Observation de phenomènes environnementaux avec un capteur mobile

Encadreur : João Rendas

Mots clefs :  observation de phenomènes environnementaux, surveying

Connaissances requises : Traitement du Signal, programation (C)

L'objectif de ce stage, qui s'encadre dans le projet SUMARE est la définition de stratégies pour l'acquisition de cartes de paramètres environnementaux avec des capteurs mobiles (installés sur des robots mobiles autonomes) et la détermination de l'impacte sur l'efficacité des surveys résultant de la capacité de définition en-ligne de la trajectoire du robot, par rapport aux méthodes classiques de survey. L'accent est mis sur la robotique sous-marine, et on considérera des cartes de salinité, de courrants marins, de concentration de polluants, de types d'habitats marins, etc.

Le diagramme suivant illustre la stratégie classique d'observation de phenomènes sous-marins - exécution de plusieurs transects parallèles -- et une stratégie adaptative possible : suivi de lignes de contour. On considérera deux types fondamentaux de phenomènes :

Des stratégies distinctes seront mieux adaptées à des phenomènes de type différent, dont la connaissance a priori est aussi décrite par des modèles statistiques de type différent. Par exemple, il semble naturel décrire le second type de phenomènes par des modèles de formes aléatoires dont la dispersion spatiale est modélisée par un processus de Poisson (éventuellement non homogène), tandis que le premier type de phenomènes est plus adapté à une déscription basée sur la structure de corrélation spatiale des valeurs du champ, et de leur corrélation avec des paramètres physiques qui caractérisent la région.
 
 

Plan de travail
Dans un premier temps, on considérera l'observation de champs de courants marins avec un robot autonome, équipé de capteurs  de courant :  à chaque instant t le robot acquiert

m(t)=c(p(t))+n(t),

         où p(t) est la position (x,y,z)  où le robot se trouve à l'instant t, c(p) la vraie valeur du courant dans le point p, et n(t) est un bruit d'observation de caratérisation statistique connue pour chaque t.

r(t)=p(t)+w(t),

        où w(t) est l'erreur qui affecte la connaissance de sa position à l'instant t (indépendant de n(t), et dont la distribution statistique est supposée connue pour chaque valeur de p(t)).

Pour chaque trajectoire du robot P={p(t), t=[0,Tf]} nous pouvons, à partir des modèles des bruits de ces deux mesures, prédire la distribution des erreurs de la carte obtenue, et comparer ainsi la performance des techniques classiques d'observation avec des techniques adaptatives comme, par exemple, le suivi de contours.

Dans un deuxième temps, nous allons considérer que le robot connaît un modèle statistique du champ observé. En particulier, pour cette application, nous allons utiliser des modèles de composantes principales et des opérateurs de déformation. Ces modèles décrivent la corrélation entre la valeur du courant dans les différents points de la région observée, et permettent l'utilisation des mesures prises dans une région pour prédire la valeur du courant dans une autre région. L'objectif de cette deuxième phase est la définition d'algorithmes adaptatifs de guidage qui conduisent le robot vers les régions de plus grande incertitude (étant données les observations passées, et le modèle de corrélation spatiale), c'est à dire, où le gain d'information attendu est le plus grand.  La performance de ces statégies adaptatives, basées sur le gain d'information, sera comparée, par simulation, avec les approches classique et de suivi de contours, pour évaluer son apport en termes d'efficacité et de précision.

Ce sujet de stage peut se poursuivre par une thèse dans le domaine de la définition de stratégies d'observation de phenomènes environnementaux par des capteurs autonomes.

Pour plus de renseignements : rendas@i3s.unice.fr