L’équipe du Centre d’Excellence National (CEN) Simulation de Rennes produit régulièrement des articles scientifiques issus de ses recherches, menées très souvent en partenariat avec ses clients et/ou partenaires académiques.
En août dernier, le CEN a co-rédigé avec le MINISTERE DES ARMEES (DGA-TN) et le laboratoire TETIS-INRAE de l’Université de Montpellier, un article scientifique en lien avec l’imagerie SONAR et l’intelligence artificielle publié sur le site https://asa.scitation.org/.
Yann-Hervé HELLOUVRY, chef de projet et Eric MONTEUX, responsable des réponses à appels d’offre chez Scalian, nous expliquent l’intérêt du projet.
Quels sont vos rôles respectifs au sein du projet ?
Eric MONTEUX : Nous travaillons au sein de l’équipe rennaise du Centre d’Excellence Simulation, HPC, Réalité Mixte. Plus spécifiquement, nous intervenons sur des sujets autour de la synthèse d’environnements virtuels pour nos clients afin qu’ils puissent mettre au point des algorithmes et des traitements pour différents types de capteur.
Yann-Hervé HELLOUVRY : En effet, depuis maintenant 10 ans et à travers différents projets – RAPID pour la DGA, puis en partenariat avec l’ENSTA Bretagne et le Centre pour la Recherche et l’Expérimentation Maritime de l’OTAN (CMRE) – nous mettons au point un produit nommé SIMSON pour la SIMulation SONar qui permet, comme son nom l’indique, de générer des images simulées de capteur SONAR de fonds marins. Cet outil repose d’une part sur une modélisation de la propagation des ondes acoustiques dans la colonne d’eau et leurs interactions complexes avec des fonds marins 3D générés, et d’autre part sur des techniques de lancer de rayon héritées du monde du jeu vidéo et bien sûr d’accélération des calculs grâce à une implémentation sur carte graphique !
Dans quel cadre l’article scientifique a-t-il été élaboré ?
E.M.: Les concepteurs d’algorithmes de reconnaissance automatique d’objets dans le domaine SONAR souhaitent utiliser des techniques d’apprentissage profond (deep learning), qui ont fait leurs preuves dans le traitement d’images visibles, mais qui nécessitent une grande quantité d’images et une large variété de scènes, aussi bien du point de vue des types de fonds, que de celui des angles de vue. L’acquisition de données réelles de qualité en grande quantité reste prohibitive, du fait du coût des campagnes d’essai à la mer et du niveau de compétence et d’expérience du personnel naviguant nécessaire pour réaliser des mesures. C’est pourquoi, à l’instar d’autres domaines comme le RADAR, les bases de données d’apprentissage de ces algorithmes sont souvent un mixte entre données réelles mesurées (généralement en faible quantité) et des données simulées, générées en très grand volume, et permettant de couvrir une plus large gamme de situations possibles.
Y.H.H.: Mais malgré la qualité de la représentativité des images SONAR simulées, certains détails présents dans les images réelles sont néanmoins manquants. Afin de pallier à cela, un axe étudié ces dernières années consiste à faire apprendre à une intelligence artificielle à rajouter aux images simulées des éléments, des motifs, et du « bruit » appris sur des images réelles. C’est dans le cadre de l’International Conference on Underwater Acoustics (ICUA) que s’inscrit l’article « Improving the realistic rendering of artificial sonar images using Cycle Generative Adversial Networks ». Cet article a été co-rédigé par DGA-TN, Scalian Digital Systems et le laboratoire TETIS-Inrae de l’Université de Montpellier. Il présente la méthodologie de cette approche et les premiers résultats obtenus en utilisant les CycleGAN, des réseaux adverses de génération cyclique pour l’apprentissage de cet « ajout de réalisme », via la comparaison de performance d’un algorithme de détection basé sur un CNN, un réseau neuronal convolutif.
Que va changer ou qu’améliore ce projet ?
E.M.: Bien que préliminaires, les résultats sont encourageants. Ils démontrent que malgré certaines contraintes comme une différence sur le type de capteur et de résolution entre images réelles et simulées, l’approche en tant que telle est pertinente : l’utilisation des CycleGAN permet bien d’améliorer le réalisme des images simulées, en y introduisant les détails qui manquent. Cela est notamment prouvé par la réduction de l’écart entre les jeux de données réels et les données simulées améliorées. De plus, l’ajout de ces données simulées améliorées dans la base d’apprentissage engendre de meilleurs résultats en termes de taux de reconnaissance d’objets.
Y.H.H.: Oui, cela confirme bien l’intérêt d’utiliser des données simulées pour la mise au point d’algorithme de reconnaissance, et cela ouvre également un nouveau champ exploratoire dans l’utilisation de l’intelligence artificielle cette fois pour améliorer le réalisme d’images synthétiques.
Qui sont les acteurs sur le sujet aujourd’hui ?
E.M.: Le besoin de ces algorithmes de reconnaissance automatique étant principalement du ressort de l’exploration sous-marine, les principaux acteurs sont des laboratoires et des industriels majeurs dans le secteur de la Défense (détection de mines sous-marines par exemple), ou du domaine civil (prospection de zone pour l’installation de champ d’éolienne, inspection d’installations autour de champs gazier et/ou pétrolier ou encore recherche d’épaves). Les fonds sous-marins restent en effet encore largement méconnus, et les images sonar sont un moyen incontournable de sonder cet environnement !
Comment imaginez-vous la suite ?
Y.H.H.: En parallèle à ces travaux, nous continuons d’explorer et d’identifier d’autres pistes possibles pour améliorer les images produites par le simulateur SIMON, y compris par des approches complémentaires à l’utilisation des CycleGAN, comme par exemple la prise en compte de modèles de terrain numérique issus de relevés photogrammétriques, afin de gagner en réalisme directement en amont de la simulation. Nous comptons également appliquer au contexte SONAR les avancées récentes et probantes que nous avons réalisées dans le domaine du RADAR, avec l’entraînement d’algorithmes d’apprentissage profond sur une base de donnée constituée uniquement de données simulées, grâce à des techniques d’augmentation de données. Les personnes intéressées par ce sujet peuvent d’ailleurs se référer à l’article suivant, publié récemment par Scalian : https://arxiv.org/abs/2206.07352
Le Centre d’Excellence National Simulation/Réalité Virtuelle/Calcul Haute Performance
Situé à Rennes, constitué une cinquantaine de personnes, le CEN comprend dans ses équipes des ingénieurs en développement, des Docteurs en physique et des ingénieurs avec une double compétence en informatique et modélisation physique ou scientifique. Le CEN a au fil des années, développé des briques technologiques (des outils de simulation) qui permettent aux clients de produire des données synthétiques en fonction de leurs applications. Le CEN a également investi des moyens sur l’intelligence artificielle, notamment en partenariat avec le Lab Innovation Scalian.
