Clémentin BOITTIAUX (nov. 2020)
Financement : IFREMER
Encadrement
- Vincent HUGEL, professeur des Universités (directeur),
- Claire DUNE, Maître de Conférences à l’Université de Toulon (co-encadrante),
- Aurélien ARNAUBEC, Chercheur IFREMER, équipe PRAO, IFREMER,la Seyne-sur-Mer (co-encadrant),
- Ricard MARXER, Maître de Conférences à l’Université de Toulon (co-encadrant).
Sujet
Lors du déploiement d’un engin sous-marin à des immersions importantes les techniques de positionnement absolu ne permettent pas d’atteindre une précision supérieure à 10m. Plusieurs techniques existent pour améliorer la précision de navigation, mais l’erreur résiduelle de positionnement dans les données cartographiques doit être in fine corrigée manuellement par l’utilisateur final à partir des images acoustiques ou optiques du fond. Dans le cas d’un sous-marin autonome (AUV), le système doit pouvoir se (re)localiser à partir de l’analyse des données collectées par ses capteurs. En robotique terrestre les algorithmes de localisation reposent sur la détection de primitives géométriques stables ancrées sur par exemple les angles saillants des bâtiments.Ces algorithmes sont peu robustes dans les environnements non structurés et changeants tels que les environnements sous-marins. Il faut donc envisager d’autres descripteurs plus robustes qui permettent à un AUV de contraindre la dérive de l’erreur de positionnement propre des systèmes de navigation par estimation. La solution qui est proposée dans ce travail de recherche se base sur le traitement de l’information en temps réel et en temps différé pour permettre à un robot sous-marin autonome de se relocaliser dans son environnement.
Le travail de recherche envisagé répondra aux questions suivantes :
- Dans quelle mesure les avancées récentes en intelligence artificielle peuvent-elles offrir des solutions intéressantes pour la segmentation sémantique robuste des espaces sous-marins ?
Lors des campagnes sous-marines, une quantité de données importante est acquise à la fois par les caméras et les sonars. Ces données pourraient nourrir un système d’apprentissage profond (deep learning). Le problème réside dans le peu d’annotations de ces données.
- Est-il possible d’entraîner un système d’apprentissage profond à partir de données issues de modalités multiples peu annotées ?
Par ailleurs, le système d’acquisition est un système actif : les déplacements de l’AUV, les modifications de ses éclairages, le choix des capteurs peuvent permettre d’améliorer la détection.Comment contrôler l’AUV afin d’obtenir des données optimales pour la reconnaissance du terrain ?
- La stratégie de navigation peut tenir compte d’informations a priori (cartes antérieures, observations particulières, suivi d’éléments du relief) pour optimiser l’information obtenue pour localiser le robot.