Vision machine : le pari neuromorphique face aux lumières extrêmes

Voir correctement n’est pas une évidence pour une machine. Une caméra embarquée sur un drone peut perdre des détails dans une rue sombre, être aveuglée à la sortie d’un tunnel ou confondre un obstacle avec le bruit d’une image captée de nuit. C’est précisément ce point faible de la vision artificielle que vise un système neuromorphique présenté comme plus à l’aise dans les éclairages extrêmes, le 4 mars 2025.

L’ambition est importante : permettre à des dispositifs autonomes de continuer à interpréter leur environnement lorsque la lumière devient rare, inégale ou trop intense. La technologie est évoquée pour la surveillance, les drones, les robots d’assistance et, plus largement, les machines qui doivent prendre rapidement des décisions dans le monde physique. Mais il faut distinguer la promesse générale du neuromorphique des performances effectivement démontrées : la présentation initiale ne donne ni protocole de test, ni comparaison chiffrée, ni nom de capteur ou de puce.

Pourquoi l’éclairage extrême perturbe-t-il la vision des machines ?

Pour une caméra classique, une scène est convertie en une succession d’images, ou « frames ». Chaque image résulte d’un compromis d’exposition. Si le temps de pose est court, les zones sombres peuvent manquer de détails. S’il est long, les mouvements créent du flou. Et lorsqu’une partie de la scène est très lumineuse tandis qu’une autre est plongée dans l’ombre, le capteur peut saturer les zones claires ou écraser les zones sombres.

Ces défauts ont des conséquences très concrètes pour les algorithmes de vision :

• un piéton, un câble, une marche ou un autre véhicule peut être moins bien distingué du décor ;
• le bruit électronique, plus visible en faible lumière, peut être pris à tort pour une information utile ;
• les reflets, les phares, les vitrines et les changements soudains de luminosité peuvent dégrader la détection et le suivi d’un objet ;
• la latence du traitement peut devenir problématique lorsqu’un robot ou un drone se déplace vite.

Un système de vision fiable ne consiste donc pas seulement à produire une image agréable à regarder. Il doit extraire les signaux utiles, localiser les objets, estimer leur mouvement et déclencher une réaction suffisamment tôt. Cette exigence explique l’intérêt des approches qui combinent capteurs, traitement embarqué et algorithmes d’apprentissage.

Que signifie exactement « neuromorphique » ?

L’informatique neuromorphique désigne des architectures conçues en s’inspirant de certains principes du système nerveux. L’idée n’est pas de reproduire un cerveau humain, mais de rapprocher le calcul de la manière dont des neurones reçoivent, transmettent et intègrent des signaux. Dans certains cas, l’information est représentée par des impulsions discrètes plutôt que par des calculs continus exécutés sur de grandes images entières.

Dans le domaine visuel, cette logique peut concerner le logiciel, le matériel ou les deux à la fois. Les réseaux neuronaux à impulsions, par exemple, sont des modèles dont les unités s’activent lorsqu’un seuil est atteint. Ils peuvent être associés à des puces spécialisées, conçues pour exécuter ce type de calcul avec une consommation réduite dans certains scénarios.

Une autre piste proche du neuromorphique est la vision événementielle. Au lieu d’enregistrer toute une image à intervalles réguliers, un capteur événementiel peut signaler, pixel par pixel, les changements de luminosité. Un objet qui se déplace, une ombre qui passe ou un phare qui apparaît produit alors des événements exploitables sans qu’il soit toujours nécessaire de traiter une image complète.

Ces notions sont liées, mais elles ne sont pas interchangeables : un système neuromorphique n’utilise pas obligatoirement un capteur événementiel, et une caméra événementielle ne garantit pas à elle seule une compréhension fiable de la scène. La qualité finale dépend de toute la chaîne, du capteur jusqu’au modèle de détection.

Comment cette approche peut-elle aider dans le noir, les reflets ou le contre-jour ?

La promesse centrale est de ne pas traiter tous les pixels avec la même priorité. Dans une scène dynamique, une grande partie du décor reste souvent immobile. Un traitement sélectif peut concentrer les ressources sur les changements significatifs : un obstacle qui entre dans le champ, un mouvement humain, le contour d’un véhicule ou une variation soudaine de l’éclairage.

Pour un drone évoluant en ville la nuit, l’enjeu n’est pas nécessairement d’obtenir une vidéo parfaite. Il est avant tout de repérer à temps un obstacle, une façade, une branche ou une autre machine. Le système décrit dans la présentation initiale vise cette navigation plus fluide dans des conditions où les niveaux lumineux sont insuffisants ou variables.

L’apprentissage automatique intervient à plusieurs niveaux. Des réseaux neuronaux peuvent apprendre à reconnaître des formes et des objets malgré des images dégradées. Des méthodes de décodage et de raffinement peuvent aussi chercher à réduire le bruit ou à renforcer des caractéristiques visuelles utiles. L’intérêt d’une architecture neuromorphique serait alors d’effectuer une partie de ces opérations plus près du capteur et de réagir plus vite aux événements qui comptent.

Cette perspective ne supprime pas les contraintes physiques. Lorsqu’un capteur reçoit trop peu de photons, aucune méthode ne peut créer avec certitude une information absente. L’algorithme peut estimer, filtrer ou combiner plusieurs indices, mais il doit aussi savoir exprimer son incertitude plutôt que produire une interprétation erronée avec excès de confiance.

Des usages concrets, de la navigation à l’assistance

Les domaines cités sont ceux où une erreur de perception peut être coûteuse, voire dangereuse. Les machines y évoluent dans des environnements non contrôlés et ne peuvent pas simplement s’arrêter dès que les conditions lumineuses se dégradent.

Pour les drones, une vision plus réactive pourrait améliorer l’évitement d’obstacles pendant un vol nocturne ou lors d’un passage brutal entre l’ombre d’un bâtiment et une zone éclairée. Pour les robots autonomes, notamment les robots d’assistance, mieux distinguer les objets et les déplacements autour d’eux peut contribuer à une navigation plus sûre dans des espaces complexes.

Les systèmes de sécurité constituent un autre débouché évoqué. Une meilleure lecture d’une scène faiblement éclairée peut aider à détecter une présence ou un mouvement. En revanche, l’affirmation d’une reconnaissance d’identité « fiable » exige une prudence particulière. L’identification biométrique dépend non seulement de la luminosité, mais aussi de l’angle de prise de vue, de la qualité de l’optique, des données d’entraînement, des taux d’erreur et des règles d’utilisation. Une amélioration du capteur ne résout pas, à elle seule, les questions de vie privée, de biais et de proportionnalité.

Dans les véhicules autonomes et les systèmes d’aide à la conduite, la vision ne peut par ailleurs pas reposer sur un unique capteur. Caméras, radars, lidars et autres instruments peuvent se compléter, car chacun possède ses faiblesses face à la pluie, au brouillard, aux surfaces réfléchissantes ou à l’obscurité. Le neuromorphique pourrait enrichir cette fusion de capteurs, mais ne constitue pas une garantie autonome de sécurité.

Des promesses énergétiques qui doivent être mesurées

L’efficacité énergétique est un argument fréquemment associé au neuromorphique. Une machine qui ne calcule que lorsqu’un changement utile survient peut, en théorie, éviter une partie des opérations répétitives. C’est particulièrement attractif pour les drones, les robots mobiles et les objets alimentés sur batterie, où chaque watt consommé réduit l’autonomie ou augmente les besoins de refroidissement.

Il serait toutefois imprudent d’en déduire une baisse automatique de la consommation. Le bilan dépend du type de capteur, de la puce utilisée, de la fréquence des événements, de la taille du modèle, des échanges de données et de la nécessité éventuelle d’envoyer des informations vers un serveur distant. Un système peut être sobre lors de scènes peu animées et perdre cet avantage dans un environnement très chargé.

La présentation initiale évoque aussi de possibles « phosphores écoénergétiques » et des architectures hybrides. Faute de précisions sur les matériaux, composants ou prototypes concernés, cette formulation ne permet pas d’en tirer une conclusion technique. Les architectures hybrides, en revanche, correspondent à une tendance crédible de la recherche : associer plusieurs types de capteurs et de calculs afin de confier à chaque composant la tâche qu’il accomplit le mieux.

Ce que l’annonce permet d’affirmer, et ce qu’elle ne documente pas

Le sujet souligne une direction de recherche solide : rendre la perception des machines plus robuste lorsque l’éclairage est difficile. Les applications mentionnées, des drones aux robots et à la surveillance, correspondent à des besoins réels de la vision embarquée. Il est également cohérent que les progrès reposent sur des collaborations entre neurosciences, informatique, électronique et robotique.

Mais une évaluation scientifique ou industrielle sérieuse demanderait davantage d’éléments. Pour juger l’apport du système, il faudrait notamment connaître :

• les scènes utilisées pour les tests, de nuit, en contre-jour ou à forte dynamique lumineuse ;
• les objets à détecter et les indicateurs retenus, comme la précision, le taux de faux positifs ou la latence ;
• la comparaison avec une caméra et un modèle conventionnels de référence ;
• la consommation mesurée sur un matériel identifié ;
• la capacité du dispositif à fonctionner hors des conditions sur lesquelles il a été entraîné.

L’absence de ces données dans la présentation initiale ne prouve pas qu’elles n’existent pas. Elle signifie simplement que les lecteurs ne disposent pas, à ce stade, des informations nécessaires pour quantifier le gain annoncé. Entre une démonstration de laboratoire et un équipement déployé sur le terrain, il reste souvent des étapes de miniaturisation, de fiabilisation et de certification.

Pourquoi les compétences et la coopération entre disciplines comptent

Le développement de tels systèmes dépasse le cadre d’un seul algorithme. Concevoir un capteur adapté, fabriquer une puce, entraîner un réseau, intégrer le tout dans un robot et vérifier son comportement en situation réelle mobilisent des compétences distinctes. Les neurosciences peuvent nourrir de nouvelles hypothèses de calcul, l’électronique doit les traduire en matériel robuste, tandis que l’informatique élabore les méthodes d’apprentissage et d’évaluation.

Cette interdisciplinarité pose également un défi de formation. Les ingénieurs appelés à travailler sur le neuromorphique devront comprendre à la fois les contraintes physiques des capteurs, les compromis énergétiques du calcul embarqué et les limites statistiques des modèles. Les institutions académiques et les entreprises ont donc un rôle à jouer pour former ces profils et transformer les prototypes en outils réellement utiles.

Ce qu’il faut surveiller avant de parler de rupture

La vision neuromorphique ouvre une piste prometteuse pour les machines confrontées aux zones sombres, aux reflets et aux changements lumineux rapides. Son succès ne se mesurera cependant pas à la seule qualité d’une démonstration visuelle. Il dépendra de résultats reproductibles, de comparaisons équitables avec les solutions existantes et de performances maintenues dans des environnements variés.

Les prochains éléments déterminants seront les mesures de précision dans des scènes difficiles, la latence réelle de bout en bout, l’autonomie obtenue sur batterie et la facilité d’intégration aux systèmes actuels. Il faudra aussi observer la manière dont les concepteurs traitent les erreurs, l’incertitude et les usages sensibles, en particulier lorsque la technologie sert à surveiller ou à identifier des personnes. C’est à ces conditions que l’inspiration du cerveau pourra devenir un progrès tangible pour la vision des machines.