Learning Underwater Active Perception in Simulation

Resumen Técnico: Percepción Activa Submarina mediante Aprendizaje en Simulación

1. Planteamiento del Problema

La inspección autónoma de activos submarinos (tanto naturales como artificiales) se ve severamente limitada por las condiciones del agua, específicamente la turbidez y la dispersión de la luz. Estos factores degradan la calidad de las imágenes, causando pérdida de contraste, distorsión de colores y "niebla" (backscattering), lo que puede hacer que los datos recopilados sean inútiles para tareas de documentación o navegación.
Los métodos existentes de percepción activa suelen tener limitaciones significativas:

• Se centran en minimizar la distancia al objetivo, lo que reduce la cobertura visual y alarga las misiones.
• Requieren configuraciones de hardware complejas (fuentes de luz y cámaras móviles independientemente).
• Dependen de modelos de renderizado que no son físicamente precisos para entornos submarinos, utilizando funciones de dispersión simplificadas que no capturan la realidad de la dispersión hacia atrás (backscattering).

2. Metodología Propuesta

Los autores proponen un marco de percepción activa que utiliza un enfoque de aprendizaje automático basado en datos sintéticos realistas. El sistema se divide en tres componentes principales:

A. Simulación y Renderizado Mejorado (Blender)

• Se actualizó el motor de renderizado Cycles de Blender para simular con precisión la propagación de la luz bajo el agua.
• Cambio clave: Se reemplazó la función de fase de dispersión de Henyey-Greenstein (HG), estándar en gráficos por computadora, por la función de fase Fournier-Forand (FF). La función FF es utilizada por la comunidad oceanográfica y modela con mayor precisión la dispersión en ángulos pequeños y grandes, así como la fracción de retrodispersión.
• Se implementó un modelo de ruido basado en física (ruido térmico y de Poisson dependiente de la señal) para mayor realismo.
• Se generó un conjunto de datos sintético masivo (138.240 entradas) cubriendo 10 tipos de agua (basados en las propiedades ópticas de Jerlov), diferentes niveles de turbidez, texturas de objetivos y configuraciones de iluminación.

B. Rutina de Calibración In-situ
Antes de la operación principal, el vehículo realiza una rutina de calibración para estimar las propiedades de la columna de agua:

1. Atenuación de la luz: Observando el cambio de iluminación a diferentes profundidades mirando hacia la superficie.
2. Contraste y dispersión: Midiendo el cambio de contraste a diferentes distancias de un objetivo con la luz artificial encendida y apagada.
   Esto permite al sistema obtener perfiles de atenuación de color y cambio de contraste específicos para el entorno local, sirviendo como referencia para el modelo de tiempo real.

C. Modelo de Aprendizaje y Guía en Tiempo Real

• Se entrena un Perceptrón Multicapa (MLP) para predecir la calidad de la imagen (medida por el contraste) dada una distancia al objetivo y una intensidad de luz.
• Entradas del MLP: 20 parámetros, incluyendo los datos de calibración (atenuación por profundidad, cambio de contraste con/sin luz), el estado actual (distancia, profundidad, estadísticas de la imagen actual) y los parámetros a optimizar (desplazamiento de distancia e intensidad de luz).
• Optimización: El sistema utiliza un bucle de optimización (método Nelder-Mead) para encontrar el par óptimo de distancia e intensidad de luz que maximice una función de calidad compuesta por el contraste predicho y una métrica de cobertura (evitando que el vehículo se acerque demasiado y reduzca el área de inspección).

3. Contribuciones Clave

1. Mejora del Motor de Simulación: Integración de la función de fase Fournier-Forand en Blender, permitiendo la generación de datos sintéticos físicamente precisos para entornos submarinos, algo que antes no estaba disponible en software comercial estándar.
2. Estimación de Propiedades de la Columna de Agua: Un método práctico para estimar las propiedades ópticas del agua utilizando solo una cámara monocular y una fuente de luz ajustable, sin necesidad de sensores costosos como espectrómetros.
3. Marco de Percepción Activa Adaptativo: Un sistema que proporciona sugerencias de guía en tiempo real (distancia e iluminación) para mantener la calidad de la imagen y maximizar la cobertura visual en un amplio rango de condiciones de turbidez.

4. Resultados y Evaluación

Los autores validaron el enfoque en simulación comparándolo con métodos tradicionales (patrones fijos de distancia/luz, métodos basados en gradiente y métricas de calidad de imagen natural - NIQE):

• Precisión del Modelo: El MLP con parámetros de calibración logró un Error Absoluto Medio (MAE) de 0.01 en la predicción de contraste, frente a 0.05 en el modelo sin calibración. La calibración es crucial, especialmente en aguas de baja turbidez donde las variaciones son sutiles.
• Estabilidad y Cobertura: En entornos de alta turbidez, el método propuesto mantuvo una estabilidad superior en la cantidad de características visuales (inliers) y en la relación de coincidencias, evitando que el vehículo se aleje demasiado (perdiendo contraste) o se acerque demasiado (aumentando la dispersión).
• Compromiso Calidad-Cobertura: El método propuesto logró el mejor equilibrio. Mientras que los patrones fijos de 2m ofrecían mayor cobertura en aguas claras pero fallaban en aguas turbias, y los métodos de 1m ofrecían calidad pero poca cobertura, el enfoque adaptativo mantuvo una cobertura visual significativa (35.9 m² en aguas claras, 16.5 m² en turbias) sin sacrificar la calidad de los datos necesarios para tareas posteriores (mapeo, reconocimiento).
• Robustez: El sistema demostró capacidad de adaptación a cambios en la iluminación y propiedades del agua, generalizando bien entre diferentes escenarios simulados.

5. Significado e Impacto

Este trabajo representa un avance significativo en la robótica marina autónoma al:

• Permitir inspecciones más rápidas y consistentes en condiciones de agua previamente prohibitivas.
• Reducir la dependencia de operadores humanos para ajustar parámetros en tiempo real.
• Proporcionar una solución de software que no requiere hardware costoso adicional, utilizando solo la cámara y la luz del vehículo.
• Establecer un nuevo estándar para la simulación submarina al corregir las deficiencias físicas de los motores de renderizado comerciales, facilitando el entrenamiento de modelos de IA más robustos.

El código y los recursos del proyecto están disponibles públicamente, promoviendo la reproducibilidad y el avance en la inspección de activos submarinos.