Deeplomatics Appliqué à de Multiples Intrusions en Environnement Réverbérant – DAMIER

L’utilisation illicite ou malveillante de drones constitue une menace réelle qui n’est à ce jour que partiellement traitée par les systèmes anti-intrusion. Le projet DEEPLOMATICS présenté dans le cadre de l’ANR-18-ASTRID 0008-03 a proposé une solution innovante et adaptative à la problématique de détection d’intrusions sur des sites et infrastructures critiques, aussi bien en espace dégagé qu’en zone urbaine. L’approche proposée était basée sur des techniques novatrices de Deep-Learning, permettant de réaliser un saut scientifique et technique pour l'identification et le suivi robuste en temps réel de trajectoires de drones.
Nous proposons dans le cadre du projet DAMIER de dépasser certaines limitations des technologies développées dans le cadre de DEEPLOMATICS, en s’appliquant à traiter spécifiquement les problématiques d’intrusions coordonnées de plusieurs drones sur des sites sensibles. Les thématiques du projet DAMIER répondent aux attentes formulées dans le document de référence de l’orientation de l’innovation de défense (DrOID) 2022 visant notamment à accélérer le développement des solutions de lutte anti-drone. Les intelligences artificielles et les systèmes autonomes, abordées dans le projet DAMIER, sont également des thématiques prioritaires du DrOID 2023. L’approche d’innovation par l’expérimentation proposée dans cette étude a pour objectif d’améliorer les performances opérationnelles à la fois pour la détection et la localisation de drones hostiles, mais également pour la mise en œuvre autonome d’un drone allié pour des tâches de poursuite de cible.
Les partenaires du consortium sont des membres actifs du domaine de l’industrie de la défense comme Lerity, spécialiste de systèmes de vision, Acoem/Métravib-Defence, fournisseur de systèmes de détection acoustique en France et dans le monde, et de la recherche fondamentale à l’initiative du projet initial, les laboratoires du LMSSC et de l’ISL.
La constitution d'une base de données de scénarios de vols complexes permettra de compléter celle issue du projet initial. Cette base de données augmentée sera ensuite utilisée pour améliorer les performances du réseau de neurones Beamlearning-ID développé dans le projet Deeplomatics et intégré dans un prototype industriel dans le RAPID Deeplodocus en collaboration avec Métravib-Défense. L'objectif est ici d'améliorer la portée de détection d’un drone approchant la zone surveillée et de gérer la localisation de multiples sources à l’aide d’une antenne seule.
En complément, deux systèmes d'imagerie seront étudiés. Le premier exploitera des caméras de type Single Photon Avalanche Diodes qui permettent, en mode actif, de détecter les photons provenant d’un objet dans la scène et d’évaluer sa distance. Le second, est un système HEMISPACE développé par Lerity qui permet tout équipé de couvrir un champ de vision de 360° de jour comme de nuit. Il sera déployé ici dans une variante à champ de vue restreint à 120° qui transmettra en temps réel des informations liées à la détection de drone sur l’image, ainsi que les informations relatives à la détection acoustique des drones transmises par la fusion de données.
Une charge utile intégrant une antenne microphonique et une caméra équipant un drone allié sera développée. Elle embarquera un autopilote commandé par la fusion de données et par le calculateur embarqué. Des algorithmes de détection et localisation seront implémentés de manière à permettre de déclencher des manœuvres d’urgence en cas de risque de collision ou de détection de menaces directes pour le drone allié.
Les informations transmises par les capteurs de tous les partenaires du projet seront intégrées à la fusion de données, ainsi qu'une capacité de contrôle du drone allié et de sa charge utile. Les performances de tracking multi-source seront évaluées en implémentant des algorithmes du type JPDA (Joint Probabilistic Data Association) ou Hungarian-net au processus de fusion de données.