• Aucun résultat trouvé

randn() est la fonction, sous Matlab, permettant de générer une valeur aléatoire en suivant une distribution gaussienne de moyenne nulle et d’écart-type 1. Nous considérons que la précision est la même suivant les deux axes du repère.

Suivi de cibles par filtrage de Kalman Enfin, un processus de suivi multi-objets, mono-capteur est mis en œuvre en utilisant les données bruitées comme mesures du capteur. Le processus est basé sur un filtre de Kalman linéaire avec un modèle de mouvement à vitesse constante. L’algorithme d’association de données utilisé est l’algorithme du plus proche voisin classique, basé sur la distance de Mahalanobis.

L’écart-type des mesures correspond à xstd (équation 2.6) et nous avons adopté un

bruit de modèle arbitraire. La sortie du processus est donc un ensemble de pistes correspondant aux véhicules simulés avec chacun leur identifiant et une estimation de leur position et de leur vitesse dans le repère fixe de simulation. Lorsque le capteur est défini très précis, les bruits générés sont faibles et les estimations des paramètres mesurés peuvent être assez correctes. Inversement, si le capteur simulé est peu précis, les estimations sont mauvaises et le suivi d’objets peu être très erroné. Dans tous les cas, l’objectif ici n’est pas d’effectuer un filtrage parfait qui rend, en sortie, la vérité terrain simulée mais de reproduire les erreurs probables du capteur simulé. Notamment, le manque de précision, les permutations d’identifiants, les pertes de cibles, etc.

2.5 Conclusion

Dans ce chapitre, nous avons présenté le système d’aide à la conduite dans sa glo-balité en présentant chaque composante principale ainsi que leurs fonctionnements respectifs de façon macroscopique. Le Système de Perception permet d’obtenir une représentation en temps-réel de l’environnement dans lequel évolue l’égo-véhicule. Le Module d’Analyse de Scène analyse cet environnement afin d’évaluer le risque de collision vis-à-vis des objets pertinents. Enfin, le Module de Décision détermine une trajectoire d’évitement de collision lorsque le risque de collision est important. Les flux de données entre les entrées du système et ses sorties ont été expliqués et nous avons vu les interactions entre les 3 composantes principales. Dans les cha-pitres suivants, nous allons aborder plusieurs problématiques liées aux tâches de chaque composante. La question du repère de travail, qui concerne la plupart de ces tâches a été abordée en détails. En effet, le choix d’un repère de travail égo-centré ou halo-centré est une question qui mérite débat en ce qui concerne le suivi d’objets car les deux approches ont chacune des avantages et des inconvénients notables. Finalement, la décision s’est portée sur un repère halo-centré au vu des considéra-tions imposées par les Modules d’Analyse de Scène et de Décision. Dans les suite de ce mémoire, les différentes approches choisies pour répondre aux diverses probléma-tiques abordées vont être évaluées et les résultats seront analysés. Pour ce faire, nous

avons utiliser des outils d’expérimentation qui ont été décrits. Notamment, un vé-hicule expérimental équipé d’équipements perception, d’une chaine d’acquisition de données et de moyens calculs et un simulateur de données qui permet de s’affranchir de certaines limitations matérielles.

Chapitre 3

Fusion de pistes de capteurs de

modalités différentes

3.1 Introduction

Le suivi d’objets consiste à identifier au cours du temps, les objets détectés, tout en maintenant à jour leurs états respectifs. A chaque objet suivi correspond une piste. L’état d’une piste est un vecteur contenant une estimation des valeurs d’un ensemble de paramètres utiles comme la position de l’objet, sa vitesse, son accélération etc. L’opération est basée sur l’utilisation d’un ou de plusieurs capteurs qui détectent les objets dans leur champ de perception et mesurent certains paramètres, suivant leur principe de fonctionnement. Le suivi d’objets est dit multimodal si les capteurs sont de types différents (radar, caméra, lidar, etc.). Les mesures obtenues d’un capteur sont généralement biaisées, imprécises et incomplètes par rapport à la réalité. Il est nécessaire d’exprimer cette incertitude en déterminant la matrice de covariance d’erreur d’estimation de l’état de la piste. La fusion de données consiste à combiner les données de plusieurs capteurs pour obtenir un résultat potentiellement plus juste, plus certain et plus complet. Les capteurs automobiles récents sont souvent équipés d’un calculateur qui effectue un suivi de cible (mono-capteur) dans leur champ de perception. Les données reçues des capteurs sont alors déjà des pistes et il s’agit de fusionner ces pistes locales pour obtenir lespistes globales du système. Les avantages à utiliser plusieurs capteurs sont nombreux. Notamment, le champ de perception global est potentiellement plus large, ce qui permet de faire une détection plus tôt des objets. La redondance de capteurs permet d’obtenir des informations plus précises et plus fiables. La variété des principes de mesures des capteurs donne la possibilité d’obtenir des informations complémentaires sur les objets. Les capteurs ont parfois des non-détections ou au contraire, détectent des objets fantômes ; la fusion de données permet également d’identifier ces cas, respectivement appelés, faux négatifs et faux positifs.

Toutefois, la fusion de pistes multi-capteur multimodale soulève aussi de nombreux problèmes à résoudre. D’un point de vue pratique d’abord, les capteurs fonctionnent de façon indépendante et ont leur propre repère de mesure ; il faut alors opérer un

alignement temporel et un alignement spatial de leur données avant de les fusion-ner. Ils ont également des fréquences d’échantillonnage différentes et leur données sont reçues de façon asynchrone. La gestion de l’asynchronisme des capteurs est une tâche cruciale car l’étape d’association de données, par exemple, requiert que les données associées soient parfaitement synchrones afin que la fusion conserve sa cohérence temporelle. Dans une application multi-capteur, le choix de l’architecture générale de traitement des données peut influer sur les résultats. Une discussion sur ce sujet est proposée dans [Liggins et al., 2008b, Blackman and Popoli., 1999c]. On distingue principalement les architectures distribuée, centralisée et hybride. Dans le contexte de cette thèse, tous les capteurs utilisés disposent d’un module de traite-ment qui effectue un suivi d’objets local. Les pistes locales sont ensuite fusionnées pour obtenir des pistes globales. Il s’agit alors d’une architecture distribuée, avec une gestion centralisée des pistes globales (figure 3.1). L’étape d’association de pistes sert à déterminer les pistes locales qui seront utilisées pour mettre à jour l’état de chaque piste globale. Les erreurs d’association peuvent causer des conséquences très néfastes car cette étape prédétermine la précision et l’intégrité du résultat final par rapport à la réalité de la scène observée. La connaissance des états passés des pistes locales représente un avantage exploitable pour minimiser le nombre d’erreurs asso-ciation. Dans un processus de fusion haut niveau (fusion de pistes), les pistes locales fusionnées sont issues de filtres différents mais qui pistent les mêmes objets, dans les zones de redondance. Dans [Bar-Shalom, 1981] il est démontré que dans ces condi-tions, il peut exister une corrélation entre les données des filtres. Lors de la mise à jour des pistes globales, il faut tenir compte de cette corrélation car les ignorer suppose une indépendance des données, ce qui conduit à un résultat sur-confiant. Afin que les faux positifs et faux négatifs des capteurs aient peu voire pas d’impact sur le résultat global, il est nécessaire, outre la gestion de la précision des données, de mettre un point un mécanisme qui gère le niveau de confiance en l’existence de chaque piste globale.

Ce chapitre présente plus en détails les problématiques citées dans le paragraphe précédent. Nous rapportons des solutions trouvées dans la littérature ainsi que celles que nous avons proposées.

KďƐĞƌǀĂƚŝŽŶƐ ůŽĐĂůĞƐ WƌĠĚŝĐƚŝŽŶƐ Ě͛ĠƚĂƚůŽĐĂůĞƐ ƐƚŝŵĂƚŝŽŶƐ Ě͛ĠƚĂƚ ůŽĐĂůĞƐ ƐƐŽĐŝĂƚŝŽŶ ůŽĐĂůĞĚĞ ĚŽŶŶĠĞƐ ^LJŶĐŚƌŽŶŝƐĂƚŝŽŶ ĚĞƐĚŽŶŶĠĞƐ ƐƐŽĐŝĂƚŝŽŶƐĚĞƐ ƉŝƐƚĞƐůŽĐĂůĞƐ WƌĠĚŝĐƚŝŽŶƐ Ě͛ĠƚĂƚŐůŽďĂůĞƐ ƐƚŝŵĂƚŝŽŶƐ Ě͛ĠƚĂƚ ŐůŽďĂůĞƐ 'ĞƐƚŝŽŶĚĞůĂ ĐŽŶĨŝĂŶĐĞĚĞƐ ŽďũĞƚƐ ĂƉƚĞƵƌƐ WŝƐƚĞƐ ůŽĐĂůĞƐ ^ƵŝǀŝĚ͛ŽďũĞƚƐ ůŽĐĂů ^ƵŝǀŝĚ͛ŽďũĞƚƐ ŐůŽďĂů WŝƐƚĞƐ ŐůŽďĂůĞƐ ŽŶĨŝĂŶĐĞ ĚĞƐƉŝƐƚĞƐ ŐůŽďĂůĞƐ