La deuxième section de cet état de l’art concerne les techniques récentes d’association de données ba- sées sur la vision qui permettent d’améliorer les performances du populaire filtre de Kalman étendu avec des capacités avancées de détection de fermeture de boucle. Par exemple, les auteurs de [Lemaire et al., 2007] proposent une méthode simple pour la détection de fermeture de boucle qui repose sur l’estimation de la position. Les amers de la carte dont le point de vue est à une certaine distance de la position actuelle- ment estimée pour la caméra sont régulièrement appariés avec l’image courante. Si un nombre significatif de correspondances est trouvé, la localisation géométrique de la caméra est mise à jour en fonction des po- sitions de ces amers. Ces travaux ont par ailleurs été adaptés [Lemaire and Lacroix, 2007] au cadre de la vision panoramique. Dans un contexte similaire, les auteurs de [Frintrop and Cremers, 2007] reposent sur une approche semblable pour la détection de fermeture de boucle, en employant toutefois un mécanisme d’attention visuelle pour prédire l’occurrence d’amers de la carte dans l’image courante. La solution propo-
sée implémente une stratégie “descendante” pour faire cette prédiction (voir section 1.3.1 du chapitre 1 de la partie I).
Dans les approches mentionnées ci-dessus, c’est la simple observation d’amers de la carte perçus initia- lement lors d’un passage antérieur en un lieu donné qui permet de retrouver une localisation correcte pour la caméra. La solution développée dans [Clemente et al., 2007] et [Se et al., 2005] considère ce problème d’une manière différente : plutôt que de reconnaître simplement d’anciens amers dans l’image courante, les au- teurs proposent de segmenter l’environnement en sous-cartes d’amers ponctuels, abordant alors la détection de fermeture de boucle comme un problème de détection de recouvrement entre sous-cartes distantes. Si un recouvrement plausible est trouvé, un algorithme de relaxation est utilisé pour aligner les sous-cartes et en déduire une localisation cohérente. Pour améliorer la robustesse de la procédure de détection de recouvre- ment, les auteurs de [Clemente et al., 2007] emploient l’algorithme GCBB (Geometric Constraints Branch and Bound, [Neira et al., 2003]), basé sur le JCT (Joint Compatibility Test, [Neira and Tardós, 2001]) pour l’association de données. Ce système repose à la fois sur la similarité dans l’apparence visuelle (établie sous la forme de contraintes unaires), et sur les distances relatives entre amers (correspondant à des contraintes binaires), afin de trouver l’ensemble le plus important possible d’amers communs à deux sous-cartes.
9.2.1 Introduction d’une nouvelle estimation de pose dans le FKE
Les solutions présentées jusque-là dans cet état de l’art reposent sur l’observation d’anciens amers pour le recalage de la pose de la caméra : en reconnaissant des zones de l’environnement explorées par le passé et enregistrées dans la carte, le FKE permet de rétablir naturellement l’estimation de la pose de la caméra à l’endroit correspondant. Les auteurs de [Williams et al., 2007b] proposent une solution alternative à ce problème, en introduisant dans le FKE une pose calculée par ailleurs en cas de fermeture de boucle. Leur méthode permet de rétablir la pose de la caméra même lorsque le suivi de son estimation est perdu (après un mouvement rapide ou une obstruction de la caméra par exemple). Pour cela, une procédure RANSAC [Fischler and Bolles, 1981] efficace permet de retrouver rapidement les amers de la carte qui correspondent aux primitives visuelles actuellement perçues et à partir desquelles une localisation cohérente peut être inférée en temps réel [Williams et al., 2007a]. Cette inférence est réalisée grâce à l’algorithme des “trois points” [Fischler and Bolles, 1981] : plusieurs triplets d’amers ponctuels 3D servent à générer différentes hypothèses de pose, retenant au final celle qui permet de prédire correctement le plus grand nombre de projections d’amers dans l’image courante. La pose ainsi calculée doit alors être intégrée au FKE afin d’en faire la nouvelle estimation courante de la pose. Ceci est réalisé simplement en remplaçant la dernière estimation de pose par celle qui vient d’être calculée. Étant donné que la nouvelle pose a été obtenue en dehors du FKE, il faut veiller à également mettre à jour les termes de corrélation de la matrice de covariance liant amers de la carte et nouvelle pose : seules les corrélations avec les amers ayant permis de calculer cette pose (i.e., ceux utilisés dans l’algorithme des “trois points”) ne sont pas mises à 0.
mentiel, la solution proposée dans [Williams et al., 2007a] présente l’avantage majeur de ne pas reposer sur l’estimation courante de la pose pour la détection de fermeture de boucle. Nous avons déjà observé dans l’introduction de ce mémoire que cette estimation dérive de plus en plus au cours du temps, alors que le robot se déplace dans des parties encore inexplorées de l’environnement. De plus, en cas de kidnapping, cette estimation devient complètement incohérente. En conséquence, il peut être dangereux de prendre en compte cette information comme point de départ de la détection de fermeture de boucle. Ainsi, la méthode considérée ici peut être aussi bien utilisée pour la détection de fermeture de boucle ([Williams et al., 2008]), que pour récupérer suite à un kidnapping ([Williams et al., 2007b], [Williams et al., 2007a]). Par ailleurs, comme mentionné dans l’état de l’art de la partie I, cette solution tire sa rapidité d’une méthode simple pour la reconnaissance des amers (i.e., les Randomized Tree, [Lepetit and Fua, 2006]) : comme indiqué dans [Williams et al., 2008], cette méthode conduit à de nombreux faux positifs, ceux-ci étant par la suite écartés grâce à l’algorithme des “trois points”. Il serait par conséquent intéressant d’observer les résultats obtenus dans des environnements présentant un aliasing perceptuel très important, comme ceux considérés dans les expériences rapportées dans ce mémoire.