Nouvelle méthode de surveillance précise d'un réseau de capteurs 3D
Les villes intelligentes sont essentielles au développement urbain durable, car elles gèrent la croissance démographique grâce à des réseaux de capteurs avancés et à des systèmes de communication numérique. La surveillance intelligente, un service clé dans ces villes, surveille les environnements intérieurs et extérieurs. Par exemple, elle peut améliorer la sécurité routière des véhicules autonomes en prévoyant et en les alertant des accidents potentiels aux intersections. À l'intérieur, elle aide les personnes vulnérables en avertissant automatiquement les autorités en cas d'urgence.
Les caméras et les capteurs de détection et de télémétrie par lumière (LiDAR) sont couramment utilisés pour la surveillance intelligente. Les capteurs LiDAR fournissent des informations visuelles tridimensionnelles (3D) sans couleurs. Étant donné que le LiDAR repose sur des réflexions laser, un angle mort est laissé derrière les objets, ce qui rend difficile la détection de toutes les zones à surveiller. Ce problème peut être résolu en construisant un réseau de plusieurs capteurs LiDAR installés à différentes positions, augmentant ainsi le nombre de points pouvant être acquis par image.
Cependant, cela crée un autre problème : la bande passante réseau limitée du réseau de capteurs LiDAR ne permet pas la transmission en temps réel des données de tous les points ajoutés. Des recherches antérieures ont proposé une méthode de sélection des données qui transmet au serveur uniquement les données des régions significatives de l'espace 3D. Cependant, ces études n'ont pas détaillé comment définir et estimer avec précision ces régions importantes dans le nuage de points.
Pour combler cette lacune, une équipe de chercheurs dirigée par Kenta Azuma, étudiant en master à l'École supérieure d'ingénierie électrique et d'informatique de l'Institut de technologie de Shibaura, a développé une nouvelle méthode permettant d'estimer avec précision les régions importantes d'un réseau de capteurs 3D.
« Dans cette étude, nous avons utilisé des caractéristiques spatiales, créées à partir de plusieurs mesures spatiales, pour estimer les régions importantes. Les régions importantes dépendent des tâches. Par exemple, pour détecter les zones sujettes aux accidents, les régions importantes sont les espaces où des objets en mouvement, tels que des personnes et des véhicules, sont susceptibles de se trouver. Notre méthode identifie précisément ces régions », explique Azuma.
L'équipe comprenait également le professeur Ryoichi Shinkuma de l'Institut de technologie de Shibaura, ainsi que Koichi Nihei et Takanori Iwai des laboratoires de recherche sur les plateformes de systèmes sécurisés de NEC Corporation. Leur étude a été publiée dans Journal des capteurs IEEE le 1er avril 2023.
Les chercheurs ont divisé le nuage de points en petites régions appelées voxels. Les régions importantes ont été appelées voxels dynamiques, représentant les régions traversées par les personnes. Les autres régions ont été appelées voxels statiques, englobant les régions avec des murs et des plafonds à travers lesquels les personnes ne passent pas.
« Pour estimer avec précision ces régions importantes, il est nécessaire d'utiliser plusieurs mesures spatiales pour créer des caractéristiques spatiales (FS). Nous avons utilisé deux types de mesures spatiales pour créer des FS : la mesure temporelle et la mesure statistique », détaille Azuma. La mesure temporelle est basée sur les changements à long terme du nombre de points acquis par les capteurs LiDAR au fil du temps, tandis que la mesure statistique représente la différence du nombre de points par image.
L'équipe a également évalué la précision de l'estimation des régions importantes à l'aide de ces mesures au moyen d'expériences. Ils ont examiné les données de nuages de points acquises par plusieurs capteurs LiDAR dans trois scénarios de personnes se déplaçant à l'intérieur et ont découvert que les voxels dynamiques pouvaient être identifiés avec une précision jusqu'à 10 % supérieure en utilisant les deux mesures par rapport à l'utilisation de l'une ou l'autre mesure seule.
De plus, ils ont également utilisé l'apprentissage automatique pour déterminer la meilleure combinaison de valeurs de seuil utilisées pour classer un voxel dynamique à l'aide des deux mesures. Les résultats ont révélé que la précision obtenue à l'aide de ces valeurs de seuil était comparable aux valeurs optimales utilisées dans les expériences. Ils ont également déterminé que l'augmentation de la taille des voxels de 1 mètre à 1,25 mètre dégradait la précision.
Les résultats de l’étude soulignent l’utilité d’utiliser plusieurs mesures pour estimer avec précision les régions importantes. « Nos recherches ont le potentiel d’améliorer considérablement la sécurité et l’efficacité des systèmes de conduite autonome. Pour les robots de livraison, l’identification des zones à haut risque de collision ou de congestion permettra de planifier des itinéraires de livraison efficaces, réduisant ainsi les délais et les coûts. Cela peut également contribuer à remédier aux pénuries de main-d’œuvre dans le secteur de la logistique », conclut Azuma.
Dans l’ensemble, cette méthode innovante promet de rendre les villes intelligentes plus sûres et plus efficaces.
