Missions

Préparation d'une thèse de doctorat

Activités

L’objectif de cette thèse est de contribuer au développement de nouvelles méthodes de localisation collaborative, aidées par des cartes a priori, capables de gérer l’évolutivité de la carte dans le but d’améliorer la précision et l’intégrité de localisation [1] [2] [3]. Dans ces travaux, la carte sera constituée des bâtiments et sera associée aux mesures de lidars 3D pour localiser les véhicules. La carte a priori peut être obtenue à partir d’OpenStreetMap (OSM), par exemple. La collaboration aura lieu lorsqu’au moins deux véhicules observent les mêmes amers grâce à une communication directe entre eux.

La collaboration entre les véhicules est un élément clé pour améliorer la précision et l’intégrité interne (tolérance aux défauts) et externe (valeur réelle à estimer se trouvant à l’intérieur de l’intervalle de confiance) de leurs localisation grâce aux informations plus nombreuses et redondantes. La collaboration a lieu lorsque deux véhicules observent les mêmes amers et, dans ce cas, une estimation des poses relatives entre les véhicules peut être effectuée de façon indirecte.

Pour limiter au maximum les informations échangées entre les véhicules, on souhaite représenter la carte des bâtiments sous forme des caractéristiques stables qui doivent être robustes aux changements des angles de perception et aux conditions environnementales. Les choix des caractéristiques et des descripteurs d’un nuage de points lidar ont fait l’objet de plusieurs travaux de recherche [4-8]. Dans cette thèse, une attention particulière sera apportée au choix des caractéristiques à extraire après avoir réalisé un état de l’art détaillé des approches existantes et de leurs limitations. Le bon choix des caractéristiques permettra de résoudre plus facilement le problème de l’évolutivité des cartes. En effet, les cartes construites a priori présentent des imperfections qui doivent être prises en compte d’une façon continue au cours du temps. Ainsi, si des caractéristiques sont détectées et non présentes dans la carte, alors elles seront rajoutées et inversement les caractéristiques de la carte qui n’existent plus seront supprimées. Grâce à ces traitements, les capacités d’autonomie peuvent être améliorées en temps réel.

Pour l’architecture de fusion, une préférence sera donnée à une architecture distribuée. Dans ce cas, les véhicules se localisent d’une façon coopérative grâce à une communication directe entre eux (localisation coopérative décentralisée) pour mieux estimer leurs poses et améliorer leurs propres cartes locales constituées seulement d’une partie de l’environnement. Un serveur central se charge de la mise à jour d’une carte globale optimisée mais à fréquence réduite. Cette mise à jour globale de la carte peut se réaliser à travers une approche d’optimisation. L’approche sera basée alors sur une partie filtrage (basée modèle) et une autre sur de l’optimisation (pour la carte globale). L’approche sera basée alors sur une partie filtrage (basée modèle) et une autre sur de l’optimisation (pour la carte globale). En effet, l’utilisation uniquement d’une approche basée filtrage créé des problèmes au niveau de la fusion des cartes et peut conduire à des problèmes d’inconsistance ce qui affecte l’intégrité du système. De même, l’utilisation de toute la carte dans le vecteur d’état peut conduire à une charge calculatoire lourde.

Du point de vue localisation coopérative, deux approches peuvent être envisagées. La première, que nous avons étudiée dans la thèse de Maxime Escourrou, consiste à comparer le nuage de points avec la carte pour générer une observation. Cette approche nécessite le choix d’une observation pertinente et comparable entre les véhicules. Une deuxième approche pouvant être envisagée dans cette thèse consiste en une comparaison jointe des caractéristiques des nuages de points de plusieurs véhicules. L’approche sera alors divisée en deux parties : une partie de comparaison directe avec la carte et une autre entre les véhicules.

Du point de vue de la méthode de fusion de données multi-capteurs, une préférence sera donnée aux méthodes d’estimation bayésiennes comme l’UKF (Unscented Kalman Filter) et le Schmidt Kalman Filter.

En ce qui concerne l’intégrité, chaque robot peut améliorer son estimation d'état grâce aux informations et mesures partagées. Une attention particulière sera accordée à la qualité des informations échangées entre les véhicules pour améliorer la qualité des estimations. Pour limiter au maximum les erreurs, une étape de diagnostic sera ajoutée dans laquelle les seuils seront fixés en se basant sur des approches d’apprentissage. Comme le choix des covariances associées aux bruits de mesures a aussi une influence directe sur l’intégrité, des approches basées sur de l’apprentissage pour régler automatiquement les covariances seront considérées. Cette partie sera étudiée en détail, ainsi que le lien entre l’incertitude de perception et l’intégrité de localisation.

Les tests et évaluations seront réalisés sur les plateformes du laboratoire impliquant trois véhicules équipés de capteurs lidars 3D.

Compétences

Diplôme d’ingénieur et master en robotique et/ou informatique et/ou automatique, bonnes compétences en programmation (Python, C++, matlab). Expérimentation et algorithmes embarqués.

Contexte de travail

Lieu : Laboratoire Heudiasyc, Université de Technologie de Compiègne.
Thèse dans le cadre du laboratoire commun SIVALab (laboratoire commun Renault/Heudiasyc/CNRS).



Possibilité de faire des enseignements à l'UTC


Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.