Description

Il existe plusieurs approches pour évaluer les déplacements (odométrie) des véhicules sous-marins autonomes ou téléopérés. Le plus souvent, on utilise un DVL (Doppler Velocity Log), qui exploite des faisceaux acoustiques pour mesurer la vitesse du robot par rapport au fond marin. Cette méthode présente des inconvénients (accumulation d’erreurs de position lors de l’intégration de la vitesse, mesures aberrantes dans certaines circonstances…) et nécessite un capteur coûteux. Pour ces raisons, de nombreuses équipes ont proposé des approches alternatives, exploitant l’observation du fond marin par vision monoculaire [FER 19] ou stéréoscopique [CAR 15], éventuellement complétée par les données d’autres capteurs [EUS 08]. Il s’agit essentiellement d’algorithmes de SLAM (Simultaneous Localization and Mapping), dont la plupart exploite les données d’une caméra monoculaire. Pour évaluer les déplacements du robot entre deux images, il est nécessaire de suivre et de comparer les variations de position de points caractéristiques. Cette tâche de base des algorithmes de SLAM ou d’odométrie repose soit sur du suivi par flux optique, soit sur de l’appariement de points par comparaison de descripteurs (ORB, SIFT, SURF…). Ces méthodes fonctionnent en milieu sous-marin assez profond et d’aspect varié, mais connaissent de grosses difficultés près de la surface (profondeur < 7 mètres), dans les zones d’aspect monotone (sédiment) ou au contraire trop répétitif (corail, galets, filet). En effet, les méthodes basées sur les descripteurs peinent par exemple à distinguer un galet d’un autre ou une maille d’un filet d’une autre maille (aquaculture). A l’inverse, les méthodes basées flux optique ne rencontrent aucune difficulté à gérer ces motifs répétitifs, mais sont totalement déstabilisées par les reflets mobiles du soleil, générés par les vaguelettes de surface. L’algorithme a en effet tendance à choisir les reflets comme points d’intérêt à suivre, ou lorsque ce n’est pas le cas, les reflets balaient l’image en la saturant, ce qui fait temporairement disparaître l’information d’éventuels points caractéristiques légitimes et empêche leur suivi.
Dans cette thèse, nous souhaitons étudier des moyens de débruiter des images monoculaires couleur pour parvenir à effectuer de l’odométrie par flux optique malgré la présence de reflets du soleil sur le fond marin observé. Toutes les approches conventionnelles de traitement du signal et de l’image pourront être envisagées (filtrage, retracking de points, filtrage statistique…). Des techniques basées sur l’intelligence artificielle (réseaux de neurones convolutifs, GAN…) pourront également être testées afin soit de segmenter les zones correspondant à des reflets afin de créer des zones d’exclusion de calcul du flux optique, soit, à l’aide des images précédentes de la séquence, de compenser ces zones par des techniques d’inpainting.
Dans un deuxième temps la thèse s’intéressera aux techniques d’amélioration d’images lors de la présence de turbidité dans l’eau. Ces perturbations peuvent pénalisent les détections de points caractéristiques. Les méthodes classiques [HOU 20] [HAN 20] [ WEI 23] utilisent soit des modèles de diffusion ou d’absorption génériques que l’on cherche à inverser, soit des techniques d’amélioration qualitative des images permettant un meilleur rendu (colorimétrie, flou). Dernièrement, des méthodes exploitant des réseaux de neurones ont été proposées pour compenser les effets de la turbidité et de l’atténuation des couleurs. Pour ces méthodes, les images utilisées pour l’apprentissage du réseau de neurones sont simulées (soit avec une modélisation du bruit, soit par l’ajout de liquide troublant l’eau) et représentent mal la réalité. La construction d’une base de données d’images dans un environnement contrôlé (ex : aquarium) permettrait d’avoir des paires d’images nettes et troubles afin d’entraîner un réseau. Une comparaison avec les approches simulées permettra de mesurer les performances.

Compétences requises

Le ou la candidat(e) devra être titulaire d’un diplôme de niveau master 2 ou Ingénieur au démarrage de la thèse. Il est souhaitable que le ou la doctorant(e) ait des connaissances dans le domaine de la robotique sous-marine. Il est indispensable qu’il ou elle ait de solides connaissances en traitement d’images et en utilisation de réseaux de neurones La programmation se fera avec la bibliothèque OpenCV pour la partie traitement d’images. Une bonne maîtrise d’OpenCV est attendue, de préférence en langage C, sous environnement Windows ou Linux. Pour la partie réseau de neurones une connaissance de PyTorch ou TensorFlow est souhaitable. Une excellente maîtrise de la langue anglaise est indispensable.

Bibliographie

[ANW 20] Saeed Anwar, Chongyi Li, “Diving deeper into underwater image enhancement: A survey”, Signal Processing: Image Communication 89, 2020.
[CAR 15] P.L.N Carrasco, F. Bonin-Font, M.M. Campos, G.O. Codina, “Stereo-Vision Graph-SLAM for Robust Navigation of the AUV SPARUS II”, IFAC-PapersOnLine 2015, 48, 200–205.
[EUS 08] R.M. Eustice, O. Pizarro, H. Singh, “Visually Augmented Navigation for Autonomous Underwater Vehicles”, IEEE J. Oceanic Eng. 2008, 33, 103–122.
[FER 19] Maxime Ferrera, Julien Moras, Pauline Trouvé-Peloux, and Vincent Creuze, “Real-Time Monocular Visual Odometry for Turbid and Dynamic Underwater Environments”, Sensors, MDPI, Vol. 19, issue 3, article n°687, special issue on Intelligent Underwater Systems: Sensing, Communication, Networking and Applications, 20 pages, Feb. 8, 2019.
[HOU 20] Guojia Hou, Xin Zhao, Zhenkuan Pan, Huan Yang, Lu Tan, Jingming Li, “Benchmarking Underwater Image Enhancement and Restoration, and Beyond”, IEEE Access, 2020.
[WEI 23] Song Wei, Liu Yaling, Huang Dongmei, Zhang Bing, Shen Zhihao, Xu Huifang, “From shallow sea to deep sea: research progress in underwater image restoration”, Frontiers in Marine Science, 2023.
[YANG 19] M. Yang, J. Hu, C. Li, G. Rohde, Y. Du and K. Hu, “An In-Depth Survey of Underwater Image Enhancement and Restoration”, IEEE Access Volume 7, 2019.

Mots clés

vision par ordinateur, robotique sous-marine, localisation, traitement des images