Adaptive Entropy-Driven Sensor Selection in a Camera-LiDAR Particle Filter for Single-Vessel Tracking

Cet article présente un algorithme de suivi maritime adaptatif par filtre particulaire qui fusionne des données caméra et LiDAR en sélectionnant dynamiquement le capteur le plus informatif via une politique de réduction d'entropie, validé par des essais réels à Chypre démontrant une meilleure résilience et un compromis optimal entre précision et continuité.

L'essentiel

Voici une explication simple et imagée de ce papier de recherche, comme si nous en parlions autour d'un café.

🌊 Le Problème : Garder un œil sur le bateau sans se tromper

Imaginez que vous êtes le gardien d'un port. Votre travail est de suivre un petit bateau qui navigue dans les eaux. Le problème, c'est que le monde marin est imprévisible : il y a des brouillards, des vagues, la nuit tombe, et le soleil peut éblouir.

Dans ce papier, les chercheurs ont essayé de résoudre un casse-tête classique : quel outil utiliser pour voir le mieux possible ?

1. La Caméra (L'œil humain) : Elle est super pour voir les détails, les couleurs et les formes. Mais si la nuit tombe, qu'il pleut ou qu'il y a des reflets sur l'eau, elle devient aveugle. C'est comme essayer de lire un livre dans le noir.
2. Le LiDAR (Le radar laser) : Il envoie des milliers de petits lasers pour mesurer la distance avec une précision chirurgicale. Il fonctionne même dans le noir. Mais il a une limite de portée (comme une lampe torche) et si le brouillard est trop épais, les lasers ne reviennent pas. C'est comme essayer de voir à travers un mur de coton.

🤖 La Solution : Un "Cerveau" qui choisit le meilleur outil

Au lieu de laisser la caméra et le LiDAR travailler en même temps tout le temps (ce qui gaspille de l'énergie et de la puissance de calcul), les chercheurs ont créé un système intelligent basé sur une idée simple : "Ne regardez que ce qui vous donne le plus d'informations à l'instant T."

Ils ont utilisé un algorithme appelé "Filtre à Particules". Imaginez que ce filtre est un groupe de 1 000 petits fantômes (les particules) qui essaient tous de deviner où se trouve le bateau. À chaque seconde, ils se mettent à jour pour se rapprocher de la vérité.

Mais la vraie innovation, c'est la sélection de capteurs adaptative. Voici comment ça marche avec une analogie :

🧠 L'Analogie du Détective et de ses Lunettes

Imaginez un détective qui doit suivre un suspect. Il a deux paires de lunettes :

• Lunettes de nuit (LiDAR) : Excellent pour voir la forme du suspect dans le noir, mais il ne voit rien au-delà de 100 mètres.
• Lunettes de jour (Caméra) : Excellent pour voir les détails de loin, mais il ne voit rien si le soleil tape trop fort ou s'il fait nuit.

Le détective a un petit assistant (l'algorithme d'entropie). Cet assistant ne regarde pas juste "ce qui est disponible", il se demande : "Si j'utilise cette paire de lunettes maintenant, est-ce que je vais apprendre quelque chose de nouveau sur la position du suspect ?"

• Si le bateau est tout près : L'assistant dit : "Utilise les lunettes de nuit (LiDAR) ! Elles sont précises et le brouillard n'est pas encore un problème."
• Si le bateau s'éloigne : L'assistant dit : "Stop, les lunettes de nuit ne voient plus rien. Passe aux lunettes de jour (Caméra) !"
• Si les deux sont mauvais (ex: brouillard + nuit) : L'assistant essaie de deviner ce qui donnera le moins de "surprise" (c'est ce qu'ils appellent la réduction d'entropie).

🚀 Ce qu'ils ont testé (La réalité du terrain)

Ils ont installé tout ça sur un vrai port à Chypre (Ayia Napa). Ils ont suivi un petit bateau gonflable équipé d'un GPS (qui sert de "référence absolue" pour voir qui a raison).

Ils ont comparé quatre stratégies :

1. Juste le LiDAR : Super précis au début, mais perd le bateau dès qu'il s'éloigne.
2. Juste la Caméra : Voit le bateau partout, mais se trompe souvent sur la position exacte à cause des reflets et de la distance.
3. Les deux en même temps : C'est bien, mais ça consomme beaucoup d'énergie et de puissance de calcul.
4. Le système adaptatif (Le gagnant) : C'est le détective intelligent. Il utilise le LiDAR quand il est utile, et la caméra quand le LiDAR ne voit plus rien.

🏆 Les Résultats : Le meilleur des deux mondes

Les résultats montrent que le système adaptatif est le champion :

• Près du port : Il est aussi précis que le LiDAR seul.
• Loin du port : Il ne perd pas le bateau (contrairement au LiDAR seul) et reste aussi fiable que la caméra seule, mais en évitant les erreurs de la caméra quand le LiDAR pourrait aider.

Le bonus caché : En n'utilisant qu'un seul capteur à la fois, le système économise de l'énergie et de la puissance de calcul. C'est comme si le détective fermait un œil quand l'autre suffit, pour ne pas se fatiguer et pouvoir surveiller d'autres bateaux en même temps !

💡 En résumé

Ce papier nous dit qu'on n'a pas besoin de tout faire tout le temps pour être efficace. En utilisant un peu de mathématiques intelligentes (l'entropie), on peut dire à un robot : "Regarde avec l'œil qui voit le mieux à cet instant précis". Cela rend la surveillance maritime plus robuste, moins chère et plus intelligente, capable de s'adapter aux caprices de la mer.

Résumé technique

Voici un résumé technique détaillé de l'article « Adaptive Entropy-Driven Sensor Selection in a Camera-LiDAR Particle Filter for Single-Vessel Tracking », rédigé en français.

1. Problématique

Le suivi robuste et persistant de navires individuels depuis des plateformes côtières fixes constitue un défi majeur pour la sécurité maritime et la gestion du trafic. Les systèmes de détection actuels souffrent de limitations inhérentes à chaque modalité de capteur :

• Caméras optiques : Elles offrent des données visuelles riches mais sont sensibles aux conditions d'éclairage (nuit), aux intempéries et aux occlusions visuelles.
• LiDAR : Il fournit une géométrie 3D précise et invariante à la lumière, mais ses performances se dégradent avec la distance, le brouillard et les fortes pluies, et il offre peu d'informations d'apparence.

L'objectif est de concevoir un système de fusion multi-capteurs capable de maintenir un suivi continu et précis malgré ces dégradations, tout en optimisant l'utilisation des ressources de calcul et de traitement.

2. Méthodologie

L'approche proposée repose sur un filtre particulaire hétérogène couplé à une stratégie de sélection de capteurs adaptative basée sur la théorie de l'information.

A. Configuration et Prétraitement

• Capteurs : Une caméra fixe AXIS Q8752-E (vue élevée) et un LiDAR 3D Ouster OS2 montés sur une plateforme côtière à Ayia Napa (Chypre).
• Calibration :
  • Spatiale : Les détections sont projetées dans un cadre de référence mondial commun (plan de la mer) via une homographie pour la caméra et une transformation 2D pour le LiDAR.
  • Temporelle : Un alignement temporel est effectué en utilisant des événements d'ancrage manuels pour synchroniser les flux GNSS, caméra et LiDAR sur une timeline commune.
• Détection :
  • Caméra : Soustraction de fond (MOG2) sur la zone de mer, suivie d'un nettoyage morphologique et d'un classificateur SVM basé sur les descripteurs HOG pour réduire les faux positifs.
  • LiDAR : Soustraction de fond sur l'image de réflectivité et changement de portée, combinés pour extraire les contours du navire. Les mesures sont résumées en coordonnées polaires (portée moyenne, azimut moyen).

B. Filtre Particulaire Multi-Modal

Le système estime l'état du navire $x_k = [p_x, p_y, v_x, v_y]^T$ (position et vitesse 2D) en utilisant un filtre particulaire :

1. Prédiction : Utilisation d'un modèle de mouvement à vitesse constante (CV) avec bruit d'accélération.
2. Mise à jour : Calcul des poids des particules basé sur la vraisemblance des mesures. Le système gère l'incertitude d'origine (cible vs bruit de fond) via des mélanges de Gaussiennes pondérés par la confiance du détecteur.
3. Estimation : Calcul de la moyenne pondérée des particules pour obtenir l'estimation de l'état.

C. Stratégie de Sélection Adaptative (Contribution Clé)

Au lieu de fusionner systématiquement tous les capteurs disponibles, le système sélectionne dynamiquement la configuration la plus informative à chaque intervalle de temps (bin) en maximisant le Gain d'Information (IG).

• Principe : L'entropie de Shannon est calculée sur la distribution a priori des particules.
• Simulation virtuelle : Pour chaque capteur candidat (Caméra, LiDAR, ou les deux), le système simule une mise à jour hypothétique avec une mesure virtuelle.
• Sélection : Le capteur qui réduit le plus l'entropie (c'est-à-dire qui apporte le plus d'information sur l'état réel) est sélectionné pour la mise à jour réelle. Cela permet d'éviter le traitement continu de tous les flux si un seul suffit.

3. Contributions Principales

1. Filtre Particulaire Unifié : Conception d'un filtre capable d'intégrer des mesures hétérogènes (coordonnées pixel pour la caméra, coordonnées polaires pour le LiDAR) dans un seul estimateur d'état probabiliste.
2. Politique de Détection Adaptative : Introduction d'une politique de sélection de capteurs basée sur la réduction d'entropie, permettant au système de basculer intelligemment entre les modalités selon les conditions environnementales et la disponibilité des données.
3. Validation sur Données Réelles : Déploiement et évaluation sur un testbed maritime réel (CMMI Smart Marina) avec un navire équipé d'un GNSS de vérité terrain, dépassant les évaluations purement simulées.

4. Résultats Expérimentaux

L'évaluation a été menée sur trois zones de distance croissante par rapport au port (Zone 1 : proche, Zone 2 : moyenne, Zone 3 : lointaine) en comparant quatre configurations : LiDAR seul, Caméra seule, Tous les capteurs, et Adaptatif.

• Zone 1 (Proche) : La configuration LiDAR seul offre la meilleure précision (RMSE le plus faible) grâce à des contraintes géométriques fortes. La configuration Adaptative atteint des performances équivalentes en sélectionnant majoritairement le LiDAR.
• Zone 2 et 3 (Moyenne et Lointaine) : Le LiDAR devient intermittent ou indisponible. La configuration Caméra seule assure la continuité du suivi mais avec une précision moindre. La configuration Adaptative bascule efficacement vers la caméra lorsque le LiDAR n'est plus informatif, maintenant une continuité de suivi comparable à la configuration "Caméra seule" mais avec une précision optimisée là où le LiDAR est encore disponible.
• Compromis Précision-Continuité : La configuration adaptative offre le meilleur compromis global, évitant les pertes de suivi (bins perdus) tout en maintenant une haute précision dans les zones où les capteurs sont performants.
• Efficacité Opérationnelle : En ne traitant qu'un seul flux de données par intervalle de temps (au lieu de tous), la méthode réduit la charge de calcul et de bande passante, permettant potentiellement de réaffecter les capteurs non sélectionnés à d'autres tâches (surveillance multi-cibles, classification).

5. Signification et Perspectives

Cet article démontre qu'une stratégie de gestion de capteurs basée sur l'information (réduction d'entropie) est efficace dans un environnement maritime réel et hostile.

• Impact : Elle offre une base robuste pour la surveillance maritime résiliente, capable de s'adapter aux dégradations des capteurs sans intervention humaine.
• Limites et Futur : L'approche actuelle repose sur un suivi mono-cible. Les travaux futurs viseront à étendre le cadre au suivi multi-cibles, à améliorer la robustesse face aux conditions météorologiques extrêmes et à automatiser la calibration temporelle et spatiale pour un déploiement à long terme sans intervention manuelle.

En résumé, cette étude valide qu'une fusion de capteurs intelligente et adaptative, pilotée par la théorie de l'information, surpasse les approches statiques en termes de robustesse et d'efficacité des ressources pour la surveillance maritime côtière.