La fusion multipistes

La fusion de pistes peut être considérée comme faisant partie de la fusion de senseurs, domaine lui-même inclus dans un domaine encore plus vaste, celui de la fusion d’informations ou de données : la « data fusion » combine les mesures numériques issues des capteurs mais aussi des informations symboliques comme des avis de locuteurs, des propositions, des règles, des textes dans diverses langues, etc. Quel que soit le type de fusion, l’objectif reste le même : rendre moins risquées les prises de décision grâce à une fonction suffisamment automatisée permettant de faire face au flot important et continu d’informations issues des multiples senseurs. Si rien n’était fait, ce déluge de données submergerait l’opérateur (ou même une équipe entière).

De prime abord, il paraîtrait logique de construire le présent article en commençant par la description des méthodes les plus générales, c’est-à-dire celles de fusion d’informations, puis de les appliquer au cas particulier du traitement des pistes. Mais, dans l’état actuel des connaissances de ce domaine dynamique et évolutif, il n’est pas possible d’avoir une telle approche top-down. En effet, la méthode universelle et unitaire de fusion d’informations n’existe pas et chaque domaine d’application utilise ses propres algorithmes. Ce foisonnement a plusieurs origines : la quasi-infinité de panachages possibles de senseurs chargés de la surveillance, la multiplicité des contextes d’utilisations liés à des objectifs très variés et enfin, la panoplie étendue de méthodes permettant de prendre en compte l’incertain autrement que par les probabilités classiques, ces « nouvelles » théories de l’incertain étant principalement utilisées dans la « data fusion » dite de haut niveau (intelligence artificielle, systèmes experts, etc.).

Ce sont ces raisons qui ont conduit à présenter dans cet article le premier niveau de la fusion, celui des pistes dans les systèmes de surveillance, problème dont la résolution nécessite peu de prérequis : les connaissances courantes d’un ingénieur en théorie de la détection et de l’estimation suffisent.

La première section présente l’organisation générale d’un système de surveillance au sein duquel la fusion de pistes a, entre autres, pour rôle de donner, sans délai, la meilleure perception possible de la situation de la zone surveillée. Puis, nous détaillons le rôle des senseurs (§ 2), du pistage (§ 3) et de la fusion ainsi que celui de l’opérateur (§ 4), le tout étant étayé par des exemples.

La section suivante est consacrée aux problèmes combinatoires dont l’origine est la non-transitivité de l’association : s’il a été décidé, avec une certaine probabilité d’erreur, que deux pistes A et B proviennent d’un même objet car elles sont proches (au sens d’un certain critère) et idem pour les pistes B et C, qu’en est-t-il de A et de C ? Il se peut qu’elles se trouvent trop éloignées pour être associables (i.e. avoir une origine commune). Les tests de décision binaire bien connus du traitement du signal (l’hypothèse H₀ contre son alternative H₁) ne suffisent donc plus : pour passer au cas multihypothèses, nous utiliserons la notion de partition d’un ensemble et du graphe particulier les reliant, le treillis. Celui-ci permet, d’une part, de pallier les problèmes d’explosion combinatoire en parcourant ce graphe de façon judicieuse et, d’autre part, de définir un critère de performance (§ 6).

Pour que la mécanique de la fusion de pistes puisse fonctionner, les caractéristiques relatives uniquement aux graphes ne suffisent pas : il est nécessaire de les compléter par des critères statistiques permettant de prendre des décisions et d’effectuer des fusions. C’est l’objet de la section 7 où sont présentés les tests de détermination du nombre de groupes de pistes et de la meilleure composition de chacun de ces groupes en utilisant une distance statistique entre les éléments. Suit l’étape de fusion proprement dite consistant, pour chacune des classes de pistes associées, à estimer son représentant « moyen » disponible en sortie de la fonction fusion. Plusieurs exemples permettent d’analyser le fonctionnement et d’évaluer les performances de ces algorithmes combinant donc les notions relatives aux graphes et à la statistique mathématique. Une liste de problèmes pouvant être traités par l’approche ici présentée est fournie en fin de section.

En conclusion, l’utilisation des théories non additives des probabilités est évoquée.