Dans des environnements difficiles, comme des bâtiments enfumés ou des routes enveloppées de brouillard, les capteurs classiques peinent à fournir des données fiables. Les caméras et les systèmes Lidar, bien que performants pour produire des images détaillées, se montrent inefficaces face aux obstacles visuels ou aux conditions météorologiques extrêmes.
En revanche, les ondes radio, grâce à leur longueur d’onde bien supérieure à celle de la lumière, peuvent pénétrer certains matériaux, traverser la fumée ou le brouillard, et contourner les limites des capteurs basés sur la lumière. Cependant, les radars classiques, qui utilisent ces ondes, produisent généralement des images rudimentaires et de faible résolution, insuffisantes pour des tâches robotiques exigeantes.
Une résolution Lidar à faible coût
En s'inspirant des stratégies sensorielles d’animaux comme les chauves-souris, qui naviguent grâce aux échos sonores, ou les requins, qui détectent les champs électriques, les chercheurs de Penn Engineering ont cherché à dépasser les limites de la vision humaine. Leur solution, PanoRadar, associe ondes radio et intelligence artificielle pour fournir une "vision" tridimensionnelle précise aux robots, même dans des conditions extrêmes.
Fonctionnant comme un phare, PanoRadar balaie son environnement en émettant des ondes radio via une antenne rotative. Ces ondes se réfléchissent sur les surfaces environnantes, et leurs échos sont captés pour reconstruire une image détaillée. Mais ce qui différencie PanoRadar des systèmes de radar traditionnels, c’est l’intégration d’algorithmes d’IA qui traitent ces données pour obtenir une résolution comparable à celle des systèmes Lidar, à un coût nettement inférieur.
Voir l’invisible
Le cœur de l'innovation réside dans la capacité de PanoRadar à combiner les données provenant de plusieurs angles de rotation pour produire un dense réseau de points de mesure virtuels. Ce traitement, rendu possible par des algorithmes avancés d'apprentissage automatique, permet de capturer une représentation riche et précise de l’environnement, même dans des espaces complexes comme les intérieurs de bâtiments.
En utilisant les données Lidar comme référence lors de l’entraînement de son modèle, l’équipe a affiné la capacité de PanoRadar à détecter des objets invisibles pour les capteurs traditionnels, tels que les murs en verre. Lors de tests dans des bâtiments, le système a démontré sa capacité à suivre avec précision des objets à travers la fumée ou à cartographier des espaces transparents, des situations où les Lidar classiques échouent souvent.
L’intelligence artificielle au cœur du système
Un des défis majeurs rencontrés par les chercheurs a été de maintenir une haute résolution d’imagerie tout en prenant en compte les mouvements du robot. La précision nécessaire pour combiner les mesures à partir de plusieurs positions exige une exactitude en-dessous du millimètre, particulièrement difficile à atteindre lorsque le robot est en déplacement.
Pour répondre à ces exigences, les chercheurs ont conçu des algorithmes capables de reconnaître des motifs dans les signaux radar, en s’appuyant sur les géométries régulières et les schémas répétitifs souvent présents dans les environnements intérieurs. Ces algorithmes permettent au système d’interpréter les données de manière cohérente, un peu comme un humain apprend à donner un sens aux formes et aux couleurs dans son champ de vision.
Des applications prometteuses
Les performances de PanoRadar ouvrent la voie à de nombreuses applications. Dans des missions de recherche et de sauvetage, les robots équipés de cette technologie pourraient se déplacer avec précision dans des environnements enfumés ou chaotiques pour détecter des personnes ou des objets invisibles aux capteurs habituels. De même, dans le domaine des véhicules autonomes, le capteur pourrait compléter les caméras et Lidar pour améliorer la navigation dans des conditions de faible visibilité, comme les routes brumeuses.
À l’avenir, l’équipe de recherche prévoit d’explorer comment PanoRadar pourrait être intégré à des systèmes multimodaux combinant plusieurs technologies de capteurs, chacune ayant ses forces et ses faiblesses. Cette approche pourrait aboutir à des systèmes de perception plus robustes, mieux adaptés aux défis du monde réel.
Pour en savoir plus :