Multi-AUV Marine Life Tracking with Single Hydrophone Payloads via a Hidden Markov Model Equipped Particle Filter

Résumé Technique : Suivi de la vie marine par multi-AUV avec des charges utiles à hydrophone unique

Énoncé du problème
Le suivi des animaux marins est essentiel pour comprendre les migrations, les comportements et les impacts du changement climatique. Bien que la télémétrie acoustique permette une collecte de données continue via des émetteurs, les réseaux d'hydrophones stationnaires traditionnels souffrent de pertes de données élevées lorsque les animaux sortent de leur portée. Inversement, le suivi actif à l'aide de bateaux de surface est laborieux et offre une résolution spatiale limitée. Les solutions précédentes utilisant des véhicules sous-marins autonomes (AUV) tentaient de localiser les émetteurs à l'aide de charges utiles multi-hydrophones montées sur de grands cadres. Bien qu'efficaces pour l'estimation de l'angle d'arrivée, ces charges utiles lourdes induisent une traînée importante, réduisant la vitesse, la manœuvrabilité et l'autonomie de la batterie de l'AUV, limitant ainsi leur capacité à suivre des animaux très mobiles. De plus, les solutions alternatives utilisant des émetteurs transpondeurs nécessitent des émetteurs personnalisés et volumineux, qui ne sont réalisables que pour de grandes espèces comme les requins.

Méthodologie
Ce travail propose un système utilisant plusieurs AUV, chacun équipé d'un hydrophone omnidirectionnel compact et unique, pour localiser un émetteur acoustique. Le système fonctionne sous l'hypothèse que l'émetteur et les AUV restent proches de la surface, permettant une estimation d'état en 2D.

1. Estimation de la distance : Puisque le temps de vol (TOF - Time of Flight) ne peut pas être mesuré directement sans horloges synchronisées, le système estime les changements de distance ($\Delta r$) en analysant la différence entre les intervalles de détection de signaux consécutifs ($\Delta t$) et la période d'impulsion connue ($T$) de l'émetteur. Le changement de TOF est calculé par $\Delta TOF = \Delta t - T$. En accumulant ces changements à partir d'une distance initiale connue, le système estime la distance absolue entre l'AUV et l'émetteur.
2. Estimation d'état via filtre particulaire : Un filtre particulaire fusionne les mesures de plusieurs AUV pour estimer le vecteur d'état de l'émetteur : position ($x, y$), orientation ($\theta$), vitesse linéaire ($v$) et vitesse angulaire ($\omega$).
   • Étape de prédiction : Les particules sont propagées dans le temps en utilisant l'un des trois modèles de mouvement.
   • Étape de correction : Les poids des particules sont mis à jour en fonction de la vraisemblance de la distance observée et du taux de variation de la distance ($\dot{r}$) compte tenu de l'état prédit de la particule.
   • Rééchantillonnage : Les particules sont rééchantillonnées pour concentrer les ressources de calcul sur les régions à haute probabilité.
3. Modèles de mouvement : L'étude compare trois modèles de mouvement distincts :
   • Marche aléatoire de base (Baseline Random Walk) : Ajoute un bruit gaussien aux coordonnées.
   • Modèle de vitesse (Velocity Model) : Ajoute un bruit gaussien aux vitesses linéaires et angulaires.
   • Modèle de Markov caché (HMM) : Une approche novatrice où le modèle de mouvement est dérivé de données historiques de trajectoires de requins blancs. L'HMM suppose que l'animal alterne entre des états comportementaux inobservables, les vitesses observables étant distribuées selon des lois Gamma (vitesse linéaire) et von Mises (vitesse angulaire) dépendantes de l'état.

Principales contributions
L'article présente cinq contributions principales :

1. Une méthode pour mesurer la distance vers des émetteurs acoustiques standards à l'aide d'un seul hydrophone omnidirectionnel sur un AUV.
2. Un nouvel algorithme de localisation multi-AUV employant un filtre particulaire avec un modèle de mouvement basé sur un HMM.
3. Une validation hors ligne de l'algorithme utilisant des données de déploiement océaniques réelles et des essais de simulation étendus.
4. Une analyse comparative démontrant que le modèle de mouvement HMM surpasse les modèles de vitesse et de marche aléatoire standard.
5. Une analyse de la convergence et de la robustesse du système sous différents niveaux de perte de mesures.

Résultats
Le système a été validé à l'aide de trois ensembles de données : un ensemble de données de Long Beach (émetteur stationnaire, AUV en mouvement), un ensemble de données de Santa Elena Bay (émetteur et AUV en mouvement) et un grand ensemble de données simulées basé sur 124 000 observations de position de requins blancs.

• Précision :
  • Court terme / Réel : Le système a atteint une erreur quadratique moyenne (RMSE) d'environ 10 mètres pour les déploiements à court terme.
  • Long terme / Simulation : Pour les essais plus longs sur de plus grandes zones, la RMSE était d'environ 15 mètres.
• Performance des modèles :
  • Dans l'ensemble de données de Long Beach (mouvement simple), tous les modèles ont performé de manière similaire (RMSE ~4,4 m à 6,1 m).
  • Dans l'ensemble de données de Santa Elena Bay (mouvement complexe), le modèle HMM a obtenu la RMSE la plus faible (8,78 m), surpassant le modèle de vitesse (12,31 m) et la base (11,22 m).
  • Dans l'ensemble de données Simulé (grande échelle), le modèle HMM a nettement surpassé les autres avec une RMSE de 13,62 m, contre 30,77 m pour le modèle de vitesse et 970,46 m pour la base. L'HMM était particulièrement efficace pour maintenir des distributions multimodales (gérant l'ambiguïté entre deux points d'intersection possibles) sans diverger.
• Temps de convergence : Le modèle HMM a généralement pris plus de temps pour converger (moyenne de 180 s à Santa Elena Bay) par rapport au modèle de base (27 s) et au modèle de vitesse (40 s), car il maintenait la diversité des particules à travers des emplacements ambigus plus longtemps avant de résoudre l'état correct.
• Robustesse : Le système est resté robuste avec jusqu'à 20 % de perte de mesures (temps de convergence moyen ~44 s, RMSE ~15 m). Les performances se sont dégradées progressivement jusqu'à 80 % de perte, bien que les temps de convergence et la RMSE aient augmenté de manière significative. Au-dessus de 80 % de perte, les performances se sont considérablement détériorées.
• Hypothèse de profondeur : L'hypothèse 2D a été validée par rapport aux données de profondeur des requins, montrant que pour des profondeurs allant jusqu'à 10,7 mètres, l'erreur dans l'estimation de la distance 2D est négligeable aux distances de suivi typiques (ex : erreur < 2,4 % à 50 m).

Signification
L'article affirme que ce travail fournit une alternative pratique aux charges utiles d'AUV lourdes et multi-hydrophones. En équipant plusieurs AUV d'hydrophones uniques et compacts, le système réduit la traînée, permettant des vitesses plus élevées et une meilleure manœuvrabilité pour suivre la vie marine hautement mobile. L'intégration d'un modèle de mouvement HMM, adapté au comportement animal historique, améliore la précision de la localisation par rapport aux modèles de mouvement génériques, particulièrement dans des scénarios réels complexes. Le système démontre qu'une estimation d'état précise (RMSE d'environ 10–15 m) est réalisable même avec une perte de données importante et sans nécessiter de transmetteurs spécialisés et volumineux. Cette approche améliore l'efficacité de la collecte de données et offre une méthode de suivi plus "discrète" qui minimise le stress sur l'environnement et les animaux, aidant ainsi à l'identification des zones nécessitant une protection de la conservation.