Thèse Modèles Génératifs pour le Suivi Multi-Objets H/F - Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris Télécom SudParis
École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris
Laboratoire de recherche : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
Direction de la thèse : Yohan PETETIN ORCID 000000019200783X
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-10T23:59:59

Le problème du pistage multi-objets a de nombreuses applications dans le secteur de la défense ou la surveillance de l'espace. L'objectif consiste, connaissant la dynamique aléatoire des cibles, des observations bruitées ou des mesures de fausses alarmes, d'estimer le nombre de cibles ainsi que leur paramètre d'état (position, vitesse). Des solutions récentes et élégantes reposent sur l'utilisation des « random finite sets » (RFS) (ou des processus ponctuels) qui sont des ensembles de variables aléatoires de cardinal lui-même aléatoire. Le projet se propose de s'intéresser à la combinaison de méthodes basées sur les RFS (filtres PHD ou GLMB) avec de récentes avancées en modélisation générative pour les problèmes suivants :

-Modélisation de la dynamique des objets et/ou de la relation probabiliste entre les observations et les objets : les récentes avancées dans la modélisation générative des données reposent principalement sur l'introduction des réseaux de neurones pour paramétriser des lois de probabilités dans des modèles à variables latentes. Les modèles utilisés dans des problèmes de suivi sont similaires mais la variable latente représente cette fois ci des paramètres liés à la dynamique de l'objet, contrairement aux modèles d'IA générative dans laquelle cette dernière n'est pas nécessairement interprétable. Le défi consistera à introduire des architectures neuronales pour la modélisation de la dynamique des objets et des observations, tout en veillant à capturer l'interprétabilité de la variable latente lors de la phase d'estimation non supervisée, c'est-à-dire réalisée à partir des observations seules. Le cas mono-objet pourra d'abord être étudié, avant une extension aux RFS.

-Pour certains modèles non linéaires, les algorithmes de restauration bayésienne de type filtrage particulaire ou filtrage de Kalman étendu s'avèrent inefficaces, en particulier dans des dynamiques fortement non linéaires, ou lorsque la dimension du problème est grande. Le projet inclura une réflexion sur l'adaptation de ces approches, en particulier sur le développement de méthodes d'échantillonnage adaptatives adaptées au cadre séquentiel.

-Suivis de pistes : bien que de nombreuses solutions existantes permettent d'assurer le suivi individuel de chaque cible à travers la création de « pistes » (c'est-à-dire l'historique de la dynamique de chaque cible), de nombreux phénomènes peuvent conduire à la perte de piste (occlusions, ...), puis à la création de nouvelles pistes. Le défi consiste ici à établir l'association entre les anciennes pistes perdues et les nouvelles pistes. Pour cela, plusieurs outils méthodologiques peuvent être à l'étude : critère de distance entre des piste, classification séquentielle de pistes, utilisation de features supplémentaires.

Ce projet vise donc à développer une approche hybride combinant le formalisme des RFS avec la flexibilité des modèles génératifs neuronaux pour améliorer la robustesse du suivi-multi-objets et s'adapter à des problèmes présentant des contraintes particulières (fonction de vraisemblance de type banana-shape,...).

De nombreux problèmes, comme la surveillance de l'espace pour le suivi de débris ou la défense, reposent sur le pistage multi-cibles. L'objectif du projet est d'exploiter les récents progrès en IA générative pour ce problème précis.

Mathématiques appliquées : probabilités, statistiques
Suivi d'objets : filtrage de Kalman, filtrage particulaire
Modèles génératifs en IA