Deep-Learning pour la Localisation Multimodale en Temps réel et l'Identification de Cibles aériennes à faible Signature – DEEPLOMATICS

L'utilisation illicite ou malveillante de drones constitue une menace émergente, qui n'est à ce jour que partiellement traitée par les systèmes anti-intrusion. Le projet DEEPLOMATICS propose une solution innovante et adaptative à la problématique de détection d'intrusion sur des sites et infrastructures critiques, aussi bien en espace dégagé qu'en zone urbaine.

L'approche proposée par le projet DEEPLOMATICS est entièrement basée sur des techniques novatrices de Deep Learning, permettant l'identification et le suivi robuste en temps réel de trajectoires d'aéronefs sans pilote à faible signature, grâce à des données multimodales issues de capteurs hétérogènes.

Ce projet interdisciplinaire utilise des techniques avancées de Machine Learning, grâce à des dispositifs acoustiques dotés d'intelligence artificielle (IA), constitués de 32 MEMS organisés en antennes compactes, directives, et efficaces en large bande. Ces antennes seront complétées par un système optronique d'imagerie active, qui sera lui aussi connecté à une IA indépendante. L'organisation en réseau modulaire permettra d'adapter la topologie de capteurs en fonction du site à protéger. L'objectif est de rendre le système technologique plus autonome, et de profiter de la convergence des data-sciences et du traitement du signal acoustique et optronique.

Cette approche permettra simultanément une localisation dynamique et une reconnaissance automatique de drones, tout en s'adaptant à l'environnement de mesure et à la topologie du réseau de capteurs hétérogènes installé sur site. Les données audio et vidéo de l'ensemble des capteurs alimenteront des réseaux de neurones profonds connectés à chaque module, préalablement entrainés pour les tâches de localisation, de suivi et de reconnaissance de cible. Les informations multimodales seront fusionnées pour augmenter la précision et la robustesse du système global et répondre au plus grand nombre de scénarios. Le projet couvrira le développement et la mise en œuvre de ces techniques en laboratoire et in situ.

L'approche est multimodale, les capteurs acoustiques et optroniques n'agissant pas dans le même domaine de longueur d'onde et fonctionnant de manière autonome. La stratégie de localisation acoustique par Deep Learning permettra de suivre une trajectoire précisément sur une large couverture angulaire. Chaque antenne compacte étant dotée d'une IA indépendante pour les tâches de localisation et d'identification, la portée globale de surveillance ne dépend donc que du nombre d'antennes intelligentes constituant le réseau, conçu pour être entièrement adaptable aux spécificités du site à protéger. L'une des topologies proposées permet de couvrir une zone de 1.7 km de diamètre environ. Le système d'imagerie active dispose quant à lui d'un angle solide d'observation restreint, et possède une portée maximale de 1.5 km. Il permettra de réaliser la poursuite vidéo d'une cible non coopérative après accrochage grâce aux données de localisation transmises en amont par le système acoustique. La reconnaissance de cible bénéficiera elle aussi de cette approche modulaire, grâce au contraste élevé du flux vidéo obtenu par imagerie active, et au filtrage spatial obtenu grâce aux antennes acoustiques intelligentes.

Les approches classiques de localisation acoustique, basées sur des modèles de propagation, peuvent être remplacées par une approche de type Machine Learning. Nos investigations préliminaires révèlent la supériorité de ce type d'approche en environnement complexe et lorsque la calibration des antennes est difficile. Les approches de type Deep Learning intègrent implicitement une auto-calibration robuste permettant d'adapter automatiquement l'IA aux spécificités de l'antenne acoustique, y compris au cours de la vie du capteur implanté sur site. Elles permettent également une adaptation automatique aux propagateurs physiques de l'environnement de mesure, et donnent accès à des directivités d'antennes non atteignables classiquement.