Modélisation ''incertaine'' en pistage multi-hypothèses : application à un problème d'initialisation automatique de pistes dans un environnement perturbé

Uncertain modelisation applied to multiple hypotheses tracking : an application of track initiation in a cluttered environment

• Auteur / Autrice : Olivier Tuveny
• Direction : Gérard Alengrin
• Type : Thèse de doctorat
• Discipline(s) : Sciences pour l'ingénieur
• Date : Soutenance en 1994
• Etablissement(s) : Nice
• Jury : Président / Présidente : Pierre-Yves Arquès
• Jury : Examinateurs / Examinatrices : Michel Artaud, Jean Ménez
• Jury : Rapporteurs / Rapporteuses : Alain Appriou, Michel Gauvrit

Mots clés

Mots clés contrôlés

Nombres, Théorie probabiliste des

Logique floue

Commande automatique

Modèles mathématiques

Automatisation

Résumé

Notre objectif au travers de cette étude est double : d'une part, mettre en oeuvre une méthode de pistage capable de traiter, de manière autonome, le problème d'initialisation automatique de pistes dans un environnement comportant de la fausse alarme. D'autre part, améliorer la caractérisation de la modélisation probabiliste, par la prise en compte de modèles et de données incertains. Pour satisfaire cette problématique, la méthode d'association plot-piste, Générateur d'Hypothèses Multiples de D. Reid (MHF Multiple Hypothese Filter), a été utilisée. En effet, cette technique traite à part entière l'initiatisation de pistes, tout comme leur entretien et leur destruction. En revanche, cette méthode génère une arborescence importante, qui implique une gestion de celle-ci, indispensable. Une autre modélisation de la vraisemblance des hypothèses a donc été envisagée en exploitant à la fois, le potentiel de la Théorie de l'Evidence de A. P. Dempster et G. Shafer et l'évaluation, tour à tour, de la densité de plots. Le choix de cette théorie est appuyé par le fait qu'elle peut considérer des données de nature incertaine et les fusionner entre elles. Cette approche améliore les performances du MHF et plus particulièrement sur le taux de fausses pistes

This work derives from two goals. Firstly, we want to process the problem of track initiation within a cluttered environment. Then, to characterise the probabilistic modelisation by the introduction of uncertain models and data. In order to satisfy this problem the Multiple Hypotheses Filter, MHF (D. Reid) has been used. Indeed this method processes the track initiation as well as maintenance and destruction. However, this approach creates a great number of hypotheses and involves an essential management of its. An other likelihood modelisation of hypotheses has been designed. This uses both the Theory of Evidence (A. A. Dempster et G. Shafer) and the evaluation, scan by scan, of measurement density. This theory has been chosen because it permits to process uncertain data and to merge its. This new modelisation improves the performances of MHF and in particularly about the false track rate