Recherche scientifique : radar, MATLAB et IA

Le point de départ

Thèse menée entre ESME Sudria et le Beijing Institute of Technology (dir. Prof. Xiuzhu Ye). Au-delà du sujet, le projet montre une manière de conduire une recherche : construire une chaîne de mesure physique, la relier à l'apprentissage automatique, puis l'auditer méthodiquement avec l'aide d'agents IA.

Le problème

Les petits drones sont difficiles à détecter : lents et volant bas, ils se confondent avec des oiseaux sur un radar classique. Leur signature micro-Doppler, la modulation créée par les pales en rotation, permet en principe de les reconnaître. L'exploiter en bande W (77 GHz) demande une chaîne de traitement dédiée et une validation rigoureuse, car un modèle peut sembler excellent tout en généralisant mal.

La réponse

Une chaîne complète relie l'acquisition radar à la décision : MATLAB pour le traitement du signal (profils distance, cartes distance-Doppler, spectrogrammes), Python pour l'apprentissage (SVM sur descripteurs physiques contre réseau ResNet-18) et un test statistique apparié pour trancher. Des agents IA exécutent MATLAB en mode batch pour rejouer les scripts, confronter les résultats à la physique et documenter chaque correction de façon reproductible.

• Chaîne MATLAB FMCW : profils distance, cartes distance-Doppler, spectrogrammes STFT, cartes cadence-vélocité
• 21 enregistrements réels en bande W (77 GHz) traités avec contrôle qualité
• Pont MATLAB vers Python : les spectrogrammes alimentent les modèles d'apprentissage
• Comparaison SVM contre ResNet-18 tranchée par un test de McNemar apparié
• Audit de la chaîne par agents IA pilotant MATLAB en batch : 8 constats documentés et reproductibles
• Protocoles d'évaluation sans fuite, qui isolent les enregistrements
• Génération automatisée du rapport et des supports de soutenance

Sous le capot

Les acquisitions radar sont traitées en MATLAB : formation de voies, transformée de Fourier pour la distance, puis STFT le long du temps lent pour extraire la modulation micro-Doppler. Les spectrogrammes obtenus alimentent la partie Python, organisée en modules de données, d'entraînement et d'évaluation, où un SVM sur descripteurs physiques est mis en concurrence avec un ResNet-18. Pour l'audit, des agents IA lancent MATLAB en ligne de commande sur les 21 enregistrements, produisent des scripts de diagnostic et des sorties CSV rejouables, et confrontent chaque résultat aux paramètres physiques du radar.

Le défi notable

Le résultat le plus spectaculaire, une précision très élevée sur six classes, s'est révélé biaisé : le découpage aléatoire des trames plaçait des extraits quasi identiques à la fois en apprentissage et en test. Plutôt que de conserver ce chiffre flatteur, le protocole a été refait en isolant les enregistrements pour obtenir une mesure honnête de la généralisation ; cette rigueur, documentée dans un audit, devient un point de contribution.

Mon rôle

Odilon a conçu l'ensemble : chaîne de traitement radar en MATLAB, apprentissage en Python, protocoles d'évaluation, audit mené avec des agents IA, rapport de thèse et soutenance.

Où en est le projet ?

La chaîne de traitement fonctionne sur données réelles et le banc de comparaison tourne sur le jeu public. L'audit a montré que le score initial surestimait la généralisation : les découpes ont été corrigées avant de retenir un chiffre, et le ré-entraînement est la prochaine étape, suivie de l'adaptation aux données en bande W.

• Relancer l'entraînement sur les découpes corrigées
• Adapter les modèles aux données réelles en bande W
• Étudier un traitement en temps réel

Quelques repères

Les outils du projet

Traitement du signal

MATLAB R2025b (STFT, FMCW, formation de voies Capon)

Apprentissage

Python, scikit-learn (SVM), PyTorch / torchvision (ResNet-18)

Agents IA

Claude Code : exécution MATLAB en batch, audit reproductible

Données

Jeu public DIAT-µSAT, acquisitions W-band 77 GHz

Restitution

NumPy, SciPy, Matplotlib, génération PDF / PPTX