Supélec ONERA DSTA Research Alliance

BOWEN a développé un programme NEPTUNE qui vise à disposer d’algorithmes innovants permettant d’assurer des traitements qui garantissent une détection et la classification de petits objets (SER de moins de 3 m2) par mers formées (jusqu’au niveau 5 avec un SCR de moins de 10dB), ceci avec un radar à impulsion embarqué de faible puissance (10-40W). Ce programme a donné lieu à un RAPID (NEPTUNE 1 de 2016 à 2019) en collaboration avec l’ONERA et à deux thèses CIFRE Défense (NEPTUNE 2 de 2019 et 2023) en collaboration avec l’université de La Rochelle. Ces derniers travaux ont permis de développer des traitements du signal fondés sur des logiques d’analyses d’imagerie issues du domaine médical. BOWEN a en parallèle travaillé sur le capteur radar, des traitements innovants basés sur l’emploi de décompositions parcimonieuses ainsi que des traitements plus classiques. Ces traitements fournissent des informations permettant la caractérisation de l’environnement telles que les états de mer, les traits de côtes ou les zones de pluie. Ces travaux ont montré que l’introduction d’une supervision globale des traitements fondée sur une meilleure connaissance du contexte marin considéré pouvait par apprentissage optimiser la paramétrisation des algorithmes ainsi que sélectionner le traitement fournissant le meilleur résultat. L’objet principal de l’étape suivante du programme (NEPTUNE 3) est donc de mettre en place une plateforme de Meta Learning assurant que la méthodologie employée sera la plus performante en tenant compte des conditions de météo et de mer rencontrées et permettant d’assurer son adaptation rapide à un changement d’environnement. NEPTUNE 3, proposé en collaboration entre BOWEN, l’ENSTA Bretagne, le L2S et SONDRA, nécessite donc d’une part l’optimisation de différents algorithmes de traitement développés et d’autre part de mettre en place une base de données d’apprentissage (métadonnées) composés des résultats issus de divers traitements de signaux appliqués aux données I&Q issu du capteur NEPTUNE 2 ou de capteurs équivalents. Les laboratoires de l’ENSTA Bretagne (Lab-STICC), SONDRA et le L2S apporteront leur savoir-faire dans cette démarche. Le projet NEPTUNE 3 propose ainsi de rendre plus robustes les traitements issus de NEPTUNE 2, notamment en les optimisant en fonction de l’état de mer perçu, et de les compléter par une prise en compte de la phase des signaux dans les traitements, ainsi que par des algorithmes à base de l’analyse de géométrie de l’information. Dans ce contexte dédié aux données et les traitements associés, l’objectif est de nourrir la base de métadonnées par des données contextuelles d’environnement et des données de détection / classification plus riches. L’ENSTA Bretagne (Lab-STICC), SONDRA et BOWEN travailleront sur ces objectifs. Plusieurs de ces traitements utilisent des processus de Machine Learning, il est donc important d’enrichir également les données dont nous disposons pour les rendre plus robustes. Le projet utilise une base de données existantes, mais l’enrichira d’une part par des données réelles collectées avec le capteur développé dans NEPTUNE 2 et le radar HYDRIX (radar météo BOWEN du Mont Vial), mais aussi par des processus d’enrichissement VAE et GAN destinés à élargir les scénarios considérés et par l’ajout de cibles simulées difficiles à obtenir dans les scénarios réels telles que des périscopes ou des plaques flottantes. L2S et SONDRA travailleront principalement sur les premiers aspects, l’ENSTA Bretagne (Lab-STICC) sur les modèles et simulations permettant d’enrichir la base de données avec notamment des cas particuliers. Il faut finalement pouvoir industrialiser ces solutions et donc pouvoir intégrer les algorithmes retenus dans un calculateur embarqué. Dans le projet, BOWEN se chargera des aspects d’intégration des solutions retenues et les contraintes induites sur les algorithmes embarqués, ainsi que l’architecture des données.

Ce projet concerne le changement de paradigme de mobilité urbaine lié à l’avènement des véhicules autonomes. Dans ce contexte, les véhicules autonomes doivent avoir une perception robuste et fiable de leur environnement, particulièrement en détectant, classant et en suivant les obstacles pour adapter la commande. Actuellement, l’analyse sémantique des scènes de conduite a reçu un intérêt grandissant de deux communautés scientifiques : la fusion de données (avec notamment la théorie de l’évidence) et l’informatique avec l’apprentissage profond (CNN). Ce projet veut étudier et combiner ces deux approches, avec pour objectif théorique de proposer une méthodologie systématique de conception d’algorithmes de représentation sémantique basé sur un apprentissage profond évidentiel. Il vise également un objectif applicatif d’implémentation dans le véhicule autonome de l’IRIMAS du système de perception conçu. Des essais réels prouveront la faisabilité et l’efficacité de la méthode proposée.