MARGARITA — Nouvelles Techniques Robustes et d'Inférences pour le Radar Adaptatif Moderne

Pour la majorité des systèmes d'acquisitions (RADAR, imagerie, optiques, sismiques, ...), on constate une tendance vers le développement de systèmes de plus en plus sophistiqués : - augmentation du nombre de capteurs dans une antenne (e.g. RADAR STAP) - utilisation d’un nombre croissant d’antennes tant pour l’émission que pour la réception (e.g. MIMO-radar , nouveaux grands interféromètres) - intégration de plusieurs modalités dans un même système comme la polarisation et l’interférométrie (e.g. systèmes SAR), l’information spatiale et/ou fréquentielle, la diversité de forme d’ondes et la diversité temporelle (dans le séries temporelles d'images SAR ou hyperspectrales). Évidemment, cette sophistication des systèmes a pour but d’enrichir l’information obtenue et donc d'améliorer les performances par rapport aux systèmes classiques, par exemple : - une augmentation de la résolution - une amélioration des performances de détection (en particulier pour des RSB faibles) - une meilleure discrimination entre les différents phénomènes physiques. Cependant, la simple transposition de traitements classiques ne permet pas d’atteindre les performances optimales offertes par ces nouveaux systèmes. En effet, plusieurs complications liées à cette sophistication des systèmes vont obliger à remanier profondément les modélisations et les traitements, notamment : - la réponse de l'environnement sondée devient complexe et hétérogène, - la taille des données est accrue, rendant l'estimation des paramètres statistiques difficile voire impossible, - la construction du vecteur de donnée pour des systèmes multi-modalités est non triviale, - une incertitude sur la modélisation du signal réfléchi apparait (et donc sa paramétrisation dans les algorithmes). Le projet MARGARITA vise à résoudre les verrous soulevés précédemment en proposant de nouvelles chaines de traitements de détection/estimation pour des systèmes multi-capteur, multi-modalité dans un environnement complexe et hétérogène. Ces nouvelles méthodes seront développées en s’appuyant sur la combinaison d’outils et d’avancées récentes en traitement du signal : estimation robuste, méthodes d’optimisation novatrices, outils de géométrie différentielle et théorie des grandes matrices aléatoires. Ainsi, nous visons à : + intégrer une modélisation statistique plus fine (gérer non gaussianité et hétérogénéité des données) dans une problématique d'estimation/détection en grande dimension. + intégrer des a priori de structure et d'incertitudes de modèle dans les traitements de détection/estimation robustes modernes. + caractériser finement les performances théoriques des nouveaux traitements proposés pour les environnements complexes. Outre des garanties théoriques, cette caractérisation offrira des outils de spécification/design en amont. + Montrer que le formalisme et les outils développés pourront être appliqués dans les domaines utilisant des systèmes d’acquisition modernes. Ainsi nous proposons d'adapter ces traitements vers des applications RADAR spécifiques (STAP, STAP-MIMO, SAR) ainsi que les porter vers d'autres applications civiles (imagerie hyperspectrale, radioastronomie, GPR). Plus précisément, le projet : - utilisera des outils d’estimation robuste combinés à des méthodes d’optimisation récentes (majoration-minimisation et optimisation sur variétés) pour proposer de nouveaux estimateurs (notamment de matrice de covariance) exploitant efficacement le plus d’information a priori disponible. - étendra les méthodes d'estimations de sous espaces Bayésiens à un contexte d’estimation/détection robuste afin d'intégrer des incertitudes sur le modèle du signal reçu. - exploitera le formalise des bornes mismatch pour résoudre des problèmes de calibration dans des systèmes multi-capteurs et multi-modalité. - utilisera des outils récents de caractérisations de performances (théorie de grandes matrices aléatoires et bornes intrinsèques) pour garantir les performances des processus développés.