Avis de Soutenance
Monsieur Imad BOUHOU
Sciences du traitement du signal et des images
Soutiendra publiquement ses travaux de thèse intitulés
“Apprentissage par renforcement non-stationnaire et robuste pour des applications de surveillance”
dirigés par Leïla GHARSALLI, Alexandre RENAUX et Stefano FORTUNATI
Soutenance le mercredi 10 décembre 2025 à 10h30
Lieu : Le théâtre Rousseau e.070 Bâtiment Bouygues.
Composition du jury
M. Rémy BOYER Université de Lille – Rapporteur
M. Yide WANG Polytech Nantes – Université de Nantes – Rapporteur
M. ERIC CHAUMETTE ISAE SUPAERO – Examinateur
Mme Joana FRONTERA- PONS ONERA Palaiseau – Examinatrice
Mots-clés : Apprentissage par renforcement,Processus de décision de markovien partiellement observable,Radar cognitif,Détection robuste,Multiple-Input Multiple-Output (MIMO) massif,Suivi de cibles,
Résumé :
Ce travail propose un nouveau cadre de radar cognitif pour la détection et le suivi conjoints de cibles dans des environnements perturbés dont les caractéristiques statistiques sont inconnues. En s’appuyant sur les architectures radar MIMO massif et une détection robuste de type Wald, nous introduisons une méthode d’apprentissage par renforcement qui modélise l’environnement dynamique sous la forme d’un Processus de décision markovien partiellement observable. La méthode repose sur un solveur en ligne basé sur la planification de Monte Carlo partiellement observable POMCP, sans nécessiter de connaissance préalable des statistiques du bruit. Le système proposé améliore significativement la probabilité de détection et la précision du suivi dans des environnements non stationnaires et incertains, offrant ainsi une solution agnostique vis-à-vis des perturbations, adaptée aux applications modernes de surveillance. Par ailleurs, l’approche a ensuite été étendue au cas multi-cible, en intégrant des techniques de conception de formes d’onde permettant de prendre en compte les variations du rapport signal sur bruit SNR entre les cibles, afin d’optimiser la répartition de l’énergie et d’améliorer la robustesse de la détection sur plusieurs directions d’intérêt.
