Les systèmes de surveillance modernes doivent coordonner leurs stratégies d’observation pour améliorer l’information obtenue lors de leurs futures mesures afin d’estimer avec précision les états des objets d’intérêt (emplacement, vitesse, apparence, etc.). Par conséquent, la gestion adaptative des capteurs consiste à déterminer les stratégies de mesure des capteurs exploitant les informations a priori afin de déterminer les actions de détection courantes. L’une des applications la plus connue de la gestion des capteurs est le suivi multi-objet, qui fait référence au problème de l’estimation conjointe du nombre d’objets et de leurs états ou trajectoires à partir de mesures bruitées. Cette thèse porte sur les stratégies de gestion des capteurs en temps réel afin de résoudre le problème du suivi multi-objet dans le cadre des ensembles aléatoires finis labélisés ou « Labeled Random Finite Set (LRFS) ». La première contribution est la formulation théorique rigoureuse du filtre mono-capteur LPHD « Labeled Probability Hypothesis Density » avec son implémentation Gaussienne. La seconde contribution est l’extension du filtre LPHD pour le cas multi-capteurs. La troisième contribution est le développement de la méthode de gestion de capteurs basée sur la minimisation du risque bayésien et formulé dans les cadres LRFS et POMDP « Partially Observable Markov Decision Process ».
Directeur de thèse : Emmanuel Duflos, Professeur, Centrale Lille Philippe Vanheeghe, Professeur, Centrale Lille Rapporteurs : Lyudmilla Mihaylova, Professeur, University of Sheffield (UK) Eric Chaumette, Professeur, Institut Supérieur de l’Aéronautique et de l’Espace, Toulouse Membres : Audrey Giremus, Maitre de Conférence, Université Bordeaux 1 François Septier, Professeur, Université Bretagne Sud, Vannes Dominique Maltese, Ingénieur, Safran Electronique & Défense, Massy
Thesis of the team SIGMA defended on 19/12/2018
français
English