1 Tache 3.1 Couplage Zones d’intérêt / détection Projection Sélection/Focalisation Prédiction/Reconnaissance Zones d’intérêt (RUSL) Zones d’interêt (RUCM) Zones d’interêt (RUCS) (1), (7), (2) Zones d’intérêt (RUi) Objets (RUi) (1) : i = SL (4)(6) : i = CM (6) i=CS LIVIC (1) IEF (2) Emotion (3) CAOR (4) Heudiasyc (5) LIST(6) LASMEA (7) ICARE (8) proprio

2 Tache Solution combinées LIVIC (1) IEF (2) Emotion (3) CAOR (4) Heudiasyc (5) LIST(6) LASMEA (7) ICARE (8) 2 type d’architectures identifiées lors du séminaire du 15 novembre (voir présentation SP3)

3 Tache 3.2 architecture type 2 Les entrées sont –Des objets détectés par l’une ou l’autre modalité. Partenaires identifiés –(5), (7) Pistage Association, Estimation, Prédiction Pistes RUSL Objets RUSL Détection Estimation Détection Estimation Capteur 1 Mesures 1 Capteur n Mesures n LIVIC (1) IEF (2] Emotion (3) CAOR (4) Heudiasyc (5) LIST(6) LASMEA (7) ICARE (8)

4 Real World Locomotion control Perception control Premices Objects Tracks Fused Tracks Task control Arc Reflex Flow control 2-Select possible behaviors to compete 2 3-Re-define short to mid-term objective 3 4-Plan actions 4 5-Trigger actions 5 Fusion Data Base Robust Mode Concurrent Models Refined Mode 1-Scene knowledge update 1 Evaluate Architecture d’un système quasi-autonome Opportunistic trend → event driven

5 IEF (2) Association d’objets/pistes Détecteur i Mise à jour/ Estimation pistes Initialisation nouvelles pistes Gestion des pistes / Evaluation Données proprio Pistes rusl 8+L8+L 8m8m 8+L8+L 8m8m Carte vue de dessus Prédiction Recalage Carte vue de dessus Choix de  t Fenêtre Objet Détecteur i Objets rusl Détecteur jDétecteur k Fenêtres Focalisation pour détecteur robuste Scrutation sur nouvel horizon Prise en compte du mouvement des vulnérables sur la carte supervisionsupervision X

6 IEF 3.3 Pistes i ti,id_i, rusl Pistes j tj,id_j, rusl Recalage temporel Association piste à piste (marqueurs) Prédiction (inversion de modèles) correction Fusion (3 échelles de temps) Validation Pistes globales rusl proprio 3.3

7 Exemple de graphe de supervision Portée capteur position capteur orientation capteur données relief S Calcul des domaines de couverture S Calcul des risques de masquage S Changement d ’orientation des capteurs Cibles détectées S Configuration des cibles Consignes d ’émission Evaluation du degré de menace Sites stratégiques Consignes de protection S Calcul disponibilité capteurs Modes capteurs Météo Guidage missile demande de mesures demande de précision Masques de terrain : données absentes