Learning Underwater Active Perception in Simulation

Título: Aprendizado de Percepção Ativa Subaquática em Simulação

Autores: Alexandre Cardaillac e Donald G. Dansereau (Centro Australiano de Robótica, Universidade de Sydney)

---

1. Problema

A inspeção autônoma de ativos subaquáticos (naturais ou artificiais) é frequentemente comprometida pelas condições da água, especificamente a turbidez e a retroespalhamento (backscattering).

• Impacto: A visibilidade variável devido à absorção, espalhamento da luz e "neve marinha" (partículas suspensas) degrada a qualidade das imagens, resultando em documentação visual inadequada ou inútil.
• Limitações das Abordagens Atuais: Métodos anteriores de percepção ativa focam em minimizar a distância ao alvo para garantir visibilidade, mas muitas vezes sacrificam a cobertura visual (tornando a inspeção mais lenta) ou exigem configurações de hardware complexas (como fontes de luz e câmeras independentemente móveis). Além disso, a maioria dos simuladores existentes (como Blender e Unreal Engine) utiliza modelos de física de luz simplificados, inadequados para ambientes subaquáticos, gerando dados sintéticos que não refletem a realidade física.

2. Metodologia

Os autores propõem um framework de percepção ativa baseado em aprendizado que ajusta dinamicamente a distância do veículo ao alvo e a intensidade da iluminação artificial. A abordagem é dividida em três componentes principais:

A. Simulação e Renderização Realista (Blender Modificado)

• Atualização Física: O motor de renderização Cycles do Blender foi modificado para substituir a função de fase de espalhamento Henyey-Greenstein (padrão, mas imprecisa para grandes e pequenos ângulos) pela função Fournier-Forand (FF). A função FF modela com maior precisão o espalhamento da luz em meios participativos, especialmente o retroespalhamento.
• Geração de Dados: Foi criada uma interface para gerar 10 tipos de água (baseados nos tipos de Jerlov) com diferentes níveis de turbidez, absorção e espalhamento.
• Ruído: Adição de ruído físico baseado em sensores (térmico e Poisson dependente do sinal) para maior realismo.

B. Routine de Calibração (Estimativa de Propriedades da Coluna de Água)

Antes da missão principal, o veículo executa uma rotina de calibração para estimar as propriedades ópticas locais:

1. Atenuação por Profundidade: O veículo observa a mudança na iluminação em direção à superfície da água para calcular a atenuação do canal de cor.
2. Contraste por Distância: O veículo mede a mudança no contraste (desvio padrão de patches da imagem) em relação a um objeto, com a luz artificial ligada e desligada.

• Objetivo: Gerar perfis de referência (atenuação e contraste) que permitem ao modelo entender o ambiente específico da missão.

C. Modelo de Percepção Ativa (MLP e Otimização)

• Treinamento: Um Perceptron Multicamadas (MLP) é treinado em um grande conjunto de dados sintéticos (138.240 entradas) gerados no Blender modificado.
• Entradas do Modelo: Incluem parâmetros de calibração (atenuação, contraste com/sem luz), estado atual (distância, profundidade, estatísticas da imagem) e os parâmetros a serem otimizados (desvio de distância e intensidade da luz).
• Saída: O modelo prevê o contraste da imagem resultante para um par de configurações proposto.
• Função de Custo: Uma função de qualidade ponderada combina o contraste previsto e uma métrica de cobertura (que penaliza distâncias muito curtas que reduzem a área varrida).
• Otimização: Um loop de otimização (método Nelder-Mead) encontra o melhor par de desvios (distância e luz) para maximizar a qualidade da imagem mantendo a cobertura visual.

3. Principais Contribuições

1. Melhoria no Blender: Integração da função de fase Fournier-Forand no Blender (agora parte da versão oficial 4.3) para renderização subaquática fisicamente precisa, superando as limitações do modelo Henyey-Greenstein.
2. Método de Calibração In-situ: Uma rotina prática para estimar propriedades da coluna de água usando apenas uma câmera monocromática e iluminação ajustável, sem necessidade de sensores caros (como espectrômetros).
3. Framework de Percepção Ativa: Um sistema que fornece sugestões online de distância e intensidade de luz, equilibrando a qualidade da imagem e a cobertura visual em uma ampla gama de condições de água.

4. Resultados

Os métodos foram validados em simulações comparando o framework proposto com abordagens tradicionais (padrões fixos de distância/luz, método baseado em gradiente e métrica NIQE):

• Precisão do Modelo: O MLP com parâmetros de calibração alcançou um Erro Médio Absoluto (MAE) de 0.01 no conjunto de teste, comparado a 0.05 para o modelo sem calibração. A calibração foi crucial para ambientes de baixa turbidez, onde as variações de contraste são sutis.
• Qualidade da Imagem e Rastreamento: O método proposto manteve uma taxa de correspondência de características (inliers) mais estável e superior em águas turvas e claras. Métodos baseados apenas em gradiente mostraram instabilidade.
• Cobertura Visual: O método proposto ofereceu o melhor compromisso (trade-off). Enquanto padrões fixos de 2m cobriam mais área em água clara, a qualidade degradava rapidamente em águas turvas. O método proposto manteve a qualidade necessária para extração de características, resultando em uma cobertura visual útil superior em condições desafiadoras.
• Estabilidade: O sistema demonstrou estabilidade ao longo da profundidade, adaptando-se automaticamente para se aproximar do alvo e reduzir a luz em águas turvas (para evitar retroespalhamento) e afastar-se/aumentar a luz em águas claras.

5. Significado e Conclusão

Este trabalho demonstra que a combinação de simulação fisicamente precisa e aprendizado de máquina adaptativo pode superar as limitações das inspeções subaquáticas tradicionais.

• Impacto: Permite que veículos autônomos (AUVs) operem em condições de visibilidade anteriormente proibitivas, garantindo a coleta de dados de alta qualidade e reduzindo o desperdício de tempo e recursos em missões falhas.
• Futuro: Os autores planejam realizar testes de campo e generalizar o modelo para incluir profundidades maiores e ativos com geometrias complexas (não planares), além de refinar a modelagem do espalhamento em função da profundidade e intensidade da luz.

O código e os recursos do projeto estão disponíveis publicamente, promovendo a reprodutibilidade e o avanço na robótica marinha.