Project FUSCHIA (FUSion and Correlation of Heterogeneous data using Artificial Intelligence)

La thèse "FUSion et Corrélation de données Hétérogènes par Intelligence Artificielle" (FUSCHIA) est née d'un besoin de traiter des quantités massives de données issues d'opérations de surveillance maritime. Dans un premier temps, le comportement de chaque navire est étudié dans son contexte afin de différencier les comportements anormaux des comportements normaux. Cette opération est réalisée en combinant une mesure de similarité pour des séries temporelles, Dynamic Time Warping, avec un algorithme de détection d'anomalies connu de l'état de l'art, One-Class SVM, Isolation Forest ou encore Local Outlier Factor, fonctionnant tous de manière non-supervisée. Dans un deuxième temps, une méthode d'association de données est proposée. Les données multicapteurs Automatic Identification System (AIS), radar et Electronic Support Measures (ESM) doivent être associées pour identifier les différents navires observés ainsi que leur dynamique ou comportement. Un algorithme Expectation-Maximization séquentiel est utilisé pour l'association. Ces deux étapes permettent de détecter des comportements atypiques comme, par exemple, des cas de pêche illégale, piraterie, falsification ou interruption de transmission provenant de l'AIS.Les algorithmes de détection de comportements anormaux ont été évalués sur des données simulées avec vérité terrain connue tout en comparant différentes mesures de similarité, puis avec des données AIS réelles. Les performances des algorithmes sur données simulées sont prometteuses et différentes anomalies ont été détectées sur des bases de données constituées de trajectoires réelles. Cependant, ces algorithmes fonctionnent de manière hors ligne et ne détectent pas précisément la nature d'une anomalie dans une trajectoire. L'application de ces algorithmes sur des couples de trajectoires AIS et radar associées a permis de détecter des cas de falsification d'information AIS.L'algorithme d'association de données est une extension de l'algorithme Coherent Point Drift (CPD), initialement prévu pour associer des données provenant de deux capteurs et à un instant fixé tout en prenant en compte des paramètres à corriger comme des biais. La première extension ajoute un traitement séquentiel à cette algorithme, en prenant en compte la falsification de données AIS. La deuxième extension étend le modèle pour comparer simultanément des données issues de plus de deux capteurs. L'algorithme CPD étendu est évalué sur des données AIS réelles avec radar simulé, puis sur un ensemble AIS, radar, ESM réel. Avec les données simulées, les performances sont très satisfaisantes. L'application sur données réelles a révélé les difficultés de l'algorithme à prendre en compte un grand nombre de données manquantes sur des trajectoires. De plus, des hypothèses du modèle n'étaient pas toujours vérifiées expérimentalement, notamment les biais angulaires pouvant varier avec la direction des cibles par rapport aux capteurs ou la représentation d'une cible avec plusieurs trajectoires due à une réapparition des cibles. L'algorithme a quand même permis de détecter des associations et corriger des paramètres.Les résultats mis en avant ouvrent la voie à de nouveaux travaux de recherche. Pour la détection de comportements anormaux, des méthodes de mise à jour du modèle entraîné et des algorithmes de compression de trajectoires permettraient d'accélérer l'apprentissage. L'algorithme d'association de données doit intégrer la disparition et réapparition successive des navires observés, la prise en compte d'un biais variant avec l'azimut et, pour l'association, un nombre de données manquantes important sur les trajectoires.