fr.wedoany.com Rapport : Une équipe de recherche a proposé un réseau de démodulation et de débruitage synchrone en temps réel pour les signaux de détection acoustique répartie par fibre optique (DAS) basé sur l’architecture Transformer, appelé DASformer, permettant d’atteindre une résolution spatiale submétrique et une capacité de traitement en temps réel, offrant ainsi une voie technologique pour les systèmes de perception intelligents dans les scénarios à réponse rapide.
La technologie de détection acoustique répartie par fibre optique (DAS) utilise les fibres de communication comme capteurs pour une surveillance longue distance et continue des signaux de vibration ou acoustiques. Cette technologie est déjà appliquée dans des domaines tels que la recherche géophysique, la sécurité des infrastructures et le transport intelligent. Avec l’extension des scénarios d’application vers des domaines exigeant une plus grande rapidité d’information, comme la surveillance du trafic urbain et la localisation de sources sonores par drones, la pression de traitement des données des systèmes DAS ne cesse d’augmenter. Ces scénarios exigent non seulement une capture en temps réel des événements dynamiques (tels que le suivi de trajectoires de véhicules ou l’identification d’intrusions), mais aussi une extraction rapide d’informations décisionnelles à partir de données de détection massives. Les méthodes de démodulation de phase traditionnelles, bien qu’elles puissent restaurer les signaux de perturbation, dépendent de la division artificielle des bandes de fréquences pour supprimer l’évanouissement d’interférence, ce qui augmente la charge de calcul et réduit la résolution spatiale. En cas de fortes contraintes, le déroulement de phase basé sur le critère d’Itoh est sujet à des erreurs cumulatives, entraînant une distorsion du signal. De plus, les méthodes traditionnelles rencontrent des goulots d’étranglement en efficacité de calcul lors du traitement de données DAS massives, et leur flux de traitement peine à répondre aux exigences de faible latence et de haut débit des systèmes de perception intelligents en temps réel, limitant ainsi leur application dans les scénarios à réponse rapide.
Pour résoudre ces problèmes, l’équipe de recherche a proposé un réseau de démodulation et de débruitage synchrone en temps réel basé sur l’architecture Transformer (DASformer). Ce réseau adopte une structure purement encodeur pour traiter de bout en bout les signaux bruts de rétrodiffusion Rayleigh, produisant directement des signaux de phase différentielle démodulés et débruités, évitant ainsi l’accumulation d’erreurs due au déroulement de phase des méthodes traditionnelles. Dans la conception structurelle, DASformer améliore la capacité de restitution des détails de perturbation dans les résultats de démodulation grâce à un mécanisme d’attention multi-échelle et à un décalage empilé des modules d’extraction de caractéristiques. Parallèlement, un apprentissage supervisé basé sur un ensemble de données entièrement simulé selon un modèle physique permet au réseau de supprimer simultanément divers bruits et évanouissements d’interférence pendant la démodulation. Grâce à l’avantage de calcul parallèle de Transformer, ce réseau atteint une résolution spatiale submétrique et une démodulation-débruitage en temps réel, fournissant des signaux d’entrée de haute qualité pour les modules de décision intelligents en aval.
Les principales innovations de ce réseau incluent : l’utilisation d’une architecture purement encodeur Transformer pour la démodulation de phase des signaux DAS, produisant directement des signaux de phase différentielle de bout en bout ; la conception d’un module d’attention double à patchs décalés (Shifted-PDA), qui combine un mécanisme d’attention multi-échelle intra-patch et inter-patch avec un décalage cyclique de la fenêtre d’auto-attention pour réaliser un échange d’informations inter-fenêtres, fusionnant efficacement les caractéristiques locales et les dépendances globales, tout en introduisant une couche LeFF avec convolution séparable en profondeur le long de l’axe spatial pour remplacer le réseau feedforward traditionnel, renforçant ainsi la capacité de représentation des variations de phase continues ; un apprentissage supervisé basé sur un ensemble de données entièrement simulé (50 000 canaux de fibre optique bruts), avec une augmentation des données par une méthode de renforcement par copies de perturbations aléatoires, entraînant le réseau à supprimer le bruit aléatoire, le bruit de phase cumulatif et l’évanouissement d’interférence, et exploitant l’avantage de calcul parallèle de Transformer pour atteindre finalement une résolution spatiale submétrique et un traitement en temps réel des flux de données DAS à haute vitesse.
Lors d’expériences sur le terrain, les chercheurs ont utilisé deux types de câbles à fibres optiques de détection : « câble posé sur la chaussée » et « câble de communication enterré ». Grâce au câble enterré pour un positionnement initial et à des expériences de lancer de balles dans un environnement calme de nuit, les performances de la nouvelle méthode ont été comparées à celles de la méthode traditionnelle de déroulement de phase. Les résultats montrent que, en termes de suppression du bruit, la nouvelle méthode a amélioré de 4,6 dB par rapport à la méthode traditionnelle. Ensuite, le câble posé sur la chaussée a été utilisé pour une surveillance en temps réel des signaux de circulation sur le campus (signaux de véhicules, signaux de piétons). Sur certaines sections où le câble était mal couplé au sol, la nouvelle méthode a pu distinguer clairement les deux trajectoires produites par les roues avant et arrière des véhicules, tandis que les résultats de démodulation de la méthode traditionnelle sur ce canal étaient mélangés en raison d’une détérioration de la résolution spatiale, confirmant ainsi la résolution spatiale submétrique du réseau. Dans une comparaison d’efficacité de calcul, par rapport à la méthode de traitement de signal traditionnelle (algorithme de démodulation de phase basé sur l’extraction de sous-bandes, SPEA) et au réseau d’apprentissage profond basé sur CNN SEED-Net, la nouvelle méthode a montré une latence de calcul moyenne et une charge de calcul plus faibles, démontrant l’efficacité de traitement de données plus élevée apportée par l’avantage de calcul parallèle de l’architecture Transformer.
