INTRODUCTION
La fusion de données consiste essentiellement à confronter et intégrer des informations multiples dans le but de réduire l’incertitude sur l’information résultante. Ce document s’intéresse à l’application de la théorie des probabilités à l’ensemble des fonctions de la chaîne perceptive, à savoir : la détection, l’identification, l’estimation, le pistage et l’analyse de la situation. Dans ce cadre, on explicite comment modéliser et prendre en compte la fiabilité des sources, comment estimer la qualité d’une distribution d’événements hypothèses, comment fusionner en présence de corrélation, comment intégrer l’information experte et l’observation. La fusion, pour être efficace, doit prendre en compte les degrés d’incertitude de l’information entrante : à cette fin, la fusion repose sur une combinaison des éléments d’information pondérée par leurs incertitudes respectives. De plus, pour « combler » l’information manquante, la fusion utilise le raisonnement hypothétique et évalue les diverses options potentielles ; l’inférence bayésienne est construite pour ce type d’évaluation et se prête à des propagations d’hypothèses élaborées (MHT : « multiple hypothesis tracking », réseaux bayésiens) intégrant des connaissances de nature et de niveau hétérogènes.
