Estimation par pose de véhicules sous-marins sans pilote à l’aide de simulations basées sur des marqueurs en réalité augmentée

Résumé

Cette étude présente un cadre de vision monoculaire basé sur ROS–Gazebo pour l’estimation de la pose des véhicules sous-marins autonomes à l’aide de marqueurs ArUco. Les poses estimées sont comparées à l’odométrie simulée, démontrant un suivi stable et un fort accord avec la vérité du terrain dans des conditions contrôlées.

Résumé

Cette étude présente un cadre basé sur la simulation pour l’estimation de la pose des véhicules sous-marins sans pilote (UUV) à l’aide d’un système de vision monoculaire dans un environnement ROS–Gazebo. Le modèle UUV RexRov2, intégré à ArUco_ROS, est utilisé pour détecter des marqueurs virtuels et estimer la position et l’orientation dans un environnement sous-marin simulé. Une méthode de perspective à n points (PnP) est appliquée pour l’estimation de la pose, et un contrôleur à dérivée intégrale proportionnelle (PID) régule le mouvement du véhicule en fonction des caractéristiques dérivées des marqueurs. Le système est évalué en comparant les poses estimées avec l’odométrie de la vérité du terrain obtenue à partir du simulateur. En conditions nominales, les résultats démontrent une estimation stable de la pose avec une étroite concordance entre les positions et orientations estimées et vraies. Le système maintient un suivi de trajectoire fluide avec des fluctuations minimales, indiquant une performance fiable dans des environnements contrôlés. Cependant, sous des perturbations hydrodynamiques accrues, le système présente des déviations de position et d’orientation, entraînant une instabilité dans la performance de suivi. Ces résultats mettent en lumière les limites du contrôle classique des PID dans les environnements sous-marins non linéaires et suggèrent la nécessité de stratégies de contrôle plus robustes. Dans l’ensemble, le cadre proposé offre une plateforme sûre, flexible et rentable pour tester les algorithmes de navigation sous-marine et évaluer l’intégration perception-contrôle dans des environnements simulés.

Introduction

Les véhicules sous-marins sans pilote (UUV) sont couramment utilisés dans des situations où la présence humaine est limitée, comme la surveillance des océans, l’exploration et l’industrie pétrolière. Ils sont équipés de capteurs avancés pour collecter des données provenant d’environnements sous-marins complexes, ce qui nécessite des plateformes de test robustes et économiques. Les techniques de simulation, y compris les méthodes basées sur la vision utilisant des marqueurs ArUco, offrent un moyen efficace de réduire les risques liés au déploiement réel des UUV.

L’histoire des UUV, du premier véhicule de recherche sous-marin à usage spécial aux véhicules sous-marins autonomes modernes, met en lumière leur importance dans la recherche, la défense et l’industrie¹. L’évolution des véhicules sous-marins autonomes souligne encore la nécessité d’un positionnement, d’une navigation et d’un test précis dans des environnements^{simulés 2,3}.

La Figure 1 illustre l’architecture conventionnelle d’un système de simulation UUV. La combinaison du Robot Operating System (ROS) et du simulateur Gazebo offre une plateforme polyvalente pour la modélisation, le contrôle et la communication en temps réel. ROS facilite une communication efficace entre capteurs, actionneurs et modules de contrôle, tandis que le gazebo offre un environnement de simulation 3D réaliste pour tester les algorithmes de navigation et^{de contrôle 4,5}. Dans ce contexte, les méthodes basées sur des marqueurs ArUco améliorent l’estimation de la pose en permettant une détection et un suivi précis des points^{de référence 6}.

Figure 1 : Architecture conventionnelle d’un système de simulation UUV.Le diagramme illustre l’interaction entre les composants simulation, perception et contrôle au sein du cadre ROS–Gazebo. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Plusieurs études ont fait progresser des technologies de simulation, de navigation et de perception^{UUV 7}. La pertinence du cadre ROS–Gazebo pour la modélisation robotisée a été^{démontrée 4}, et cette approche a été étendue aux applications sous-marines via le simulateur UUV pour les tâches multi-robots^{et d’intervention 5}. Le positionnement basé sur la vision a également été amélioré en combinant les marqueurs ArUco avec des algorithmes^{de suivi 6}. De même, la simulation haute fidélité et la supervision des missions sous-marines ont été rendues possibles grâce aux plateformes de simulation^{avancées 8}, tandis qu’un positionnement robuste dans des environnements confinés utilisant des marqueurs fiduciaux a également été^{démontré 9}.

Ces avancées technologiques sont complétées par des études d’enquête. Les avancées dans les défis de navigation sous-marine et de localisation ont été examinées de manière^{exhaustive 10, 11}, et les plateformes de simulation commerciales et open source ont été systématiquement^{évaluées 12}. Des examens supplémentaires ont examiné l’état de l’art dans les véhicules sous-marins^{autonomes 13, 14}, ainsi que les stratégies de contrôle de formation et de communication pour les systèmes^{multi-véhicules 14}. De plus, les avancées dans le contrôle robuste du suivi¹⁵ et l’estimation de l’état utilisant des approches d’apprentissage profond, telles que les Unités À Récurrents^{Fermés 16}, ont encore amélioré la fiabilité des missions sous-marines autonomes. Collectivement, ces études démontrent des progrès significatifs dans le réalisme des simulations, la navigation et le contrôle intelligent des UUV.

Malgré ces avancées, plusieurs défis de recherche subsistent. Les simulateurs actuels manquent de modèles de capteurs précis, en particulier pour les systèmes sonar à vue frontale et à balayage latéral. La plupart des plateformes ne supportent que des opérations d’AUV unique, avec une capacité limitée pour la coordination et les formations multi-AUV. Les inexactitudes des capteurs et des modèles dynamiques peuvent entraîner des performances sous-optimales, et les perturbations environnementales telles que les courants et le bruit ne sont pas modélisées de manière cohérente à travers les simulateurs. Pour remédier à ces limitations, la présente étude introduit un cadre de simulation ROS–Gazebo incorporant l’estimation de pose basée sur les marqueurs ArUco afin de permettre une estimation de l’état plus précise et une évaluation rigoureuse des algorithmes de navigation UUV.

Ce travail apporte trois contributions principales. Premièrement, il présente une approche d’estimation monoculaire de la pose basée sur ArUco dans un environnement de simulation sous-marine ROS–Gazebo utilisant le modèle RexRov2. Deuxièmement, il analyse la stabilité des poses sous différentes conditions de perturbation et des scénarios de contrôle. Troisièmement, il identifie les limites du contrôle classique de la PID dans les environnements sous-marins non linéaires sous perturbations dynamiques. De plus, ce travail intègre perception, contrôle et simulation dans un cadre unifié, comblant les lacunes dans les études antérieures qui traitent ces composantes de manière indépendante.

Protocole

1. Configuration de l’environnement logiciel

Une station de travail basée sur Linux fonctionnant sous Ubuntu 20.04 et le système d’exploitation Robot (ROS) Noetic a été utilisée comme plateforme principale de développement pour la mise en œuvre de systèmes d’auto-localisation^{sous-marins 17}. Le système a été initialisé en créant un espace de travail catin avec mkdir -p ~/catkin_ws/src, puis en l’initialisant avec catkin_init_workspace. Les paquets uuv_simulator et aruco_ros ont été clonés dans le répertoire source et compilés à l’aide de la commande catkin_make pour soutenir la modélisation d’intervention sous-marine.

La connectivité entre le middleware ROS et le simulateur Gazebo 9 a été vérifiée en lançant un monde sous-marin par défaut et en confirmant la communication active via la commande rostopic list. Les nœuds de traitement d’image et d’estimation de la pose ont été implémentés en Python 3.8 et en bibliothèques intégrées ArUco pour calculer la pose relative via OpenCV. L’environnement ROS a été configuré pour gérer les dépendances et permettre la communication de données en temps réel, permettant au robot de se localiser par rapport à plusieurs marqueurs^{artificiels 18}. Cette configuration permettait également d’évaluer la performance de détection des marqueurs dans des conditions variables. La figure 1 illustre la communication entre les nœuds de simulation, de perception et de visualisation dans l’environnement ROS–Gazebo.

2. Modèle UUV et paramétrisation hydrodynamique

Le modèle de véhicule RexRov2 a été obtenu à partir du paquet uuv_descriptions et lancé en Gazebo à l’aide de son fichier⁵ Unified Robot Description Format (URDF). Le modèle du véhicule était composé de maillons et de joints, avec une masse sèche de 1 863 kg et un déplacement volumique de 1,838^m3, correspondant à une flottabilité quasi neutre dans une eau à densité de 1 000 kg^/m3.

Les effets hydrodynamiques ont été modélisés à l’aide du uuv_underwater_object_plugin, incluant les forces d’amortissement linéaires et quadratiques. Le coefficient de surtension de masse ajouté a été fixé à 779,79, et les paramètres d’amortissement ont été calibrés en fonction des caractéristiques rapportées du RexRov2 pour simuler un mouvement réaliste du^{véhicule 19}. La figure 2 montre l’architecture globale de la simulation.

Figure 2 : Architecture globale de l’environnement de simulation. La figure montre l’intégration du modèle UUV, des entrées des capteurs, du pipeline de perception et des modules de contrôle utilisés pour l’estimation de la pose et la navigation. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

3. Installation caméra, marqueur et environnement

Un appareil photo monoculaire était fixé au cadre rexrov2/camera_link. Les paramètres de l’appareil étaient réglés à 1280 × 720 pixels et 30 Hz. Les paramètres intrinsèques étaient définis dans le fichier de configuration de l’appareil avec une focale de 554,25 pixels et un point principal à (640,5, 360,5).

Un marqueur vertical fixe d’ArUco d’une longueur latérale de 0,5 m, sélectionné à partir du dictionnaire 6×6_250 (ID : 582), était positionné aux coordonnées (20,0, 0,0, -10,0). L’environnement simulé était configuré avec une profondeur d’eau de 10 m et une vitesse de courant constante de 0,1 m/s dans la direction X à l’aide du service ROS /uuv_simulation_app/set_current_velocity. Une intensité lumineuse de 0,8 a été utilisée pour assurer la visibilité^{des marqueurs 9}. La figure 3 montre l’environnement sous-marin simulé.

Figure 3 : Environnement sous-marin simulé dans le kiosque 9. L’environnement comprend le UUV RexRov2, des marqueurs virtuels ArUco, ainsi que des conditions environnementales contrôlées telles que la profondeur de l’eau, l’éclairage et le courant. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

4. Estimation de la pose et contrôle de la navigation

Le pipeline de détection des marqueurs a été lancé via le nœud ROS ArUco, qui s’abonnait au sujet /rexrov2/forward_camera/image_raw. La pose du véhicule a été estimée en utilisant la méthode Perspective-n-Point (PnP) pour calculer la matrice de rotation (R) et le vecteur de translation (t) par rapport à la géométrie connue du marqueur 3D.

La pose estimée a été transformée de l’image de la caméra à l’image de référence globale à l’aide d’un éditeur de transformées statiques. Un contrôleur PID était utilisé pour réguler le mouvement du véhicule en envoyant des commandes de vitesse au sujet /rexrov2/thruster_manager/input. Les gains proportionnels (Kp) pour les axes de surtension et de soulèvement ont été fixés à 1500 et 2000, respectivement, afin d’assurer une performance de suivi^{stable de 20}.

5. Évaluation et comparaison de la réalité de terrain

L’accord entre les estimations de la pose basées sur la vision et la trajectoire simulée a été évalué à l’aide du sujet /rexrov2/pose_gt fourni par le plugin uuv_gazebo_ros_p3d. La pose estimée du pipeline basé sur ArUco a été comparée aux données d’odométrie fiables pour évaluer la stabilité et la cohérence du système.

L’évaluation a été réalisée par comparaison de trajectoire et visualisation en temps réel, où la position (X, Y, Z) et l’orientation (roulis, tangage, lacet) ont été surveillées à l’aide de Rviz et rqt_plot. Cela permettait d’observer des écarts dans des conditions nominales et induites par la perturbation.

L’étude se concentre sur l’évaluation qualitative et comparative. L’évaluation quantitative utilisant l’erreur quadratique moyenne de la racine (RMSE) est identifiée comme un travail futur, où plusieurs simulations seront utilisées pour évaluer l’erreur de position et d’orientation.

6. Génération et visualisation des résultats

Rviz a été utilisé comme outil de visualisation 3D pour surveiller la trajectoire et l’attitude de l’UUV. Les référentiels de coordonnées /rexrov2/camera_link et /aruco_marker_frame ont été visualisés pour évaluer la relation spatiale entre le véhicule et le marqueur².

L’outil rqt_plot était utilisé pour générer des graphiques en temps réel de l’attitude du véhicule (roulis, tangage, lacet) en utilisant les sujets /rexrov2/pose_gt et /aruco_pose. La commande rosbag record était utilisée pour capturer les données de simulation, y compris les flux vidéo et les entrées de contrôle, pour une analyse qualitative.

La simulation a été réalisée dans des conditions visuelles idéales, en supposant un bon éclairage et une faible turbidité. On supposait que le marqueur ArUco restait sans obstruction. Les effets d’amortissement hydrodynamique ont été modélisés à l’aide de coefficients simplifiés, et le bruit des capteurs n’a pas été inclus.

Résultats

Un environnement sous-marin simulé a été utilisé pour évaluer le système proposé basé sur ROS–Gazebo en utilisant le UUV RexRov2. L’environnement de simulation d’ondes (Figure 3) offrait un cadre dynamique mais contrôlé pour évaluer le système d’estimation de pose basé sur des marqueurs.

La figure 4 illustre la relation entre les marqueurs ArUco détectés et la trajectoire UUV résultante. Le pipeline d...

Discussion

Les observations numériques confirment l’efficacité du cadre proposé dans des conditions contrôlées. Les petites variations de position (de l’ordre de 10⁻² m) et d’orientation (de l’ordre de 10⁻² rad) indiquent un suivi stable de la posture. Ces résultats démontrent que les marqueurs ArUco fournissent une référence fiable pour la localisation à courte^{portée 6}. De plus, les plateformes de simulation permettent la génération de jeux de données ...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
ArUco Marker Detection Library	OpenCV	N/A (open-source)	Détection de marqueur basée sur la vision pour l'estimation de pose
Gazebo Simulator	Open Robotics	N/A (open-source)	Environnement de simulation 3D pour les tests UUV
REXROV2 UUV Model	UUV Simulator Project	N/A (open-source)	Modèle UUV prédéfini utilisé pour les expériences d'estimation de pose
Robot Operating System (ROS)	Open Robotics	N/A (open-source)	Middleware pour la communication et le contrôle
RViz	Open Robotics	N/A (open-source)	Outil de visualisation pour le modèle UUV et les données des capteurs
Ubuntu Linux (20.04 LTS)	Canonical Ltd.	N/A	Système d'exploitation prenant en charge ROS et Gazebo
UUV Simulator Package	Norwegian University of Science and Technology (NTNU)	N/A (open-source)	Cadre de simulation sous-marine ROS-Gazebo