Estimation de l’AVD vectorielle acoustique sous-marine en environnements de bruit hybrides basée sur un mécanisme mixture-of-experts à activation parcimonieuse

À l’écoute des signaux cachés sous l’eau

Navires, sous-marins, robots sous-marins et même biologistes marins s’appuient sur l’écoute de faibles bruits dans l’océan pour déterminer leur origine. Mais la mer est un milieu bruyant : moteurs, vagues, animaux et instruments eux-mêmes ajoutent tous du bruit de fond. Cette étude présente une nouvelle méthode pour identifier la direction des sons sous-marins même lorsque le bruit est désordonné et imprévisible, en utilisant une forme moderne d’intelligence artificielle qui apprend à gérer différents types de bruit au lieu de supposer que tout est simple et uniforme.

Pourquoi trouver la direction est si difficile en mer

Pour localiser une source sonore, les ingénieurs utilisent un réseau de microphones sous-marins, appelés hydrophones, alignés en ligne. En comparant les minuscules différences de temps d’arrivée du son sur chaque capteur, ils peuvent estimer la direction d’où il provient, une tâche connue sous le nom d’estimation de la direction d’arrivée (DOA). Les méthodes classiques supposent que le bruit de fond ressemble à un souffle uniforme et doux — mathématiquement, un « bruit blanc gaussien ». Les océans réels se comportent rarement ainsi. Le bruit peut être impulsif, comme des crépitements soudains ; coloré, avec plus d’énergie à certaines fréquences ; ou inégal d’un capteur à l’autre. Ce mélange de comportements, appelé bruit hybride, brise les hypothèses sur lesquelles reposent les anciens algorithmes, entraînant une chute de précision précisément lorsque les conditions sont les plus difficiles.

Une ligne de capteurs plus intelligente

Les chercheurs fondent leur travail sur une disposition de capteurs simple mais puissante : une ligne droite d’hydrophones vectoriels, qui mesurent à la fois la pression et le mouvement des particules dans l’eau. Lorsque des sources sonores lointaines émettent des ondes, celles-ci atteignent chaque capteur à des instants et avec des phases légèrement différents, selon l’angle d’arrivée. À partir de ces mesures, le système construit une matrice de covariance — un résumé compact de la façon dont les signaux sur les différents capteurs se rapportent les uns aux autres au fil du temps. Cette matrice contient les indices géométriques nécessaires pour inférer la direction, mais elle est embrouillée par tout le bruit complexe présent dans l’environnement.

Transformer des données bruyantes en motifs exploitables

Les réseaux neuronaux travaillent généralement avec des nombres réels, mais la matrice de covariance est à valeurs complexes. L’équipe la sépare donc en deux matrices réelles, représentant les parties réelle et imaginaire, et les présente comme une « image » à deux canaux à un réseau de neurones convolutionnel (CNN). Ce CNN parcourt la matrice pour découvrir des motifs spatiaux qui distinguent la structure vraie du signal du bruit. Plutôt que de s’appuyer sur des formules conçues à la main, le CNN apprend ces caractéristiques directement à partir des données, passant progressivement de relations locales simples à des motifs de plus haut niveau utiles pour localiser les sources sonores.

De nombreux spécialistes et un coordinateur intelligent

L’innovation clé intervient après le CNN : un réseau mixture-of-experts à activation parcimonieuse (SMoE). Plutôt qu’un modèle unique et monolithique tentant de gérer toutes les situations, le système comprend plusieurs petits réseaux experts, chacun entraîné pour exceller sous un type de bruit spécifique, comme le bruit blanc, rose, rouge, bleu, violet ou impulsif. Un réseau de gate séparé examine les caractéristiques extraites par le CNN et, pour chaque exemple entrant, décide quels quelques experts sont les plus pertinents. Seuls ces meilleurs experts sont activés, et leurs sorties sont combinées pour produire une estimation finale de la probabilité qu’une source sonore se situe à chaque angle de 0° à 180°. Ce design rend le modèle à la fois adaptatif — car il change les experts qu’il écoute selon l’évolution du bruit — et efficace, car il évite d’exécuter tous les experts en permanence.

Tests dans des conditions difficiles et réalistes

Pour entraîner ce système, les auteurs ont d’abord généré des données où chaque expert ne voit qu’un seul type de bruit, ce qui lui permet de se spécialiser. Ils ont ensuite entraîné le réseau de gate sur des mélanges des six bruits, imitant des environnements hybrides réels. Ils ont également évalué le modèle sur un vaste jeu de test réaliste qui inclut à la fois du bruit simulé et du bruit sous-marin réellement enregistré, sur une large plage de rapports signal sur bruit et de longueurs de données. Comparé à des techniques classiques bien connues et à d’autres approches d’apprentissage profond, le modèle SMoE a constamment fourni des erreurs plus petites et des taux de réussite plus élevés, en particulier lorsque le bruit était fort ou lorsque seules de faibles quantités de données étaient disponibles. À un rapport signal sur bruit de 0 dB — où la puissance du signal et du bruit est équivalente — le modèle a atteint une erreur angulaire moyenne inférieure à un degré, alors que des méthodes concurrentes pouvaient être erronées de plusieurs degrés.

Ce que cela signifie pour la détection sous-marine future

En termes simples, ce travail montre que laisser plusieurs « auditeurs » IA spécialisés partager la tâche, et choisir entre eux à la volée, peut améliorer radicalement notre capacité à localiser les sons sous-marins dans des conditions chaotiques et bruyantes. L’approche peut être adaptée à d’autres dispositions de capteurs au-delà des simples réseaux linéaires, et la même idée — mixture-of-experts avec une gate intelligente — pourrait être utile en radar, robotique et dans d’autres domaines où des signaux doivent être localisés en présence d’interférences complexes. Pour les applications qui dépendent d’une écoute sous-marine fiable, de la navigation à la surveillance environnementale, cette méthode offre un moyen plus flexible et robuste d’entendre à travers le bruit.

Citation: Xu, W., Yi, S., Gu, H. et al. Underwater acoustic vector DOA estimation in hybrid noise environments based on sparsely-gated mixture-of-experts mechanism. Sci Rep 16, 6192 (2026). https://doi.org/10.1038/s41598-026-37217-3

Mots-clés: acoustique sous-marine, direction d’arrivée, bruit hybride, apprentissage profond, mixture of experts