Hierarchical Multi-Modal Planning for Fixed-Altitude Sparse Target Search and Sampling

Ce papier présente HIMoS, un cadre de planification hiérarchique multi-modal à altitude fixe qui optimise la recherche et l'échantillonnage de coraux épars par des véhicules sous-marins autonomes en intégrant une planification stratégique de routes topologiques et une planification tactique locale basée sur la propagation de croyances différentiables, surpassant ainsi les méthodes existantes en efficacité énergétique et de mission.

L'essentiel

Imaginez que vous devez trouver des perles rares (des colonies de coraux) dispersées au fond d'un océan trouble et vaste, en utilisant un petit sous-marin autonome (un AUV). Le problème ? L'eau est boueuse, la lumière ne passe pas bien, et l'énergie de la batterie est limitée. Si vous essayez de tout fouiller méthodiquement comme une tondeuse à gazon, vous épuiserez vos batteries avant de trouver quoi que ce soit. Si vous montez et descendez constamment pour voir plus loin, vous gaspillerez encore plus d'énergie.

C'est là qu'intervient HIMoS, le système présenté dans cet article. Voici comment il fonctionne, expliqué simplement avec des images du quotidien.

1. Le Concept : Un Détective à Deux Niveaux

HIMoS fonctionne comme une équipe de détectives très organisée, divisée en deux rôles : le Stratège (le chef) et le Tacticien (l'agent sur le terrain).

• Le Chef (Planificateur Global) : Il ne regarde pas chaque petit caillou. Il a une vue d'ensemble. Son travail est de décider où aller ensuite. Il utilise les données d'un sonar (qui voit à travers la boue) pour repérer les zones qui ressemblent le plus à un habitat de coraux (les rochers durs) plutôt que des zones vides (le sable).

  • L'analogie : Imaginez un chef d'orchestre qui regarde la partition. Il ne joue pas chaque note, mais il dit : "Maintenant, jouons la section des violons !" Il choisit la meilleure zone à explorer pour maximiser les chances de trouver des perles.

• L'Agent (Planificateur Local) : Une fois que le Chef a dit "Va vers cette zone", l'Agent prend le relais. Il doit naviguer physiquement vers cette zone en évitant les obstacles, en utilisant ses caméras pour chercher les coraux de près et en s'assurant de ne pas se cogner.

  • L'analogie : C'est le chauffeur de taxi qui reçoit l'adresse du GPS. Il doit choisir la meilleure route, éviter les nids-de-poule et s'arrêter exactement devant la maison pour livrer le colis.

2. Les Sens : Une Équipe Complète

Le sous-marin est équipé de trois "yeux" différents, chacun jouant un rôle précis, comme dans une équipe de sport :

1. Le Sonar (Le grand voyant) : Il voit loin, même dans l'eau trouble. Il sert à cartographier le fond marin (roche ou sable) pour dire au Chef où il y a de l'espoir.
2. La Caméra de Face (Le scout) : Elle voit à distance moyenne. Elle cherche des signes de coraux avant d'arriver dessus.
3. La Caméra du Haut (Le vérificateur) : Elle regarde juste en dessous du sous-marin. C'est elle qui confirme : "Oui, c'est bien un corail !" et permet de le prélever.

Le secret de HIMoS : Au lieu de monter et descendre pour utiliser ces différents outils, le sous-marin reste à une altitude fixe. C'est comme si vous conduisiez une voiture sur une autoroute : vous ne changez pas de voie pour chaque virage, vous restez stable, ce qui économise énormément de carburant.

3. La Magie Mathématique : "L'Intuition Différentiable"

C'est la partie la plus technique, mais voici l'idée simple. Habituellement, les robots sont "bêtes" : ils ne savent pas ce qu'ils vont voir avant de le voir. Ils font des calculs compliqués pour deviner le futur.

HIMoS utilise une astuce appelée "Dynamique de Croyance Différentiable".

• L'analogie : Imaginez que vous jouez à un jeu de cache-cache. Au lieu de dire "Si je vais ici, je vais peut-être voir quelqu'un", le robot utilise une formule mathématique qui lui permet de "sentir" où l'information est la plus forte, comme un aimant qui l'attire vers les zones où il y a le plus de mystère (incertitude) ou le plus de chances de trouver un corail.
• Cela permet au robot de tracer une trajectoire lisse et fluide, comme un patineur sur glace, plutôt que de faire des mouvements saccadés. Il sait exactement comment bouger pour apprendre le plus vite possible.

4. Le Résultat : Plus Efficace que les Humains

Les chercheurs ont testé ce système dans une simulation ultra-réaliste basée sur de vrais récifs coralliens.

• Les méthodes anciennes (comme la tondeuse à gazon) perdaient du temps dans le sable.
• Les méthodes intelligentes actuelles (qui montent et descendent) perdaient trop d'énergie.
• HIMoS a trouvé beaucoup plus de coraux, plus vite, et avec moins d'énergie.

Pourquoi ? Parce qu'il combine la vision à long terme (le Chef qui sait où aller) avec une exécution locale très fluide (l'Agent qui sait comment y aller sans gaspiller d'énergie). Il ne s'arrête pas de réfléchir : il ajuste sa route en temps réel, comme un navigateur qui corrige sa route à chaque nouvelle information sur le vent.

En Résumé

HIMoS, c'est comme donner à un sous-marin autonome un cerveau de stratège et des réflexes de pilote de course, le tout sans jamais avoir besoin de faire des acrobaties verticales coûteuses en énergie. C'est une solution élégante pour explorer les fonds marins troubles et protéger la vie marine, en trouvant ce qui compte vraiment sans se perdre dans le vide.

Résumé technique

Voici un résumé technique détaillé de l'article "Hierarchical Multi-Modal Planning for Fixed-Altitude Sparse Target Search and Sampling" (HIMoS), présenté en français.

1. Problématique

La surveillance efficace de phénomènes benthiques épars, tels que les colonies de coraux, représente un défi majeur pour les véhicules sous-marins autonomes (AUV). Les stratégies traditionnelles de couverture exhaustive (comme les trajectoires en "tondeuse à gazon") sont extrêmement inefficaces sur le plan énergétique dans des environnements où les cibles sont rares et dispersées.

Les approches récentes d'échantillonnage adaptatif tentent de pallier ce problème en oscillant entre un balayage visuel à haute altitude et un échantillonnage à basse altitude. Cependant, ces méthodes présentent deux limitations critiques dans des conditions océaniques réalistes (notamment en eaux turbides) :

1. Coût énergétique : Les manœuvres verticales fréquentes consomment beaucoup d'énergie.
2. Fragilité des capteurs : La vision optique à haute altitude est peu fiable en raison de la diffusion de la lumière dans l'eau trouble. De plus, les planificateurs basés sur des grilles (comme les arbres de recherche Monte Carlo) peinent à générer des trajectoires cinématiquement réalisables à haute résolution.

L'objectif est donc de développer un cadre de planification à altitude fixe capable de fusionner des capteurs hétérogènes (acoustiques et visuels) pour rechercher et échantillonner des cibles rares de manière robuste et efficace.

2. Méthodologie : Le cadre HIMoS

Les auteurs proposent HIMoS (Hierarchical Informative Multi-Modal Search), une architecture de planification hiérarchique en deux couches qui opère à altitude constante.

A. Architecture Hiérarchique

Le système décompose le problème global en une planification stratégique et une exécution tactique :

1. Planificateur Global (Stratégique) :

   • Fonction : Il identifie les régions les plus prometteuses pour la recherche de coraux en se basant sur une carte de croyance du substrat (dur vs sable).
   • Modélisation : Le problème est formulé comme un Problème d'Orientation (Orienteering Problem - OP).
   • Graphique Adaptatif : Il utilise un graphe multi-résolution. Les zones inexplorées sont représentées par des macro-régions (faible résolution), tandis que les zones où l'incertitude du substrat a été réduite par le sonar sont divisées en micro-régions (haute résolution).
   • Apprentissage et Décision : Un Gaussian Process (GP) hétéroscédastique modélise la densité du substrat en tenant compte du bruit variable selon la distance. Le planificateur sélectionne le prochain objectif en maximisant une fonction d'utilité basée sur la borne supérieure de confiance (UCB), équilibrant ainsi l'exploitation (zones à forte probabilité) et l'exploration (zones incertaines).
   • Sortie : Il génère une cible topologique ($v_{next}$) et alloue un budget de temps local ($T_{local}$).

2. Planificateur Local (Tactique) :

   • Fonction : Il génère des trajectoires cinématiquement réalisables vers la cible globale tout en optimisant l'acquisition d'informations.
   • Dynamique de Croyance Différentiable : Pour contourner la non-différentiabilité des observations stochastiques (sonar/caméra), les auteurs introduisent un modèle substitut déterministe. Ils modélisent l'évolution de la "confiance accumulée" (log-odds) comme un processus continu.
   • Optimisation : Le problème est formulé comme un Programme Non Linéaire (NLP) résolu par descente de gradient. La fonction de coût unifiée combine :
     • La réduction de l'entropie de la carte (exploration via sonar et caméra frontale).
     • La maximisation de la probabilité de succès d'échantillonnage (exploitation via caméra descendante).
     • La régularité de la trajectoire et les contraintes cinématiques.

B. Fusion de Capteurs Hétérogènes

Le système intègre trois capteurs complémentaires pour naviguer en eau trouble :

• Sonar à vue avant (FLS) : Cartographie large du substrat (dur/sable) à longue portée.
• Caméra à vue avant (FLC) : Repérage de cibles à moyenne portée.
• Caméra à vue descendante (DLC) : Échantillonnage précis et vérification à courte portée (bruit nul).
  La fusion de ces données permet à l'AUV de contourner les zones de sable inaccessibles et de se concentrer sur les substrats durs propices aux coraux.

3. Contributions Clés

1. Architecture Hiérarchique Innovante : Couplage d'un planificateur global basé sur l'orientation (OP) et d'un planificateur local à horizon glissant, permettant une efficacité de mission globale tout en conservant une agilité locale.
2. Dynamique de Croyance Différentiable : Formulation de la planification d'information comme un problème d'optimisation de trajectoire par gradient. Cela permet de générer des trajectoires non myopes et cinématiquement réalisables en équilibrant exploration large et échantillonnage précis.
3. Fusion Hétérogène Unifiée : Une stratégie intégrée combinant données acoustiques et visuelles pour permettre une recherche de cibles éparses à altitude fixe, éliminant le besoin de manœuvres verticales coûteuses.

4. Résultats Expérimentaux

Les auteurs ont évalué HIMoS dans un environnement de simulation haute fidélité basé sur des relevés réels de récifs coralliens (Shenzhen).

• Comparaison : HIMoS a été comparé à trois bases de référence :
  • Boustrophedon : Couverture exhaustive (tondeuse).
  • MCTS (Monte Carlo Tree Search) : Planification non myope de l'état de l'art (adaptée ici à altitude fixe).
  • With Prior : Une borne supérieure théorique supposant une connaissance parfaite du substrat.
• Performance :
  • HIMoS a surpassé systématiquement les méthodes MCTS et Boustrophedon sur tous les niveaux de difficulté (facile, moyen, difficile).
  • Résultat surprenant : HIMoS a atteint un taux de confirmation de cibles légèrement supérieur à la méthode "With Prior" (qui a accès à la vérité terrain), bien qu'il n'ait aucune connaissance initiale. Cela démontre que la décomposition hiérarchique et l'adaptation en temps réel sont plus efficaces que la résolution d'un problème global dense (qui souffre de la malédiction de la dimensionnalité).
  • Robustesse : Contrairement au MCTS dont le taux de découverte plafonne après 1500s, HIMoS maintient un taux de confirmation élevé et constant sur des budgets de temps variables.
• Efficacité Computationnelle : Bien que le prototype soit en Python, les tests sur un ordinateur embarqué (Jetson AGX Orin) montrent que le planificateur local résout le NLP en moyenne en 0,5 s, permettant une boucle de contrôle à 2 Hz. Le planificateur global, déclenché par événement, s'exécute généralement en moins de 1,5 s.

5. Signification et Impact

Cet article présente une avancée significative pour la robotique sous-marine autonome :

• Adaptation aux contraintes réelles : En éliminant les manœuvres verticales et en privilégiant l'acoustique pour la navigation à longue portée, HIMoS est particulièrement adapté aux environnements océaniques turbides et aux missions à autonomie énergétique limitée.
• Efficacité algorithmique : La méthode démontre qu'une approche hiérarchique couplée à une optimisation par gradient (via des dynamiques de croyance différentiables) surpasse les méthodes de recherche arborescente classiques pour les problèmes de recherche de cibles éparses.
• Préparation au réel (Sim-to-Real) : Les simulations utilisant des données réelles et des paramètres de capteurs réalistes indiquent une forte maturité pour un déploiement physique sur des AUVs réels pour la surveillance des écosystèmes marins.

En résumé, HIMoS offre un cadre robuste et efficace pour transformer la recherche de cibles biologiques rares en une tâche automatisée, économisant l'énergie et maximisant le retour scientifique dans des conditions océaniques difficiles.