AI4GEO veut automatiser la production de données géographiques 3D

Catégorie: 3D, Données, Entreprises, Imagerie, Institutions, Logiciels, Recherche, Reportages, Satellite/Spatial

Environ 4 minutes de lecture

Projet de R&D à visée industrielle partiellement financé par le programme d’investissement d’avenir (PIA), AI4GEO vise « à développer une solution unique de production d’information géospatiale 3D automatique » en utilisant les techniques de l’intelligence artificielle. Point de situation un an après son démarrage.

Réellement démarré en mars 2020, le projet AI4GEO suscite la curiosité. Il rassemble un consortium prestigieux (le CNES, l’IGN, l’ONERA, CLS, Airbus, CS Groupe, Qwant, Geosat, Quantcube), des soutiens par les pôles de compétitivité (Aérospace Valley, Cap Digital et Finance Innovation), un budget conséquent de 30 millions d’euros dont le tiers pris en charge par le PIA (via la BPI) et va occuper une bonne trentaine de personnes (en équivalents temps plein) pendant quatre ans.

Le programme est ambitieux : disposer d’outils de production automatique de données géographiques 3D sémantisées (c’est-à-dire contenant des informations décrivant les objets représentés), à partir d’images satellites, intégrables dans toutes sortes d’applications à valeur ajoutée.

Certains en attendent quasiment un Google Earth à la française, d’autres une « machine » à mettre à jour automatiquement des bases de données d’occupation du sol, voir à les créer, d’autres encore espèrent accéder simplement à des flux d’images satellites… mais qu’en est-il vraiment ?

Retour aux origines

Le projet AI4GEO est né dans le sillage de CO3D, cette constellation de petits satellites optiques conçue par le CNES et fabriquée par Airbus, destinée à acquérir des images haute résolution stéréoscopiques de tout le globe. Une fois les premiers satellites lancés fin 2022, les paires d’images acquises (proches cousines de Pléiades) devront alimenter une chaîne automatisée afin de produire orthophotographies, modèles numériques de surface et de terrain, maquettes 3D de villes à différents niveaux de détails…

Pour atteindre un bon niveau de performance, l’utilisation des algorithmes de machine learning et de deep learning sera essentielle, constituant la partie « AI » du projet.

Le projet AI4GEO ne peut se réduire à la préparation des traitements aval des images acquises par CO3D, mais ses résultats seront certainement d’une grande aide pour développer une offre de services opérationnelle autour de la production de données 3D à partir d’images satellites.

En levant un certain nombre de verrous techniques, en développant des briques open source réutilisables, en testant des cas d’usages (cycle de l’eau, smart city, intelligence économique, véhicule autonome…) via des POC (Proof of concept), AI4GEO prépare à la fois la technique et le modèle économique d’une constellation qui devra trouver sa place dans un New Space déjà bien encombré, et où la Chine mise sur sa constellation Gaofen-7.

Car la 3D devient de plus en plus importante, pour toutes sortes d’applications. Ainsi, l’intelligence économique en a besoin pour évaluer la dynamique urbaine de villes où les tours poussent comme des champignons. L’activité minière peut être suivie par la mesure des hauteurs de remblais et celle des ports grâce à la hauteur des piles de conteneurs.

« Ce que nous visons, c’est la capacité à reconstruire automatiquement des modèles 3D en combinant l’information extraite d’images haute et moyenne résolution, sur lesquels nous irons plaquer des informations 2D : présence de parkings, de zones commerciales, d’immeubles d’habitation par exemple, le tout complété par des algorithmes de détection de changement, résume Pierre-Marie Brunet, product owner AI4GEO au CNES. Pour arriver à ce niveau de smart mapping, les développements se font de manière incrémentale. »

Organisation du projet AI4GEO

Premiers travaux

Après une petite année de fonctionnement en mode Covid, l’équipe commence à présenter ses résultats, comme elle l’a fait le 20 janvier lors d’un webinaire réservé aux adhérents d’OPenIG.

Dans un premier temps, des travaux ont été menés sur la génération automatique d’information sur l’occupation du sol en milieu urbain à partir d’images Pléiades et Sentinel-2 (Urban COS en 4 classes) et à une échelle moins détaillée grâce à des images Sentinel-2 (Global COS en 6 classes) sur quelques sites français.

Urban COS

Un début de chaîne de production 3D à partir de vues Pléiades stéréoscopiques est en cours de construction, afin d’extruder automatiquement les contours de bâtiment (LOD 1), tandis que des tests sont menés pour exploiter les formes de toits permettant d’atteindre un plus haut niveau de détail (LOD 2).

Vers des niveaux de détails plus fins (LOD1 et LOD2)

Afin de nourrir les réseaux de neurone (dont plusieurs sont testés), l’équipe s’est bien entendu heurtée au manque de bases d’apprentissage et à la difficulté de la labellisation. Elle a donc construit son propre outil de labellisation semi-automatique (exploitant à la fois OpenStreetMap et la BD Topo pour la vérité terrain) et étudie la possibilité d’alimenter les bases existantes ou de mettre en place une base ouverte « made in France » au service de nombreux usages.

Les bases de données d’échantillonnage disponibles manquent de précision, d’où l’idée de constituer une nouvelle base.

À l’occasion du webinaire organisé le 20 janvier, Christophe Triquet de CS Group a présenté les travaux menés sur une plateforme Cloud adaptée aux problématiques d’intelligence artificielle, capable d’accéder à toutes sortes de catalogues d’images satellitaires et de fournir une interface déportée pour effectuer des géotraitements lourds.

« Nous disposons maintenant d’une plateforme nous permettant de travailler tous ensemble, associant les codes de l’IGN, du CNES, de l’ONERA… Nous allons commencer à travailler sur des villes chinoises, américaines, sur des régions asiatiques… là où la vérité terrain sera moins accessible », explique Pierre-Marie Brunet.