Perception-to-Pursuit: Track-Centric Temporal Reasoning for Open-World Drone Detection and Autonomous Chasing

Each language version is independently generated for its own context, not a direct translation.

🚁 Le Problème : Le Chasseur qui court dans le vide

Imaginez que vous êtes un chien de garde (le drone "intercepteur") et qu'un oiseau (le drone "intrus") vole au-dessus de vous.

Les systèmes de surveillance actuels sont comme des observateurs très précis mais très bêtes. Ils peuvent dire : "L'oiseau sera exactement à cet endroit dans 2 secondes !" avec une grande précision.

Mais il y a un gros problème : ils oublient la physique.
Si l'oiseau décide de faire un virage serré ou de freiner brusquement, le chien, lui, ne peut pas s'arrêter instantanément ni tourner à 90 degrés en une seconde. Si le chien suit aveuglément la prédiction de l'observateur, il va foncer droit dans le mur ou passer à côté de l'oiseau.

Le résultat ? Dans 99,9 % des cas, les prédictions actuelles sont mathématiquement justes, mais physiquement impossibles à attraper. C'est comme si un GPS vous disait : "Tournez à droite maintenant", alors que vous êtes sur un pont en train de rouler à 100 km/h et qu'il n'y a pas de route à droite.

💡 La Solution : P2P (De la Perception à la Poursuite)

Les chercheurs ont créé une nouvelle méthode appelée P2P (Perception-to-Pursuit). Au lieu de juste regarder où l'oiseau est, ils essaient de comprendre comment il pense et bouge.

Voici comment ça marche, avec une analogie simple :

1. Les "Jetons de Mouvement" (La Carte d'Identité du Vol)

Au lieu de regarder des milliers de pixels (l'image brute), le système transforme le mouvement du drone en un petit résumé de 8 chiffres, comme une carte d'identité du vol.

Où il est ?
À quelle vitesse il va ?
Est-ce qu'il accélère ou freine ? (C'est crucial !).
Est-ce que son vol est fluide ou saccadé ?

C'est comme si, au lieu de regarder une photo floue d'une voiture, vous lisiez son journal de bord : "Elle accélère fort, elle tourne à gauche, elle est instable".

2. Le "Cerveau Temporel" (Le Transformer)

Le système utilise une intelligence artificielle (un "Transformer") qui agit comme un grand chef d'orchestre.
Au lieu de regarder une seule image à la fois, il regarde une séquence de 12 images passées (comme regarder les 12 dernières secondes d'un film).

Il ne se contente pas de dire : "Il va là."
Il se demande : "Vu qu'il accélère et qu'il a l'air nerveux, il va probablement faire un virage brusque dans 2 secondes."

Il prédit le futur en tenant compte des lois de la physique de son propre chien (le drone intercepteur). Il ne prédit que des trajectoires que son chien est capable d'atteindre.

3. Le Nouveau Score : "Taux de Réussite de l'Interception" (ISR)

C'est la grande innovation du papier. Avant, on mesurait juste la précision du tir (est-ce qu'on a deviné la bonne case ?).
Maintenant, on mesure l'efficacité de la poursuite.

Ancien système : "J'ai prédit la bonne case, mais mon chien ne peut pas y aller." → Échec.
Nouveau système (P2P) : "J'ai prédit une case où mon chien peut physiquement arriver." → Succès.

🏆 Les Résultats : Une Révolution

Sur des tests réels avec 226 séquences de vrais drones :

Précision : Le système P2P est 77 % plus précis que les méthodes actuelles pour deviner où ira le drone.
Faisabilité (Le plus important) : C'est là que ça explose. Les anciennes méthodes ne fonctionnaient que 0,1 % du temps (99,9 % d'échec). La nouvelle méthode fonctionne 60 % du temps.
- Traduction : C'est un gain de 597 fois plus efficace pour attraper l'intrus !
Reconnaissance : Le système arrive à dire à 100 % "C'est un drone" ou "Ce n'est pas un drone" en se basant uniquement sur la façon dont il vole, sans même avoir besoin de voir à quoi il ressemble (couleur, forme). C'est comme reconnaître un ami par sa démarche, même s'il porte un masque.

🚀 En Résumé

Imaginez que vous jouez à un jeu de catch.

Les anciens systèmes vous disent : "Attrape-le là !" (mais vous êtes trop lent pour y arriver).
Le système P2P vous dit : "Il va faire un saut, donc je vais courir ici, à ce moment précis, pour qu'on se rencontre au milieu de l'air."

Ce papier nous apprend qu'pour qu'une poursuite autonome fonctionne, il ne suffit pas de voir bien, il faut raisonner sur le mouvement et la physique. C'est le passage de la simple observation à l'action intelligente.

Each language version is independently generated for its own context, not a direct translation.

1. Problématique et Contexte

L'augmentation des drones commerciaux a créé un besoin urgent de systèmes autonomes capables de détecter et de poursuivre des véhicules aériens non autorisés. Bien que les méthodes existantes de détection et de suivi (tracking) aient fait des progrès significatifs, elles souffrent d'une lacune critique : l'optimisation de la précision de prédiction au détriment de la faisabilité physique de la poursuite.

Le fossé Perception-Poursuite : Les méthodes actuelles prédisent des trajectoires futures avec une certaine précision statistique, mais ignorent les contraintes cinématiques de l'intercepteur (vitesse et accélération maximales).
Conséquence : Une trajectoire peut être statistiquement précise "a posteriori" mais physiquement impossible à intercepter. Les auteurs montrent que les méthodes de suivi de pointe produisent des prédictions infeasibles 99,9 % du temps, rendant ces prédictions inutiles pour la planification de poursuite autonome.

2. Méthodologie : Perception-to-Pursuit (P2P)

L'article propose un cadre de raisonnement temporel centré sur la trajectoire (track-centric) qui comble ce fossé en optimisant conjointement la précision de prédiction et la faisabilité de l'interception.

A. Représentation par "Motion Tokens" (Jetons de Mouvement)

Au lieu d'utiliser des images brutes ou des boîtes englobantes redondantes, le modèle transforme les données de suivi en un vecteur compact de 8 dimensions par frame :

Position $(x, y)$ : Coordonnées dans le plan image.
Vitesse $(v_x, v_y)$ : Différences finies de la position.
Accélération $(a_x, a_y)$ : Dérivée seconde du mouvement.
Échelle $(s)$ : Proxy de la taille de l'objet ( $\sqrt{w \cdot h}$ ).
Lissage $(\sigma)$ : Stabilité de la trajectoire sur une fenêtre de 5 images (écart-type).

Cette représentation est interprétable, efficace et capture la dynamique du mouvement sans dépendre des apparences visuelles (modèle "open-world").

B. Architecture Transformer Causal

Le cœur du système est un Transformer causal (12 frames d'entrée, 4 couches, 4 têtes d'attention) qui raisonne sur les séquences de jetons de mouvement :

Fonctionnement : Il utilise un masquage causal pour prédire le futur uniquement basé sur le passé.
Têtes de prédiction multi-tâches : Le modèle prédit simultanément :
1. Classification du drone (binaire).
2. Comportement (5 classes : hover, loiter, approach, evade, pass-by).
3. Intention (score d'agressivité de la manœuvre).
4. Trajectoire future (20 frames).
Objectif d'entraînement : Une fonction de perte pondérée combinant la classification, la régression d'intention et la perte de trajectoire (Smooth L1).

C. Métrique : Taux de Succès d'Interception (ISR)

Les auteurs introduisent une nouvelle métrique, l'Intercept Success Rate (ISR), pour évaluer la faisabilité de la poursuite.

Principe : Elle vérifie si un intercepteur réaliste (avec $v_{max} = 15$ m/s et $a_{max} = 5$ m/s²) peut atteindre la position prédite dans le délai imparti, en utilisant un contrôle optimal "bang-bang".
Signification : Un ISR de 0,597 signifie que 59,7 % des prédictions permettent une interception physiquement possible, contre 0,001 pour les méthodes traditionnelles.

3. Résultats Expérimentaux

Les tests ont été réalisés sur le jeu de données Anti-UAV-RGBT (226 séquences réelles de drones).

Performances Quantitatives

Comparé aux bases de référence (suivi uniquement, extrapolation linéaire, vitesse instantanée) :

Précision de trajectoire : Réduction de l'erreur de déplacement moyenne (ADE) de 122,83 px (baselines) à 28,12 px (P2P), soit une amélioration de 77 %.
Faisabilité de poursuite : L'ISR passe de 0,001 (baselines) à 0,597 (P2P), soit une amélioration de 597 fois. Cela signifie que les méthodes classiques échouent à fournir des plans d'action viables dans 99,9 % des cas.
Classification : Précision parfaite de 100 % pour la détection de drones, prouvant que les motifs de mouvement suffisent pour la discrimination en monde ouvert sans features d'apparence.
Temps réel : Le système fonctionne à 323 FPS sur une GPU NVIDIA T4, permettant une intégration temps réel.

Études d'ablation

L'apprentissage multi-tâches améliore significativement la précision et la faisabilité.
L'attention temporelle est cruciale : son retrait dégrade l'ADE de 50 % et l'ISR de 29 %.
L'inclusion des features d'accélération améliore la prédiction de 13 %.

4. Contributions Clés

Raisonnement temporel orienté poursuite : Une architecture Transformer qui prédit des trajectoires non seulement précises, mais physiquement interceptables.
Métrique ISR : Une mesure standardisée de l'« actionnabilité » des prédictions pour les systèmes autonomes.
Validation empirique : Preuve que le raisonnement sur les motifs de mouvement (sans données d'apparence) permet une discrimination parfaite et une planification de poursuite viable, comblant le fossé entre la perception et l'action.

5. Signification et Impact

Ce travail remet en question l'approche traditionnelle du suivi d'objets où la seule métrique de succès est la précision géométrique. Il démontre que pour les systèmes autonomes (drones de contre-mesure, robots), la faisabilité cinématique est aussi importante que la précision.

Généralisation : L'approche basée sur le mouvement suggère que les systèmes peuvent mieux généraliser à de nouvelles catégories d'objets sans réentraînement sur de nouvelles bases d'apparence.
Applications : Au-delà des drones, cette méthodologie s'applique à tout domaine nécessitant des prédictions physiquement réalisables (véhicules autonomes, robotique de sauvetage).
Limites : Le modèle actuel gère une cible unique et dépend de paramètres d'intercepteur fixes. Les travaux futurs viseront les scénarios multi-cibles et l'intégration matérielle complète.

En résumé, P2P transforme la prédiction de trajectoire d'un problème purement statistique en un problème de planification d'action, rendant possible la poursuite autonome de drones dans des environnements réels et dynamiques.