
                                                                                                                                                  r
                                                              
                                                                                                l

                                                                      p  z(k) Z , M  k  
                                                                                     l 1                                            k 1             l
                                                                                                                                                      si
                                                                                                                        
                                                                                                                                            l 1
                                                                                                                                                        l
                                                                                                                                                            
                                                                                                                                                            
             Test séquentiel de Wald (RSS-SPRT)
                                         k  ~  k 
                                            i
                                                1
                                                         c         i            PH H  k 1
                                                                                       
                                                                            H j k 1
                                                                                                     i      j       j

          C. Y. Chong, S. Mori, Graphical models for nonlinear distributed estimation, Proc. Of ISIF, pp. 614-621, Jul. 2004.
Page 17
Simulation



                                                      1     2
                                                                3   4




                                                                        Soutenance de thèse le 17 octobre 2006
          La capteur est situé à 60 km.
          Période d’échantillonnage fixée à 0,1 Hz
          Bruit : 50 m en distance et 0.001 rad en azimut
Page 18
Résultats


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




                                                     Soutenance de thèse le 17 octobre 2006
                           CMKFC   IMM 3   VS IMMC
                           54.86   59.97   35.29




Page 19
 Bilan et contributions

  Bilan
       Etude bibliographique sur la manœuvrabilité des cibles.
       Nécessité de discriminer au mieux les cibles.


  Contribution : IMM à structure variable sous contraintes (VS IMMC)
      Amélioration de la précision de l’estimateur lorsque la cible
     manœuvre sur le réseau.




                                                                                      Soutenance de thèse le 17 octobre 2006
      Variation des sous ensembles de modèles sous contraintes en
     fonction de la topologie du réseau (la structure de l’IMM est
     variable).
      Activation et désactivation des sous ensembles de modèles sous
     contraintes à partir d’un test séquentiel de Wald.

B. Pannetier, K. Benameur, V. Nimier, M. Rombaut, VS-IMM using road map information
for a ground target tracking, Proc. of ISIF, Fusion, Philadelphie, Jul. 2005.
  Page 20
Plan




1. Prise en compte de la position des segments routiers
2. Algorithme de pistage multi-modèle sous contraintes
3. Intégration de la vitesse radiale et utilisation du FOM
4. Détection des entrées et sorties de route




                                                             Soutenance de thèse le 17 octobre 2006
5. Modélisation et intégration des masques de terrain
6. Conclusions et perspectives

          Corrélation entre les composantes
Page 21
Prise en compte de la vitesse radiale


                  Z                 Plot MTI
                                    Incertitude du plot
                                    Line Of Sight
                                    Vitesse radiale capteur
                                    Position vraie de la cible
                                    Vitesse vraie de la cible




                                                                 Soutenance de thèse le 17 octobre 2006
                                    Vitesse radiale TCF
              O
                                         Y
                       cap  k 
                         k 
                                             z k 
          X

Page 22                             AV
Problème lié à l’utilisation de la contrainte avec la
vitesse radiale

                         sl
                     xk 
                                                            LOS

                                   z k 
                         k 
                        
          xi ,sl  k  1 k  1
                                                               sp
          ˆ
                                            xi ,s k k  1
                                            ˆ




                                                                         Soutenance de thèse le 17 octobre 2006
                                               p


                         xi ,s k k  1
                         ˆ
                                               Prédiction

                              m                Plot MTI
                                               Incertitude du plot MTI

Page 23
                              sm               Position vraie de la cible
Utilisation Du Facteur d’Oublie Momentané


          Approche proposée : augmenter l’incertitude sur la
          composante vitesse radiale uniquement, lorsque la vitesse
          radiale prédite est statistiquement éloignée de la vitesse
          radiale mesurée.               FOM

                                    k 
                                                   1




                                                                                     Soutenance de thèse le 17 octobre 2006
YTCF
                                            sm
                 xi ,s k k  1
                                                       1  FOM   1   
                 ˆ
          XTCF      m


                                                   
Page 24                                           
           La vraisemblance du
                                         Pistage sans le FOM
          modèle 1 sur ce tronçon
           est égal à 1 x10^(-6)
               sans le FOM




                                                               Soutenance de thèse le 17 octobre 2006
                 La probabilité que la
                  cible évolue sur ce
               tronçon est proche de 0
                   au premier coup
Page 25
           La vraisemblance du          Pistage avec le FOM
          modèle 1 sur ce tronçon
           est égal à 3 x10^(-6)
               avec le FOM




                                                              Soutenance de thèse le 17 octobre 2006
                La probabilité que la
                 cible évolue sur ce
                  tronçon est plus
              importante avec le FOM
Page 26               que sans !
Bilan et contribution


 Bilan sur l’utilisation de la vitesse radiale débiaisée
    Améliore la précision de l’estimateur.
    Augmente la discrimination entre les cibles.

Contributions : Utilisation de la vitesse radiale et du FOM
  Augmente la rapidité du test séquentiel de Wald au




                                                              Soutenance de thèse le 17 octobre 2006
  niveau des intersections.
  Zones de singularités pour lesquels le système peut
  diverger  utilisation du FOM



Page 27
Plan




1. Prise en compte de la position des segments routiers
2. Algorithme de pistage multi-modèle sous contraintes
3. Intégration de la vitesse radiale et utilisation du FOM
4. Détection des entrées et sorties de route




                                                             Soutenance de thèse le 17 octobre 2006
5. Modélisation et intégration des masques de terrain
6. Conclusions et perspectives

                Rupture de modèle
Page 28
Activation de l’ensemble de modèles « On_Road »

  loc                           head                                  
                                                   P ess  k ,l ,,Z k  min loc ,, head 
                                                   P e 22  Z  min  loc  head
                                                         1
                                                             kl
                                                             k ,,l   k
                                                                     k




          0       1        
                           2            0    2                    

                                   




                                                                                               Soutenance de thèse le 17 octobre 2006
                       
YTCF                               S        2


                                                                     S3
          XTCF    S1
Page 29
Activation de l’ensemble de modèles « Off_Road »

 Problème lié à la détection de sortie de route
    Dans un contexte multi-cible il existe plusieurs scénarios
    d’association  .
                    k ,l


     Pour un même scénario d’association  il peut exister
                                                k ,l


    plusieurs hypothèses de choix de routes (cas des
    intersections).                      k ,2 k ,l
                                                       A     
                                                        Activation Off_Road




                                                                                   Soutenance de thèse le 17 octobre 2006
                  x2 ,s k  1 k  1
                  ˆ
                                                        Ak ,1   k ,l
                                                        Pas d'activation du Off_Road
            x1,s k  1 k  1
 YTCF
            ˆ
 Page 30
           XTCF                                          
                                                      z k
                    Une cible ne peut être à la fois sur et hors la route !
Activation de l’ensemble de modèles « Off_Road »

 Calcul de l’événement : « La cible c évolue sur la route »
    Probabilité d’appartenir à la route = probabilité que la cible
    c évolue suivant au moins un modèle dynamique sous
    contrainte.
                                     
                                                
                P c  M on k  Z  P  A   Z 
                                 k       k ,l k ,l k
                                                        
                                                      1l  N            
       La probabilité dépend :
             « de la possibilité de la cible de quitter le réseau. »




                                                                                          Soutenance de thèse le 17 octobre 2006
             de la vitesse de la cible nécessaire pour quitter le réseau.
             de la distance statistique entre la mesure et la piste.
             de la probabilité d’existence de la piste.
      Décision :
            
           P c  M on k  Z
                               k
                                     Désactivation de l’ensemble de modèles Off_Road

           P  M         k  Z  
                               k        Activation de l’ensemble de modèles Off_Road et
             c
 Page 31            off
                                        désactivation de l’ensemble de modèles On_Road
Simulation



                                          B


                                              D
                 A
          Nord




                         C




                                                  Soutenance de thèse le 17 octobre 2006
                                          A
                 B
                                Cible 2
                                              C
                     D
                             Cible 1
                         Est
Page 32
Soutenance de thèse le 17 octobre 2006
                                         Page 33
Résultats : Erreur quadratique moyenne


                                   --    IMM
                                          VS IMMC

                                    Dans 5 % des
                                    cas la sortie de
                                    route n’est pas




                                                       Soutenance de thèse le 17 octobre 2006
                                    détectée.




Page 34
Bilan et contribution



Détection des entrées de route
   Technique existante et adapté au contexte GMTI.


Détection des sorties de route
   Détection de rupture de modèle




                                                                                Soutenance de thèse le 17 octobre 2006
   Approche qui prend en compte l’aspect multi-cible, la
   cinématique des objets pistés et le contexte.


  B. Pannetier, V. Nimier, M. Rombaut, Multiple ground target tracking, Proc.
  of COGIS, Paris, Mar. 2006.
Page 35
Plan




1. Prise en compte de la position des segments routiers
2. Algorithme de pistage multi-modèle sous contraintes
3. Intégration de la vitesse radiale et utilisation du FOM
4. Détection des entrées et sorties de route




                                                             Soutenance de thèse le 17 octobre 2006
5. Modélisation et intégration des masques de terrain
6. Conclusions et perspectives

            Observabilité d’une cible
Page 36
Masques liés à l’élévation du terrain (M1)


                 ZTCF
                              Emprise du capteur
                              Masques de terrain




                                                   Soutenance de thèse le 17 octobre 2006
                                         YTCF




          XTCF

Page 37
Masques liés à la vitesse radiale (M2)




                                        1
                                                1   1

                                            2




                                                        Soutenance de thèse le 17 octobre 2006
                                    2




Page 38
Evaluation de la probabilité de perception


          La probabilité de perception est différente de la probabilité
          de détection du capteur.
                       Ok  la cible est perceptible au temps k
                      Evite l’activation du modèle STOP
                 O k  la cible est imperceptible au temps k
                     lorsque la cible n’est plus détecté en
                             raison d’un masque…




                                                                                                        Soutenance de thèse le 17 octobre 2006
          Introduction des événements de perception dans le score
          de la piste. « on se retrouve à la sortie ? »
       i                 m,0  D                                                                 
       Λ  k   1  δ   P  p z  k  Z k 1 ,θ k,l ,M i  k  ,O  P O Z k 1 ,θ k,l ,M i  k 
                                                            s         k      k                s

      
      
      
                                                      
                  1  PD  P Ok Z k 1 ,θ k,l ,M si  k   δm,0  i  1,...,r 

                                                   
       Λ0  k   δm,0  P Ok Z k 1 ,θ k,l ,M s0  k 
      
Page 39
Solution adaptée au besoin

         Si le doute existe, aucune décision ne sera prise! Mais
         le doute est modélisé et présenté.
                   La probabilité d’association de la
                  mesure à la sentinelle dépend de laNouvelle piste
                    vraisemblance de la piste mais est construite
                                Utilisation des
                     aussi de la durée de vie de la
                                  sentinelles           avec une
   Nouvelle piste
                               sentinelle              probabilité
    est construite
                                                      d’associer le




                                                                        Soutenance de thèse le 17 octobre 2006
      avec une
                                                      plot MTI à la
     probabilité
                                                     piste en rouge.
    d’associer le
    plot MTI à la
   piste en rouge.
                                                   « Tel un chat qui
Page 40
                                                   attend la souris »
Simulation




                                                               Soutenance de thèse le 17 octobre 2006
             La capteur est situé à 47 km.
             Période d’échantillonnage fixée à 0,1 Hz
Page 41      Bruit : 30 m en distance et 0.001 rad en azimut
        Soutenance de thèse le 17 octobre 2006
Vidéo




                                                 Page 42
Soutenance de thèse le 17 octobre 2006
                                         Page 43
Soutenance de thèse le 17 octobre 2006
                                         Page 44
Soutenance de thèse le 17 octobre 2006
                                         Page 45
Soutenance de thèse le 17 octobre 2006
                                         Page 46
Soutenance de thèse le 17 octobre 2006
                                         Page 47
Résultats


                                                     IMM     VSIMMC
                                                    SB-MHT   SB-MHT
                                         Cible 1:    50.48    34.31

                                         Cible 2:    72.22    34.77

                                         Cible 3:    41.64    29.20




                                                                      Soutenance de thèse le 17 octobre 2006
                                         Cible 4:    43.02    33.66

                                         Cible 5:    62.91    34.14

          VS IMMC sans l’observabilité   Erreur quadratique moyenne
          VS IMMC avec l’observabilité
                                              moyennée (en m)
Page 48
 Bilan et contribution


 Modélisation des 3 causes de non détections
   La cible est à l’arrêt.
   La vitesse radiale de la cible est inférieure à la MDV.
   La cible est masquée.

      L’utilisation de sentinelle dans un contexte




                                                                             Soutenance de thèse le 17 octobre 2006
      multi-cible permet de modéliser le doute sur
       l’association d’une piste à une mesure en
                    sortie de masque.
B. Pannetier, V. Nimier, M. Rombaut, Multiple ground target tracking using
negative information, Proc. of Informatik2006, Germany, Oct. 2006.
 Page 49
Conclusions…
               Pistage multi-cible


                  4. Modélisation des
                  masques de terrain

                3. Détection des entrées
                   et sorties de route

                   2. Intégration de la




                                           Soutenance de thèse le 17 octobre 2006
                 vitesse radiale + FOM

                 1. Prise en compte du
                    réseau routier :
                       VSIMMC



Page 50
… et perspectives

          Etude sur le suivi d’agrégats et pistage de convoi.
          Utilisation d’algorithmes robustes pour le pistage de cible hors réseau.

          Utilisation d’algorithme de type JPDAF dans un environnement dense en
          cible.
          Evolution de l’algorithme VS IMMC pour une utilisation sur une station de
          fusion.




                                                                                     Soutenance de thèse le 17 octobre 2006
Page 51
Fusion de données pour la surveillance du
           champ de bataille

  Pannetier Benjamin
  Directeur de thèse : Michèle Rombaut
  Co-directeur de thèse : Vincent Nimier
                                                  Office National d’Études
                                           et de Recherches Aérospatiales
                                                             www.onera.fr
Conclusions…

1.        Prise en compte de la position du réseau routier dans le processus de pistage 
          Modélisation de la trajectoire sur un segment et projection optimisée de l’état estimé.

2.        Variation de la structure de l’IMM suivant la topologie du réseau  Sélection des
          modèles les plus vraisemblables et utilisation du test séquentiel de Wald pour la
          désactivation de sous-ensembles de modèles.

3.        Prise en compte de la vitesse radiale  Décorrélation de la composante vitesse
          radiale avec les composantes positions et introduction d’un Facteur d’Oubli
          Momentané.




                                                                                                    Soutenance de thèse le 17 octobre 2006
4.        Détection des entrées et sorties de route  Activation des ensembles de modèles
          sous contraintes et désactivation suivant la distance statistique et vitesse estimée.

5.        Modélisation des masques de terrain  Intégration de la probabilité de perception de
          la cible et utilisation de sentinelle.

6.        Evaluation de l’algorithme dans un contexte multi-cible.

7.        Evaluation et validation sur données réelles.
Page 53

								
To top