Soutenance de thèse de PATHE Pierre
Titre de thèse
Fusion de données multi-capteurs pour la détection de comportements anormaux
Multi-sensor data fusion for abnormal behavior detection
Résumé de la thèse
L'essor rapide des drones civils, en particulier en milieu urbain, soulève de nouveaux défis en matière de surveillance et de sécurité. La simple détection ne suffit plus: il est désormais crucial de comprendre le comportement du drone, d'anticiper ses intentions et d'identifier les anomalies comportementales par rapport à des situations de normalités associées à des usages commerciaux. Cette thèse s'intéresse à la détection de comportements anormaux de drones dans des environnements incertains, à partir de données hétérogènes, souvent bruitées ou incomplètes. Face à la rareté des données réelles et à la difficulté de prise de décision sous incertitude, nous proposons une approche hybride, nommée Sim2Real-VBS, combinant apprentissage simulé, modélisation crédibiliste et stratégie de décision adaptative. Un simulateur est utilisé pour générer des trajectoires normales et anormales, permettant l'apprentissage des paramètres d'un réseau bayésien dynamique. Ce modèle est ensuite transformé en un réseau crédibiliste, capable d'exprimer l'incertitude et le conflit entre sources. Enfin, un mécanisme de décision fondé sur la valeur espérée d'information crédibiliste permet d'optimiser les observations en fonction des ressources disponibles et de la confiance décisionnelle. L'approche est validée sur des données réelles en environnement urbain, démontrant des gains significatifs en précision, robustesse et capacité décisionnelle. Ces travaux ouvrent la voie à des systèmes de surveillance aérienne plus intelligents, adaptatifs et explicables.
Thesis resume
The rapid proliferation of civilian drones, particularly in urban environments, poses new challenges in surveillance and security. Merely detecting the presence of an unmanned aerial vehicle is no longer sufficient: it is now essential to understand the drone's behavior, anticipate its intentions, and identify behavioral anomalies in relation to normal situations associated with commercial practices. This thesis addresses the detection of abnormal drone behaviors in uncertain environments, using heterogeneous, noisy, and often incomplete data. To overcome the scarcity of real-world anomalous data and the complexity of decision-making under uncertainty, we propose a hybrid approach, named Sim2Real-VBS, combining simulated data learning, belief-based modeling, and adaptive decision strategies. A simulator is designed to generate normal and anomalous trajectories, used to train a dynamic Bayesian network. This model is then converted into a belief network through conditional embedding, enabling explicit representation of uncertainty, ignorance, and source conflict. A decision-making mechanism based on the Evidential Expected Value of Sample Information is introduced to optimize observations given operational constraints and decision confidence. The proposed approach is validated on real-world urban data, showing significant improvements in detection accuracy, robustness, and informational efficiency. This work contributes to the development of intelligent, adaptive, and explainable aerial surveillance systems.