Surveiller les antennes-relais par drone : comment automatiser la saisie des données du site grâce à l'IA dans le métaverse

Les antennes-relais sont les structures fondamentales des réseaux cellulaires où sont installés les antennes et les équipements de communication électrique. Ericsson, l'un des principaux acteurs du secteur des télécommunications sans fil, a développé diverses méthodes et pratiques pour rendre le déploiement et la maintenance de ces sites plus rapides, moins coûteux et plus sûrs. 

Dernièrement, la sécurité a été un sujet particulièrement clé en raison des risques de blessures encourus par les équipes sur le terrain qui grimpent sur de hautes tours pour les dépanner et recueillir des données.  Pour atténuer les risques résiduels, Ericsson a introduit en 2018 la solution Intelligent Site Engineering (ISE), où un drone caméra photographie les équipements sur le pylône et les transmet aux experts en inspection visuelle dans un bureau à distance. Afin de faciliter leur perception de la disposition spatiale, ISE fournit également des nuages de points des tours.

Le prochain défi concernant les tours est la gestion des actifs à grande échelle. La saisie des données sur site étant manuelle et fragmentée en termes de formats de données et d'emplacements, les fournisseurs de services de communication (CSPs) et les sociétés d'exploitation de tours (TowerCos) sont confrontés au problème des données isolées ou inexactes, qui obligent les travailleurs à se déplacer et à remonter.

La difficulté de la gestion du cycle de vie des sites s'intensifie lorsqu’elle se combine à l'ampleur de ce problème : en 2022, il y avait environ 150 000 antennes-relais aux États-Unis.  Pour relever ce défi, Ericsson a proposé en 2022 un jumeau numérique de site (ESDT) englobant des sources de données modernes telles que les drones et les modèles de CAO, combinés à la solution BIM (Building Information Modelling).

Si des informations exhaustives sur la topologie du site et les actifs sont disponibles pour une antenne-relais donnée dans l'ESDT, il est possible de simuler tout changement nécessaire et son effet respectif avant d'envoyer un camion et d'économiser ainsi le coût d'un éventuel remaniement, ce qui revient à "apporter le planificateur de cuisine IKEA au secteur des télécommunications". Pour atteindre cet objectif à l'échelle mondiale en incluant tous les sites existants, il est essentiel de disposer d'un outil automatisé pour créer un modèle 3D granulaire de la topologie du site et du catalogue des ressources dans un format compatible avec le BIM/ESDT. 

C'est pourquoi GAIA Silicon Valley, en collaboration avec Ericsson MANA, a mis au point l'outil Virtual Network Roll-Out (VNRO), qui constitue la nouvelle génération de saisie des données de site, évolutive et exempte d'erreur humaine.

VNRO pour le modèle de tour basé sur les pièces

Dans le domaine de la photogrammétrie, de nombreuses techniques de vision par ordinateur ont été proposées pour reconstruire une représentation 3D d'une cible physique à partir de ses photos. Au cours de la longue histoire de la géométrie à vues multiples, les scientifiques ont développé plusieurs outils open-source (par exemple COLMAP) et commerciaux (tels que l'API de capture d'objets d'Apple) capables de générer des nuages de points à l'aide d'algorithmes tels que Structure-from-Motion (SfM) et Multi-View Stereo (MVS).

Cependant, étant donné qu'un tel nuage de points est une représentation entière du corps des surfaces cibles sans la structure interne, nous devons détecter, segmenter et identifier les composants dans le nuage de points pour créer un modèle basé sur les pièces qui soit applicable à la simulation et à la gestion des actifs. La question de la qualité du nuage de points constitue un vrai défi dans sa segmentation en composants significatifs. De nombreux facteurs - mauvais éclairage, coordonnées GPS fluctuantes et informations erronées sur les caméras, pour n'en citer que quelques-uns - affectent la qualité. Même le nuage de points le plus performant peut contenir du bruit ("flou") et des points mal alignés, ce qui rend l'analyse des composants difficile.

Pour résoudre ces problèmes à grande échelle, GAIA Silicon Valley a développé les techniques suivantes :

1. Évaluation automatique de la qualité du nuage de points
   Nous devons détécter et exclure les nuages de points corrompus avant le démarrage du pipeline VNRO, sinon l’analyse des composants est vouée à l’échec. La détection des nuages de points défectueux par observation humaine n’est pas une option réalisable pour traiter des centaines de milliers d’ensembles de données de site, c’est pourquoi GAIA a développé un outil léger pour mesurer la qualité des nuages de points en comparant la trajectoire reconstruite des positions de la caméra et la trajectoire GPS du drone. S’il y a un écart important entre les deux trajectoires, cela implique qu’un ou plusieurs facteurs fondamentaux sont faussés : par exemple, une caméra extrinsèque défaillante ou une erreur GPS temporaire.
2. Segmentation d'instances 3D dans un nuage de points
   Segmenter un nuage de points en groupes de points par composant n'est pas un défi trivial, surtout si les composants sont placés de manière dense sur le port de la tour.  Le regroupement ne peut fonctionner que si le nuage de points est clair et que ses composants sont placés de manière diffuse. Compte tenu de la qualité moyenne des nuages de points disponibles, GAIA a utilisé la co-segmentation 2D-3D en créant un cube de délimitation 3D à partir de plusieurs boîtes de délimitation 2D qu'un détecteur d'objets 2D génère pour la segmentation initiale des points 3D.
3. Génération de modèles maillés en fonction des composants
   Afin d'être importé dans des outils d'analyse de structure (tels que Revit) pour la simulation ou dans des BIM pour la gestion, chaque groupe de points doit être traduit en un modèle maillé avec le bon identifiant de modèle qui inclut les propriétés nécessaires. En exploitant les connaissances préalables sur les composants d'intérêt, nous générons un modèle maillé approximatif de cube (antenne, RRU et TMA) ou de cylindre (barres de montage) qui suffit à estimer la dimension, la position et l'orientation des composants. La position (dans tel ou tel secteur) et l'orientation (azimut, inclinaison mécanique et aplomb) de l'antenne, par exemple, sont essentielles à l'inspection du site car ce sont des facteurs dominants pour déterminer la couverture radio de l’antenne-relais. Si le composant est identifiable par son ID de modèle, le modèle estimé peut être remplacé par le modèle CAO le plus précis d'un fournisseur.

La figure 1 ci-dessous est un exemple de page du rapport d'analyse généré par le pipeline VNRO pour une antenne-relais américaine. La figure montre la disposition spatiale de douze antennes avec leurs identifiants de secteur et leurs orientations respectives.

Figure 1 : Exemple de rapport généré par le VNRO.

Le Neural Radiance Field (NeRF), un nouvel espoir

Au cours des deux dernières années, dans le domaine de la vision par ordinateur, une nouvelle technologie appelée Neural Radiance Field (NeRF) a rapidement fait son apparition comme moyen alternatif de créer une représentation 3D à l'aide de réseaux neuronaux profonds ou équivalents.

Bien que le NeRF n'ait pas été conçu à l'origine pour générer directement des nuages de points ou des maillages, c’est en adoptant plusieurs variantes rapides du NeRF avec quelques modifications que nous avons amélioré à la fois la qualité des nuages de points et le débit de traitement. En conséquence, pour chaque site, le temps de traitement est passé de plusieurs heures à moins d'une heure, tout en conservant une meilleure netteté et une robustesse raisonnable de l'environnement. Une proportion significative de sites où COLMAP a échoué a été restaurée en appliquant NeRF.

La vidéo 1 montre une séquence temporelle de la progression de la formation NeRF pour l'une des antennes-relais d'Ericsson. Vous verrez l'amélioration progressive de la résolution spatiale au fil du temps.

Vidéo 1 : Time lapse de la formation NeRF pour l'une des antennes-relais en Amérique du Nord. L'horodatage en bas à droite suit le format [minute : seconde].

En tirant parti de cette technologie en évolution rapide, nous prévoyons une meilleure granularité de nos modèles de tours basés sur les pièces, jusqu'aux plus petites pièces telles que les câbles ou les connecteurs, ce qui pourrait conduire à des modèles suffisamment détaillés pour l'analyse structurelle.

Création d'un catalogue d'actifs

Le dernier défi de la gestion des actifs est d'identifier chaque modèle de dispositif pour vérifier si tous les composants sont installés comme étant enregistrés. Parmi les différents dispositifs de la tour, l'antenne est le composant le plus important pour déterminer les caractéristiques de la cellule : si nous connaissons le modèle de l'antenne, nous pouvons effectuer une simulation radio plus précise en important ses propriétés radio connues.

Cependant, l'identification des modèles d'antennes n'est pas une tâche facile car elle implique de choisir parmi des milliers de modèles qui se ressemblent beaucoup (il est particulièrement difficile pour les novices de faire la différence sur la base de l'apparence), sans parler de la liste des fournisseurs qui change constamment. La préférence naturelle accordée à quelques modèles populaires dans les images d'entraînement pose un problème supplémentaire de déséquilibre grave pour les praticiens de l'apprentissage automatique.

Pour résoudre ces problèmes, GAIA a décidé d'adopter une approche qui consiste à utiliser une recherche visuelle dans le contexte de l'apprentissage métrique. Une combinaison fine du transformateur visuel en tant qu'incorporateur, des voisins les plus proches (ANN) et des techniques d'échantillonnage pour l'apprentissage actif a contribué à un résultat d'autotest prometteur montrant que notre identificateur de modèle d'antenne a obtenu un score F1 de 0,93 pour 200 candidats.  Un autre test de mesure de la précision des voisins les plus proches de k a révélé une distribution stable et cohérente du score F1 pour k = 1, 2 et 3, ce qui implique son adaptabilité à des milliers de modèles.

Figure 2 : Visualisation de plusieurs modèles d'antennes dans l'espace d'incorporation.

Conclusion

GAIA Silicon Valley propose une capture de données de site entièrement automatisée pour créer un jumeau numérique fonctionnel d'une antte-reais à partir d'images de drones en utilisant des technologies modernes de vision par ordinateur. Le modèle de tour basé sur les pièces généré par VNRO contribuera à l’expansion du BIM/ESDT en accélérant la modélisation des sites existants et en soutenant une inspection et une maintenance plus rapide des sites 5G et autres sur le terrain.  Cette saisie efficace des données du site réduira également les déplacements de camions et les ascensions de tours, contribuant ainsi à réduire l'empreinte carbone.

En savoir plus

En savoir plus sur le jumeau numérique de site Ericsson

Exploiter les drones et appliquer l'IA à la gestion des sites de radiocommunication mobile.

Remerciements : Nous remercions tout particulièrement les membres de l'équipe de GAIA Silicon Valley qui ont contribué à ce projet : Michael Siemon, Aditya Shah, Qing Wang, Wanlu Lei et Aviv Bachan.