Fusion de données AIS et radar pour la surveillance maritime

Fusion of AIS and radar data for maritime surveillance

• Auteur / Autrice : Fábio Manzoni Vieira
• Direction : Jean-Yves Tourneret, François Vincent
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, acoustique et optimisation
• Date : Soutenance le 30/11/2017
• Etablissement(s) : Toulouse, ISAE
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Equipe de recherche : Équipe d'accueil doctoral Signal, communication, antenne et navigation, radar (Toulouse, Haute-Garonne)
• Partenaire(s) de recherche : Laboratoire : Institut supérieur de l'aéronautique et de l'espace (Toulouse, Haute-Garonne). Département électronique, optronique et signal
• Jury : Président / Présidente : Frédéric Pascal
• Jury : Examinateurs / Examinatrices : Marie Ansart
• Jury : Rapporteurs / Rapporteuses : Guillaume Ginolhac, Jean-Philippe Ovarlez

Mots clés

Mots clés contrôlés

Satellites

Radar

Mots clés libres

Fusion

Radar

Ais

Satellite

Résumé

Dans le domaine de la surveillance maritime, les systèmes coopératifs d’identification et de positionnements tels que l’AIS (Automatic Identification System) sont souvent couplés à des systèmes d’observation de navires non coopératifs comme les Radars à Synthèse d’Ouverture (RSO). Dans ce contexte, la fusion des données AIS et Radar peut améliorer la détection de certains navires et d’identifier éventuels scénarii de surveillance. Le premier chapitre introduit les systèmes et détaille la structure des données AIS et Radar ainsi que le traitement du signal utilisé. Le deuxième chapitre présente l’apport potentiel de l’utilisation conjointe des données brutes Radar et AIS pour la détection de navires à l’aide d’un test basé sur le rapport des vraisemblances maximales (test GLRT). Bien que les performances soient encourageantes, la mise en pratique du détecteur en temps-réel semble compliquée. Le troisième chapitre présente une alternative sous-optimale qui explore les données brutes Radar et une carte des positions de bateaux provenant de l’AIS. Contrairement au chapitre deux, en plus de la détection simultanée par l’AIS et radar, les cas où seul l’un des systèmes détecte un objet peuvent maintenant être distinguées. Le problème est formalisé par deux tests d’hypothèses binaires successifs. Le test proposé est moins sensible à la proximité et à la densité des navires qu’un détecteur radar classique. Le quatrième chapitre présente le simulateur développé pour tester les algorithmes sur différents scénarii de surveillance, à savoir un scénario de piraterie sur un navire civil, un transbordement illégal et une navigation dans un environnement dense.

In the maritime surveillance domain, cooperative identification and positioning systems such as AIS (Automatic Identification System) are often coupled with non-cooperative systems for ship observation such as Synthetic Aperture Radar (SAR). In this context, the fusion of AIS and Radar data can improve the detection of certain vessels and possible identify some maritime surveillance scenarios. The first chapter introduces both AIS and Radar systems, details the data structure as well as the related signal processing. The second chapter presents the potential contribution of the joint use of raw Radar and AIS data for the detection of vessels using a generalized likelihood ratio test (GLRT). Although the performance is encouraging, in practice the implementation in real-time of the detector seems complicated. As alternative, the third chapter presents a suboptimal detection method that explores Radar raw data and a positioning map of vessels obtained from the AIS system. Differently from chapter two, in addition to the simultaneous detection by both AIS and radar, the cases where only one of the systems detects an object can now be distinguished. The problem is formalized by two successive binary hypotheses test. The results suggests that the proposed detector is less sensitive to the proximity and density of ships than a conventional radar detector. The fourth chapter presents the simulator developed to test the algorithms on different surveillance scenarios, namely a civilian ship piracy scenario, an illegal cargo transhipment and a scenario of navigation in a dense environment.