Association de données

L’absence d’expérimentations pour le SLAM multivéhicule est aussi liée à la difficulté de construire un algorithme d’association de données suffisamment robuste pour fonctionner avec des amers provenant de plusieurs sources. Celui-ci a pour but de lier les cartes des différents véhicules et d’affiner globalement la localisation de la flotte. Utiliser uniquement des descripteurs avec une corrélation est loin d’être assez restrictif et entraînerait de nombreuses erreurs d’associations. De plus, la bande passante étant limitée, les images mêmes ne peuvent être échangées. Le fait que les positions relatives des véhicules ne soient pas forcément connues complique encore plus la tâche du processus d’association de données.

Bien que cruciale, l’association de données dans un contexte multivéhicule n’est souvent pas considérée. En effet, il est fréquent que le problème soit évité en fournis- sant les distances séparant les différents robots de la flotte au début de la trajectoire. C’est le choix qui a été fait dans [Burgard et al. 2005] et [Nettleton et al. 2006]. Malheureusement, une telle décision limite les applications potentielles du SLAM

multivéhicule. Une approche différente mais avec des limitations semblables est dé- crite dans [Zhou & Roumeliotis 2006]. Dans celle-ci, il est question de définir un point de rendez-vous vers lequel tous les véhicules vont converger. Ainsi, ils au- ront la possibilité de s’observer directement afin de pouvoir mesurer leurs distances relatives.

Parmi les processus d’association de données prévus pour des applications à plusieurs véhicules, nous pouvons citer [Thrun & Liu 2003]. Dans cet article, les auteurs proposent d’analyser l’entourage de chaque amer afin de trouver des as- sociations. Pour cela, les 3 amers les plus proches sont considérés. Des mesures de distances et d’angles sont ainsi établies. Grâce à celles-ci, il est possible de re- chercher un amer provenant d’un autre véhicule partageant la même configuration. Cette étape est ici accomplie en explorant un arbre de possibilités et en gardant la meilleure correspondance trouvée. Le principal problème de cette méthode est qu’elle requiert que des amers cartographiés par des véhicules différents partagent le même voisinage (les 3 mêmes amers les plus proches). En fonction des capteurs utilisés, de l’environnement ou encore de l’orientation du véhicule au moment de la cartographie, ces suppositions sont difficiles à satisfaire. De manière similaire, dans [Cunningham & Dellaert 2012], les amers sont également regroupés par 3. Une tri- angulation de Delaunay est ensuite appliquée afin d’obtenir une carte unique. Les périmètres et aires de ces triangles sont ensuite fournis à un algorithme de RANSAC qui a pour but de trouver la meilleure correspondance entre 2 cartes provenant de 2 robots différents. Malheureusement, cette approche souffre du même problème que celle évoquée précédemment : elle s’appuie sur le fait que les mêmes amers seront cartographiés par deux véhicules passant approximativement au même endroit.

Les travaux de Li et al. [Li & Nashashibi 2012a][Li & Nashashibi 2012b] pro- posent une méthode originale pour résoudre le problème du positionnement initial des véhicules. Il s’agit de mettre en correspondance les cartes de différents robots. Pour ce faire, une représentation sous forme de grille d’occupation est utilisée. Un premier a priori quant à la localisation relative est fourni à l’aide d’un GPS bas coût, ce qui permet de contraindre l’erreur de positionnement à une dizaine de mètres. Ensuite, les grilles sont données à un algorithme génétique qui se charge de trou- ver le meilleur alignement possible entre les deux cartes. Il est ensuite possible de remonter à la position relative des véhicules. Néanmoins, cette solution est difficile- ment applicable dans notre cas puisque l’algorithme proposé s’appuie avant tout sur le fait qu’un capteur de distance est disponible. En effet, avec une unique caméra, construire une grille d’occupation qui soit suffisamment caractéristique est une tâche difficile.

Les algorithmes d’association de données capables de résoudre le problème du ro- bot kidnappé (localiser un robot perdu à partir d’une carte et d’observations), même s’ils n’ont pas été développés pour des applications multivéhicules, sont intéressants. Trouver où se situe un robot dans une carte à partir d’un ensemble d’observations est très proche de notre problème, à savoir reconnaître des endroits explorés par d’autres robots. La méthode de JCBB [Neira & Tardós 2002], mentionnée en sec- tion 3.4 pour l’association de données monovéhicule, serait également envisageable

dans un contexte multirobot si les distances relatives étaient approximativement connues à l’avance. En effet, sans cette connaissance, cela signifie que les véhicules ne sont pas précisément localisés dans le repère commun et sont donc affublés d’in- certitudes importantes. Ainsi, trouver des associations globalement compatibles du point de vue de la covariance n’est en rien discriminant.

Une alternative est le Geometric Constraints Branch and Bound (GCBB) pré- senté dans [Neira et al. 2003]. L’idée est de définir des contraintes géométriques entre des paires d’amers issus de la carte et des observations. Si deux observations partagent une caractéristique commune avec deux amers (distance les séparant par exemple) alors une association est possible. Bien évidemment, plus de 2 observa- tions validant une contrainte seront nécessaires pour assurer une correspondance. Pour cela, un arbre des paires possibles est établi et exploré. À la fin, le sous- ensemble de correspondances le plus probable est retourné. L’avantage principal de cette méthode est que les contraintes géométriques sont robustes dès lors qu’elles sont validées par un ensemble d’amers, ce qui est le cas ici. L’algorithme de GCBB peut facilement être adapté à des associations entre véhicules. Pour cela, il suffit simplement de considérer les amers d’une seconde carte plutôt que des observations. Le deuxième aspect intéressant de cette approche est que seulement quelques amers doivent être communs entre deux cartes pour trouver une correspondance viable. L’algorithme récursif du GCBB est présenté en figure 5.4.

L’étude de la littérature montre que des palliatifs aux différents points soulevés existent. Néanmoins, le SLAM multivéhicule semble manquer d’une solution unifiée permettant de résoudre tous les problèmes à la fois. Peu d’approches ont donc pu être testées dans des conditions réelles. La section suivante va présenter une solution au problème du SLAM décentralisé traitant les aspects clefs évoqués ici.