Escalier tournant

L’avantage de notre approche comparée à de la planification en 2D ou 2,5D est de pouvoir traiter des environnements complexes en 3D de la même manière qu’un environ-nement plat tel qu’un bureau. Par définition, les techniques 2D ne peuvent pas grimper des escaliers puisque ceux-ci ne sont pas traités différemment des murs. Les techniques 2,5D ne sont, quant à elles, pas capables de gérer correctement des environnements multi-niveaux tel qu’un bâtiment avec plusieurs étages ou même simplement une cage d’escalier. Avec notre approche, la seule différence par rapport à un environnement 2D est l’utilisa-tion active des flippers.

Nous avons testé notre algorithme dans plusieurs cages d’escalier. L’une d’entre elles est un escalier légèrement tournant qui présente donc la difficulté que monter ou des-cendre en ligne droite n’y est pas possible. Il faut donc tourner, ce qui implique une plus grande chance de dérapage et donc de sortir de la trajectoire prévue initialement.

Lafigure 5.5montre un exemple de planification et d’exécution de chemin dans cet escalier. Sur cet exemple, le robot a mis 387 s pour monter et 260 s pour descendre. La différence est réellement due au dérapage puisque dans les deux cas la vitesse linéaire de consigne était fixée à 5 cm s−1. Les temps de planification initiales étaient respectivement de 27,3 s et 20,5 s, avec des temps moyens de replanification de respectivement 11,0 ms et 21,0 ms. Ces nombres sont similaires à ceux présentés dans latable 5.2ce qui indique que le temps de calcul n’est pas directement corrélé à la complexité de l’environnement.

Lafigure 5.6montre une superposition de photos du robot dans l’escalier à des phases différentes du l’exécution, mettant en avant les différentes configurations des flippers né-cessaires au franchissement d’un escalier.

5.4 Discussion et conclusion

Dans ce chapitre, nous avons proposé un système permettant à un robot au sol de se déplacer dans des environnements 3D complexes et, comme exemple typique, de grimper des escaliers. Ce système part de données sous forme de nuages de points et ne prétend pas construire une reconstruction riche et complète de l’environnement mais simplement évaluer la possibilité de franchissement à l’aide d’une inférence structurelle locale et pa-resseuse. Nous avons évalué notre approche dans un environnement facile 2D et dans une cage d’escalier difficile pour montrer que notre robot est capable de le monter et le descendre.

Jusqu’à présent, notre approche n’a été testée et programmée que pour des environne-ments statiques. Ainsi, la carte est acquise avant la planification initiale et n’est jamais mise à jour. Le passage à un environnement dynamique présente deux difficultés diffé-rentes : les obstacles dynamiques à éviter à court terme, et les changements significatifs d’environnement tel que l’effondrement d’une partie d’un bâtiment ou, plus fréquem-ment, la fermeture d’une porte ou le déplacement d’un meuble. Ces deux types de chan-gement doivent être traités correctement par le logiciel de cartographie en amont. Si ce dernier est capable d’indiquer l’ajout ou la suppression dans la carte d’un ensemble de points alors le résultat du tensor voting peut être mis à jour pour les cellules touchées et les modifications de leurs valeurs de coût qui en résultent peuvent être prises en compte pour la planification. Le choix de D*-Lite comme algorithme de planification permet ainsi

(a) Vue de côté

(b) Vue de dessus

Fig. 5.5: Exemple de franchissement d’un escalier. Le chemin initial est indiqué en vert. Le chemin effectué est indiqué en rouge. Les points du nuage de points sont colorés par leur altitude : en orange le niveau inférieur et en vert le niveau supérieur. (Adapté de (Colas, Mahesh et al.,2013).)

Fig. 5.6: Différentes phases de franchissement d’un escalier. 1 : conduite à plat sur le palier (driving) ; 2 : entrée sur l’escalier (approach) ; 3 : montée (flat) ; 4 : bascule-ment (tip-over) ; 5 : conduite à plat sur le palier (driving). (Repris de (Colas, Mahesh et al.,2013).)

de ne refaire que les calculs nécessaires suite à ces changements plutôt que d’invalider tout le plan et de devoir le recalculer.

Plus généralement, notre système est encore sensible à la qualité de la représentation. Les vecteurs normaux aux surfaces, par exemple, jouent un rôle central à la fois pour savoir si une cellule est traversable ou non, mais aussi pour choisir la configuration des

flippers. La saillance calculée par le tensor voting est aussi importante pour déterminer si la

surface est suffisamment plane. Cependant, la valeur de cette saillance dépend fortement de la densité locale des points du nuage et il faut donc mettre en œuvre des paramètres pour avoir une échelle raisonnable sur cette information.

Enfin, le choix de la replanification à chaque étape de l’exécution, plutôt qu’essayer de suivre une trajectoire n’est pas sans compromis. Il permet d’éviter le problème géomé-trique complexe de se situer par rapport à une trajectoire 3D sur une surface implicite avec des obstacles et de calculer des commandes motrices pour se rapprocher de cette tra-jectoire. Cependant, replanifier génère un nouveau chemin sans rapport nécessairement à l’exécution passée. Plus précisément, il ne prend pas en compte le fait que le robot vienne juste de franchir une arête dans l’escalier et doive rester encore dans la configuration de transition pour les flippers. Pour résoudre ce problème, nous avons ajouté une mémoire des éventuelles transitions en cours d’exécution.

En conclusion, en combinaison avec une estimation d’état et une cartographie embar-quée, cette approche peut permettre à des robots au sol de naviguer dans des environne-ments complexes en 3D.

6.1 Introduction