Jour après jour, les radars nous fournissent des informations essentielles sur les objets en mouvement, telles que leur position et leur trajectoire. Traditionnellement, les radars balaient une zone entière en continu, mais les nouveaux radars cognitifs se concentrent plutôt sur certaines régions en utilisant des connaissances contextuelles.
Si elle maximise l’utilisation des ressources, la technologie des radars cognitifs présente également une sérieuse limitation : les systèmes utilisent des informations sur l’environnement qu’ils recueillent eux-mêmes pour définir leurs stratégies de détection, créant ainsi un processus circulaire qui peut polluer considérablement les résultats finaux.
L’apprentissage actif, un type de paradigme d’apprentissage itératif, pourrait contribuer à boucler la boucle de ce processus circulaire. L’apprentissage actif fournit aux radars des connaissances contextuelles fiables, telles que des informations sur les éléments statiques qui les entourent. Il peut s’agir de bâtiments existants, d’arbres, de la topographie, etc. L’apprentissage actif permet d’analyser et d’étiqueter efficacement les données de l’environnement, en séparant les données du bruit et en cherchant à améliorer les données pertinentes. Cela minimise l’utilisation des ressources du radar et lui permet de se concentrer sur ce qui importe : la détection et l’estimation des paramètres.
Grâce à une nouvelle bourse du European Office of Aerospace Research & Development, qui fait partie de l’US Air Force Office of Scientific Research, une équipe de chercheurs du Interdisciplinary Centre for Security, Reliability and Trust (SnT) de l’Université du Luxembourg travaille sur ce problème de recherche. Le projet, intitulé « Björn Ottersten », est dirigé par le professeur Bhavani Shankar, directeur du SnT, en tant que chercheur principal, et par le professeur Signal Processing and Application Research group, responsable du groupe de recherche Active Learning for Cognitive Radar (SPARC), en tant que chercheur principal adjoint. La bourse de recherche, qui financera le projet pendant trois ans, porte sur les applications civiles et les défis associés aux radars cognitifs.
Les applications pratiques de cette technologie comprennent le secteur automobile, ainsi que la surveillance de l’occupation des lieux. Par exemple, pendant la pandémie, certaines réglementations gouvernementales exigeaient que les magasins suivent le nombre de personnes présentes dans leur établissement à tout moment. Les nouveaux radars haute résolution peuvent fournir ce type de données en utilisant des algorithmes de suivi avancés, sans qu’il soit nécessaire de recourir à la surveillance vidéo, qui pose des problèmes de confidentialité.
Cependant, ces systèmes ont besoin de données contextuelles pour effectuer des mesures précises, par exemple pour distinguer un employé de la grande palette de marchandises qu’il transporte. En le dotant d’un algorithme d’apprentissage actif et de données sur le magasin, son plan et sa taille, les objets, etc., un radar cognitif n’a plus qu’à se concentrer sur le comptage des personnes présentes dans le magasin. Cela simplifie leur conception et leur fonctionnement, et maximise leur efficacité.
Le projet s’appuie sur l’idée, précédemment développée dans le projet AGNOSTIC, de combiner le traitement du signal avec l’apprentissage automatique pour permettre aux radars de filtrer les informations et leur permettre d’en isoler le bruit efficacement. AGNOSTIC a reçu une subvention ERC Advanced en 2017 ainsi qu’une subvention ERC Proof of Concept en 2020. Ce projet développe davantage cette recherche en appliquant son concept de base au domaine des radars cognitifs.
« Le projet « Active Learning for Cognitive Radar » offre au SnT un canal dédié à la poursuite des recherches sur l’intégration de l’apprentissage actif aux radars cognitifs, un sujet fondamental dans le traitement des signaux radar », a déclaré le professeur Bhavani Shankar.
Outre ce projet, le groupe Signal Processing Applications in Radar and Communications (SPARC), qui a commencé ses activités en janvier 2022, mène des recherches sur des domaines tels que la conception et l’optimisation des systèmes radar MIMO en réseau, la détection et les communications intégrées, les radars automobiles et la détection en intérieur, mais aussi sur les applications nouvelles et futures du traitement des signaux radar telles que la biomédecine et la surveillance de l’environnement.
Notre recherche en traitement du signal vous intéresse ? Découvrez SPARC.