2.3 Résultats
2.3.2 Localisation par Fusion Multi-Capteurs
L’algorithme d’Odométrie Visuelle décrit dans le présent document a été mis à contribution dans plusieurs projets de localisation par fusion multi-capteurs. En effet, comme nous l’avons vu, la méthode présentée est susceptible de défaillir dans un certain nombre de cas, tout comme d’autres types de capteurs sont sus-ceptibles de défaillance. Par exemple, un système GPS est mis à mal par une constellation de satellite insuffisante, de la même façon, des odomètres embar-qués sont inutiles en cas de glissement des roues, où lorsque la géométrie du ter-rain n’est plus plane. Bien que cela ne représente pas le cœur du travail présenté, il nous semble important de présenter les différentes conclusion auxquelles ces projets ont pu aboutir, de façon à pouvoir mettre en évidence la contribution qu’à pu avoir le résultat de notre travail sur les avancées d’autres chercheurs.
66 2.3. Résultats
FIGURE2.20 – Evolution du taux de lacet, mesuré par Odométrie Visuelle (bleu) et par Centrale Inertielle (rouge)
2.3.2.1 Fusion par Filtre de KALMANEtendu
La méthode d’Odométrie Visuelle, décrite ci-dessus a tout d’abord fait l’objet d’une intégration dans le système de fusion multi-capteurs par filtrage de KAL
-MANétendu, développé par Dominique GRUYER11, dans le cadre du projet euro-péen CVIS [GPGD10] et illustré en figure 2.21. L’objectif de ce travail était de démontrer que l’Odométrie Visuelle, considérée comme un capteur proprioceptif, pouvait remplacer une centrale inertielle. Ce travail a été réalisé en utilisant les données acquises à l’aide du véhicule CARLLA, équipé d’une paire stéréo, mais également d’un GPS, ainsi que d’odomètres classiques et d’une centrale inertielle, qui a servi de base de comparaison.
La figure 2.22 présente des résultats partiels de ce travail. Sur ces résultats, le comportement du GPS a été idéal, ce qui nous permet de l’utiliser comme réfé-rence terrain. Toutefois, il est important de noter que les performances des sys-tèmes GPS sont sujettes à de nombreuses perturbations, ainsi, si la constellation de satellites visibles est insuffisante (bâtiments hauts, tunnels, obstructions, ...), les performances sont nettement dégradées.
Entre autres conclusions, il est apparu que l’utilisation de l’odométrie visuelle au lieu de la centrale inertielle menait à des résultats aussi bons, voire occasion-nellement meilleurs. Ce travail nous a permis de positionner l’odométrie visuelle comme alternative viable aux technologies traditionnelles. En effet, nous avons pu
2.3. Résultats 67
FIGURE2.21 – Vue globale du système de fusion d’information par filtre de KAL
-MANétendu
(a) (b)
FIGURE2.22 – Résultats de Fusion Multi-Capteurs utilisant l’Odométrie Visuelle en lieu et place d’une centrale inertielle ; La coube rouge correspond aux donnée GPS, la courbe bleue correspond aux données issues de la fusion : (a) Fusion Odométrie Visuelle + topomètres ; (b) Fusion Odométrie Visuelle + Topomètres + GPS.
68 2.4. Conclusion
prouver que les systèmes de vision sont non seulement beaucoup moins coûteux mais également au moins aussi performants que les centrales inertielles.
Ce travail fait toujours l’objet de développements, au LIVIC, notamment pour complexifier et diversifier le modèle cinématique considéré, mais également pour utiliser l’interaction entre différents modèles (approche Multi-Modèle).
2.3.2.2 Fusion par Théorie des Croyances
Ce second projet repose sur le formalisme de la théorie des croyances [Sha76, Sme90]. Le cadre de cette fusion a été développé par Arnaud ROQUEL dans le cadre de son travail de thèse12. Pour ce travail, nous avons utilisé la plateforme Mini-Truck, décrite en D.2.3.
L’objectif premier de ce travail a été de réaliser une localisation du mobile, en fusionnant les informations provenant de plusieurs sources, en l’occurrence, une méthode de FAST-Slam mise au point par Bastien VINCKE dans le cadre de son travail de thèse13.
Par la suite, ce cadre a été utilisé afin de réaliser de la détection et de la résolu-tion de conflit entre capteurs, afin de pouvoir mettre en évidence l’apport général de la fusion de données. Dans le cas de notre méthode d’odométrie visuelle, une défaillance a été induite en manœuvrant le mobile très près (environ 20 cm) d’une surface plane, de façon à être sous la distance minimale efficace du capteur Ki-nect®.
Le cadre de cette fusion par fonctions de croyances est décrit par la figure 2.23. A l’heure actuelle, ces travaux ne sont pas terminés, et il nous est donc impossible de présenter des résultats ou conclusions.
2.4 Conclusion
Au cours de ce chapitre, nous sommes revenus sur deux décennies d’évolution des techniques d’odométrie visuelle avant de présenter notre approche. Cette ap-proche présente l’avantage de ne reposer que sur un formalisme linéaire et évite donc les inconvénients classiques des méthodes de résolution des problèmes de moindres carrés non linéaires : divergence et lenteur. Différents choix techniques ont du être pris lors de la conception de ce système. Ces différents choix ont été 12Thèse menée à l’Institut d’Electronique Fondamentale, sous la direction de Sylvie LEHÉGA
-RATet Isabelle BLOCH
13Thèse menée à l’Institut d’Electronique Fondamentale, sous la direction d’Alain MÉRIGOT, co-encadrée par Alain LAMBERTet Abdelhafid ELOUARDI.
2.4. Conclusion 69
FIGURE2.23 – Vue globale du système de fusion par masses de croyances
défendus et motivés. Nous avons vu que si la plupart de ces choix peuvent se résu-mer à un compromis entre temps de calcul et performances, certains, notamment le choix de la technique utilisée pour réaliser des appariements spatiaux, ont un impact notable sur la polyvalence du système complet.
Le système final que nous proposons présente de bons résultats, avec une er-reur moyenne comparable à celle obtenue par une centrale inertielle traditionnelle de très bonne qualité. Notre système n’a pas été évalué qu’à l’aune de ses perfor-mances intrinsèques, nous avons également cherché à évaluer son efficacité en tant que maillon d’un réseau de capteurs plus complexes. Là encore, notre approche a pu prouver sa compétitivité vis-à-vis de solutions plus onéreuses.
A notre sens, l’odométrie visuelle mérite donc d’être considérée comme un choix viable d’extraction de l’égo-mouvement lors de la conception de véhicules intelligents. Outre un avantage de coût non-négligeable, la vision fournit une in-formation beaucoup plus riche qu’un appareil dédié à la mesure des accélérations linéaires et rotationelles, et cette information peut être utilisée pour de nombreuses tâches, autres que l’odométrie.
Chapitre
3
Détection du Mouvement Indépendant
«We have no idea if there really are aliens. The next question would be, If there are aliens, can we detect it? The answer is yes. With this telescope we now have a much better chance.» Bruce Betts
Sommaire
3.1 Art Antérieur . . . 72 3.1.1 Classification - Reconnaissance . . . 72 3.1.2 Détection Générique . . . 74 3.2 Système Proposé . . . 78 3.2.1 Compensation de l’Égo-Mouvement . . . 78 3.2.2 Estimation du Mouvement Indépendant . . . 84 3.2.3 Intégration Temporelle . . . 87 3.2.4 Segmentation . . . 90 3.3 Performances, limitations et pistes d’améliorations . . . 90 3.3.1 Sensibilité de Détection . . . 92 3.3.2 Pouvoir de Séparation - Résolution Temporelle . . . . 97 3.4 Résultats . . . 101 3.4.1 Résultats Généraux . . . 101 3.4.2 Limitations - Cas Problématiques . . . 105 3.5 Conclusion . . . 10872 3.1. Art Antérieur
Motivations
La prévention ou la mitigation de collision est une thématique importante de la robotique générale et en particulier des véhicules intelligents. En effet, l’immense majorité des accidents de la route résulte d’une collision entre l’égo-véhicule et un tiers. Aussi bien pour l’intégrité de l’égo-véhicule que pour la sécurité des autres usagers de la route, cette tâche de détection et de prévention est donc fon-damentale. Dans ce contexte, de nombreuses approches ont été envisagées afin de permettre à un conducteur artificiel de pouvoir évoluer sans risque dans un environnement aussi complexe que les villes duXXIèsiècle.