Recherche autonome de phénomènes visuels épars par modélisation du contexte environnemental

Des chercheurs ont mis au point une méthode permettant à des véhicules sous-marins autonomes (AUV) de localiser efficacement des espèces de corail rares sur un récif, un problème classique en robotique d'exploration où la cible est trop dispersée pour guider directement la recherche. Plutôt que de s'appuyer uniquement sur les détections directes de l'espèce visée, souvent trop rares pour indiquer une direction utile, l'équipe propose d'exploiter le contexte environnemental visuel, c'est-à-dire les caractéristiques d'habitat qui coexistent statistiquement avec l'espèce recherchée. À partir d'une seule image annotée, le système utilise des embeddings DINOv2 au niveau du patch pour détecter en une seule fois, et en temps réel, à la fois la cible et son environnement typique. La méthode a été validée sur des images réelles capturées par un AUV sur deux sites de récifs à Saint-Jean, dans les îles Vierges américaines, avec une simulation offline du déplacement du robot. Résultat: jusqu'à 75% de la cible peut être échantillonnée en environ la moitié du temps requis par une couverture exhaustive du terrain, lorsque l'espèce est rare, avec de meilleures performances que les stratégies de recherche fondées sur la seule détection directe.

Pour l'industrie robotique sous-marine et la surveillance environnementale, ce résultat répond à une contrainte très concrète: l'autonomie énergétique limitée des AUV rend la couverture exhaustive d'un récif souvent impossible. En démontrant qu'un signal de contexte, plus dense et plus lisse spatialement que les détections de cible elles-mêmes, permet à un planificateur adaptatif de mieux décider où explorer ensuite, l'étude apporte une alternative concrète aux approches de recherche par balayage systématique ou par détection pure, notamment utile pour la surveillance écologique à grande échelle où les cibles biologiques sont naturellement éparses.

Ce travail s'inscrit dans la lignée des recherches sur l'exploration robotique guidée par apprentissage, où des modèles de vision fondationnels comme DINOv2 permettent désormais une détection "one-shot" sans réentraînement lourd, un atout pour des missions de terrain où les données annotées sont rares. Les auteurs positionnent leur approche face aux stratégies de couverture exhaustive et aux méthodes de recherche fondées uniquement sur la détection de cible, qu'ils surpassent dans leurs tests. Les prochaines étapes annoncées concernent le déploiement en conditions réelles, au-delà de la simulation offline utilisée dans cette étude.