Learning Underwater Active Perception in Simulation

1. Problématique

L'inspection autonome des actifs sous-marins (naturels ou artificiels) par des véhicules sous-marins autonomes (AUV) est fortement entravée par les conditions de l'eau. La visibilité sous-marine varie considérablement en fonction de la turbidité, de la rétrodiffusion (backscattering) et de l'absorption de la lumière. Ces facteurs dégradent la qualité des images, compromettant la documentation visuelle et la sécurité des opérations.

Les méthodes existantes d'« perception active » (qui ajustent la trajectoire du robot pour maximiser l'information) souffrent de limitations majeures :

• Elles se concentrent souvent uniquement sur la minimisation de la distance à la cible, négligeant la couverture visuelle globale.
• Certaines approches nécessitent des configurations matérielles complexes (caméras et sources lumineuses indépendamment mobiles).
• Les simulateurs standards (comme Blender ou Unreal Engine) utilisent des modèles physiques de transport de la lumière inadaptés au milieu sous-marin, générant des données d'entraînement peu réalistes.

2. Méthodologie

Les auteurs proposent un cadre de perception active basé sur l'apprentissage automatique, conçu pour optimiser simultanément la qualité de l'image (contraste) et la couverture visuelle. L'approche se décompose en trois volets principaux :

A. Simulation et Rendu Physiquement Réaliste

Pour entraîner un modèle robuste, les auteurs ont amélioré le moteur de rendu Blender (version Cycles) afin de mieux simuler la propagation de la lumière sous l'eau :

• Remplacement de la fonction de phase : La fonction de diffusion de Henyey-Greenstein (HG), utilisée par défaut dans Blender, a été remplacée par la fonction Fournier-Forand (FF). Cette dernière est plus précise pour les petits et grands angles de diffusion, permettant de modéliser correctement la rétrodiffusion et la diffusion vers l'avant.
• Génération de données : Un vaste ensemble de données synthétiques a été généré incluant 10 types d'eau (basés sur les types de Jerlov), avec des niveaux variables de turbidité et de rétrodiffusion.
• Bruit de capteur : Un modèle de bruit physique (thermique et Poisson dépendant du signal) a été ajouté pour augmenter le réalisme.

B. Routine de Calibration In-Situ

Avant l'opération principale, le véhicule effectue une routine de calibration pour estimer les propriétés optiques de la colonne d'eau locale :

1. Atténuation lumineuse : Observation de la surface de l'eau à différentes profondeurs pour estimer l'atténuation de l'illumination.
2. Contraste et rétrodiffusion : Mesure du changement de contraste à différentes distances d'une cible, avec la lumière artificielle allumée et éteinte.
   Ces mesures permettent d'établir des profils de référence (atténuation par profondeur et variation de contraste par distance) spécifiques au site d'intervention.

C. Modèle d'Apprentissage et Optimisation en Temps Réel

Un Perceptron Multicouche (MLP) est entraîné sur les données synthétiques pour prédire la qualité de l'image (mesurée par le contraste) en fonction des paramètres opérationnels.

• Entrées du modèle (20) : Incluent les paramètres de calibration (atténuation, contraste avec/sans lumière), l'état actuel (distance, intensité lumineuse, profondeur, statistiques de l'image courante) et les offsets à optimiser (changement de distance et d'intensité).
• Sortie : Prédiction du contraste par canal de couleur.
• Fonction de coût : Une fonction de coût pondérée combine le contraste prédit et une métrique de distance (pour éviter de coller trop près de la cible et perdre de la couverture).
• Optimisation : Une boucle d'optimisation (méthode Nelder-Mead) utilise le MLP pour trouver le meilleur couple (offset de distance, offset d'intensité lumineuse) à chaque étape, guidant ainsi le véhicule.

3. Contributions Clés

1. Amélioration de Blender : Intégration officielle de la fonction de phase Fournier-Forand dans Blender 4.3 pour un rendu sous-marin physiquement précis.
2. Méthode de calibration : Une procédure simple utilisant une caméra monoculaire et une source lumineuse ajustable pour estimer les propriétés optiques de l'eau in-situ.
3. Cadre de perception active : Un système fournissant des suggestions de guidage en temps réel (distance et lumière) pour maintenir une haute qualité d'image tout en maximisant la couverture visuelle dans diverses conditions.

4. Résultats

Les méthodes ont été validées par simulation dans des environnements à faible et forte turbidité, comparées à des approches traditionnelles (motifs de balayage fixes à 1m ou 2m, méthodes basées sur le gradient, et métriques NIQE).

• Précision du modèle : Le MLP calibré a obtenu une erreur absolue moyenne (MAE) de 0,01 sur l'ensemble de test, contre 0,05 pour un modèle sans calibration. La calibration est cruciale, surtout en eau claire où les variations de contraste sont subtiles.
• Qualité de l'image (Appariement de caractéristiques) : La méthode proposée a généré un nombre plus élevé de correspondances de caractéristiques (inliers) et un meilleur ratio d'inliers par rapport aux autres méthodes, tant en eau claire qu'en eau turbide. Elle a démontré une stabilité supérieure en profondeur.
• Couverture visuelle : Bien que certaines méthodes fixes (comme le motif à 2m) couvrent une plus grande surface, la qualité des données y est souvent dégradée. La méthode proposée offre le meilleur compromis entre couverture et qualité d'inspection, permettant une inspection plus rapide et plus fiable.

5. Signification et Limites

Signification :
Ce travail démontre qu'il est possible d'augmenter l'autonomie des AUV dans des conditions sous-marines difficiles en combinant une simulation physique réaliste, une calibration rapide sur site et un apprentissage profond. Cela permet de réduire le gaspillage de temps et d'argent dû à des données inutilisables et d'améliorer la sécurité des missions.

Limites :

• Le modèle doit extrapoler pour des profondeurs très grandes ou des textures de scène très différentes de celles utilisées lors de l'entraînement (coques de navires, fonds marins lisses).
• La procédure de calibration nécessite une grande maniabilité du véhicule (station-keeping précis, capacité à regarder vers la surface et horizontalement).
• L'approche suppose des actifs relativement plans ; des structures complexes avec de grandes variations de profondeur pourraient fausser l'estimation de la distance unique utilisée.

En conclusion, cette approche ouvre la voie à des inspections sous-marines plus robustes et adaptatives, capables de s'ajuster dynamiquement aux propriétés optiques locales de l'eau.