Plateforme d’Identification et de Recherche d’ ANomalies basée sur l’IA) Plateforme d’Identification et de Recherche d’ ANomalies basée sur l’IA) Méthodes Multi-Variées – PIRANIA-MMV

Cette proposition de projet fait suite au dossier PIRANIA-MS déposé en 2021 auprès de l’ANR-ASTRID.
Suite au rapport d’évaluation du comité, nous avons pris en compte les commentaires pour ce nouveau dépôt.
Ainsi notre proposition a été revue en resserrant nos ambitions. Nous avons travaillé en étroite collaboration pour limiter les ambitions à des objectifs atteignables en regard du domaine d’expertise des laboratoires TéSA et INP Toulouse.

Il en résulte que PIRANIA-MMV propose d’adapter des méthodes de l’état de l’art pour fournir des mécanismes d’aide à la décision aux opérationnels en déterminant des probabilités d’anomalies dans une situation tactique maritime. Le projet s’attache à développer des méthodes basées sur des techniques de traitement de signal alliées à l’Intelligence Artificielle (Machine Learning, Réseaux de neurones) et à la modélisation pour rechercher des anomalies d’association des mesures issues de différents capteurs et des anomalies de trajectoires de plateformes navales.
La problématique scientifique rejoint ainsi la thématique du traitement et exploitation de l’information et celle du traitement de données massives issues de capteurs hétérogènes.

La stratégie proposée dans ce projet est d’utiliser conjointement des séries temporelles Radar et AIS pour détecter des anomalies dans des trajectoires de bateaux. Cette détection d’anomalies peut se faire au niveau des associations des séries temporelles Radar et AIS ou au niveau de paramètres estimés à partir des trajectoires de bateaux. Dans les deux cas, nous proposons de développer de nouvelles méthodes de détection d’anomalies adaptées au traitement conjoint de données Radar et AIS :

Anomalies d’association : nous proposons de modifier les méthodes existantes de détection d’anomalies basées sur la méthode LoOP (Local Outlier Probabilities) ou la méthode One-class SVM pour prendre en compte des données hétérogènes Radar et AIS. Nous proposons également d’analyser le potentiel des méthodes d’apprentissage de dictionnaires pour la détection d’anomalies dans des séries temporelles Radar et AIS. Ces méthodes ont déjà fait leurs preuves pour l’analyse de la télémesure satellite

Anomalies de trajectoires : L’idée est d’utiliser un algorithme de détection d’anomalies tel que l’algorithme One-class SVM pour détecter les trajectoires anormales et ceci même si le bateau n’a pas terminé son trajet. La partie innovante sera ici de déterminer les paramètres adaptés à la surveillance des trajectoires de bateaux.

Dans le cadre de la détection de ces deux types d’anomalies, l’utilisation de méthodes d’active learning sera envisagée pour profiter d’un éventuel retour utilisateur qui confirmerait le caractère normal ou anormal de certaines trajectoires.