Des scientifiques du prestigieux Massachusetts Institute of Technology (MIT) ont mis au point une technologie d'imagerie révolutionnaire qui a le potentiel de changer fondamentalement la façon dont nous percevons le monde physique qui nous entoure. Leur système innovant, appelé mmNorm, permet la reconstruction tridimensionnelle précise d'objets cachés derrière des obstacles tels que des boîtes en carton, des conteneurs en plastique ou même des murs intérieurs. Cette capacité, qui rappelle la vision aux rayons X de la science-fiction, ouvre la voie à d'incroyables applications en robotique, en contrôle de la qualité, en sécurité et en réalité augmentée.

Une révolution dans la vision de l'invisible

Imaginez un robot dans un entrepôt capable de « jeter un coup d'œil » à l'intérieur d'un colis scellé et de déterminer, avant même de l'ouvrir, si le contenu fragile, comme une tasse en céramique, a été endommagé pendant le transport. Un tel scénario devient précisément possible grâce à une nouvelle approche qui utilise les ondes millimétriques (mmWave). Il s'agit du même type de signal que celui utilisé dans certains systèmes Wi-Fi avancés, et dont la principale caractéristique est la capacité de pénétrer les matériaux courants qui sont opaques à l'œil humain et aux caméras optiques. L'équipe de recherche du MIT, située dans la ville de Cambridge, Massachusetts, a développé une méthode qui non seulement détecte les objets cachés, mais reconstruit également leur forme 3D complète avec une précision exceptionnelle.

Le système mmNorm collecte les ondes millimétriques réfléchies et les transmet à un algorithme sophistiqué qui, à partir de ces données, estime la géométrie exacte de la surface de l'objet caché. Lors de tests menés sur un large éventail d'objets du quotidien aux formes complexes et incurvées – des couverts à une perceuse électrique – la nouvelle technique a atteint une précision de reconstruction de 96 %. À titre de comparaison, les méthodes existantes les plus avancées n'ont atteint que 78 % de précision dans les mêmes conditions, ce qui indique un bond énorme en termes de performances.

Dépasser les limites du radar traditionnel

Les techniques radar classiques, utilisées depuis des décennies pour détecter des objets éloignés ou masqués comme des avions dans les nuages, reposent sur une méthode connue sous le nom de rétroprojection. Bien qu'efficace pour les grands objets, la résolution d'une telle imagerie est trop grossière pour discerner les détails fins des objets plus petits, ce qui est crucial pour les applications de la robotique moderne. Fadel Adib, professeur associé au Département de génie électrique et d'informatique et directeur du groupe Signal Kinetics au MIT Media Lab, souligne que les méthodes précédentes se heurtaient à un mur. « Il était nécessaire de concevoir une manière totalement différente d'utiliser ces signaux pour débloquer de nouveaux types d'applications », déclare Adib, qui a dirigé la recherche avec Laura Dodds, Tara Boroushaki et Kaicheng Zhou.

L'équipe du MIT a réalisé que les techniques existantes ignoraient une propriété essentielle connue sous le nom de spécularité. Lorsque les ondes millimétriques frappent une surface, celle-ci se comporte presque comme un miroir, créant des réflexions spéculaires (semblables à un miroir). Si une partie de la surface est orientée vers l'antenne radar, le signal sera renvoyé et reçu. Cependant, si la surface est tournée, la réflexion se propagera dans une autre direction et sera perdue pour le capteur. « En nous appuyant sur la spécularité, notre idée est d'estimer non seulement l'emplacement de la réflexion dans l'environnement, mais aussi l'orientation de la surface à ce point », explique Laura Dodds, auteure principale de l'étude.

Comment fonctionne mmNorm ?

Au cœur de la technologie mmNorm se trouve la capacité d'estimer ce que l'on appelle la « normale de surface », qui est essentiellement un vecteur indiquant la direction de la surface en un point spécifique de l'espace. En combinant les estimations des normales de tous les points à partir desquels le signal a été réfléchi, le système utilise une formulation mathématique avancée pour reconstruire la forme 3D complète de l'objet.

Le prototype du système se compose d'un radar fixé à un bras robotique. Pendant que le bras se déplace autour de l'espace où se trouve l'objet caché, le radar effectue des mesures en continu. Le système compare la force des signaux reçus à différentes positions pour estimer la courbure de la surface. Par exemple, l'antenne recevra la réflexion la plus forte de la partie de la surface qui lui fait directement face, et des signaux plus faibles des parties qui sont inclinées. Comme le radar possède plusieurs antennes, chacune d'entre elles « vote » sur la direction de la normale de surface en fonction de la force du signal qu'elle a reçu. « Certaines antennes peuvent avoir un vote très fort, d'autres un vote très faible, et nous combinons tous les votes pour obtenir une seule normale de surface sur laquelle toutes les positions d'antenne s'accordent », ajoute Dodds. Ce processus aboutit à un nuage de points avec des normales associées, à partir duquel une reconstruction 3D finale et détaillée est générée à l'aide de techniques empruntées à l'infographie.

Un large éventail d'applications et un potentiel futur

En plus d'obtenir une erreur de reconstruction significativement plus faible (environ 40 % de moins que les approches existantes), mmNorm peut également distinguer avec précision plusieurs objets cachés ensemble, comme une fourchette, un couteau et une cuillère dans la même boîte. La technologie s'est avérée efficace sur des objets fabriqués à partir de divers matériaux, notamment le bois, le métal, le plastique, le caoutchouc et le verre. La seule limitation actuelle concerne les objets cachés derrière des barrières métalliques épaisses ou des murs très épais.

Les applications potentielles sont vastes et variées :

• Industrie et logistique : Les robots équipés de cette technologie peuvent distinguer des outils dans une boîte, déterminer avec précision la forme et la position du manche d'un marteau et le saisir en toute sécurité. Dans les entrepôts, le contrôle qualité automatisé peut être effectué sans ouvrir les emballages.


• Réalité augmentée (RA) : Un ouvrier d'usine ou un maçon pourrait utiliser des lunettes de RA qui lui montreraient en temps réel des images fidèles d'objets complètement masqués, comme des tuyaux ou des installations électriques à l'intérieur d'un mur, avant de commencer à percer.


• Sécurité et défense : La technologie pourrait être intégrée dans des applications de sécurité existantes, comme les scanners d'aéroport, permettant des reconstructions plus précises d'objets cachés. Elle a également un potentiel dans la reconnaissance militaire.


• Aide à domicile : À l'avenir, elle pourrait être utilisée dans des systèmes d'aide aux personnes âgées, en aidant à localiser les objets fréquemment perdus.

Tara Boroushaki, l'une des chercheuses, souligne que les résultats qualitatifs parlent d'eux-mêmes et que « l'ampleur de l'amélioration facilite le développement d'applications qui utilisent ces reconstructions 3D à haute résolution pour de nouvelles tâches ». L'équipe prévoit de continuer à travailler sur l'amélioration de la résolution, l'augmentation de l'efficacité avec des objets moins réfléchissants et la possibilité d'imager à travers des obstacles encore plus épais. « Ce travail représente véritablement un changement de paradigme dans notre façon de penser ces signaux et le processus de reconstruction 3D », conclut Dodds, laissant entrevoir un avenir passionnant où le monde invisible deviendra visible.

Source : Massachusetts Institute of Technology