Une intégration innovante de la synergie JPDA-LSTM et de l'intelligence artificielle explicable pour améliorer le suivi multi-cibles et les performances radar

Les systèmes de Radar rencontrent des défis croissants pour suivre avec précision plusieurs cibles à faible signature, telles que les UAVs, en particulier dans des environnements dynamiques et encombrés. Les systèmes de MTT sont confrontés à des associations de données ambiguës, des fausses alarmes, une fragmentation des trajectoires, et une faible adaptabilité aux dynamiques des cibles. Les approches classiques, telles que JPDA et les modèles à paramètres fixes comme le KF, montrent leurs limites dans de telles conditions. Cette thèse propose un cadre de suivi basé sur l'AI pour surmonter ces limitations. Une évaluation comparative des méthodes de suivi multi-cibles et multi-capteurs est d'abord menée dans des scénarios radar complexes. Ensuite, une approche d'RL utilisant l'PPO est développée pour adapter dynamiquement la covariance du bruit de processus du KF. Le JPDA est ensuite amélioré par l'intégration d'un module de filtrage d'encombrement basé sur un réseau LSTM. Enfin, des techniques d'XAI, incluant SHAP et l'importance par permutation, sont intégrées pour renforcer la transparence et l'interprétabilité du processus de suivi. L'approche proposée est évaluée sur des données simulées et réelles, montrant des améliorations significatives en précision, continuité du pistage, rejet du clutter et réduction des ambiguïtés. Ces travaux contribuent à l'amélioration des systèmes de MTT radar en proposant une solution robuste, adaptative et interprétable pour des applications critiques.