Repr´esentation param´etrique : introduction d’un prior 39

connu, et il peut ˆetre int´eressant d’en tirer profit dans la repr´esentation qui en est faite. Cette notion s’appelle un«prior»dans le domaine des probabi-lit´es, a savoir l’exploitation d’une connaissance a priori de certains ´el´ements

Figure 2.11 – Exemple de repr´esentation par connexit´e, tir´ee de l’article [Konolige and Agrawal, 2008] pr´esentant FrameSLAM (Konolige et al.). Les acquisitions se font le long de la trajectoire bleu fonc´e, chaque acquisition

´etant repr´esent´ee par un cercle rouge. Les segments rouges lient les acqui-sitions pr´esentant des ´el´ements en commun malgr´e une grande s´eparation temporelle.

auxquels des propri´et´es peuvent ˆetre associ´es une fois leur identification ef-fectu´ee. Ces propri´et´es connues peuvent concerner plusieurs domaines, par exemple (et pas exclusivement) :

— Les caract´eristiques spatiales :

l’environnement rencontr´e peut souvent ˆetre d´ecrit par des primitives (lignes droites, courbes param´etr´ees, etc..), ou par un jeu de formes de base. Ce prior peut notamment am´eliorer la pr´ecision et la robustesse du positionnement et de la cartographie, ou simplifier son enregistrement. Moutarlier et Chatila proposent ainsi l’utilisation de lignes droites en deux dimensions pour repr´esenter un environnement plan, et en d´eduire le mouvement d’un robot `a partir d’acquisi-tions d’un t´el´em`etre laser ( [Moutarlier and Chatila, 1990]). Cette repr´esentation peut simplifier l’accumulation des connaissances, en r´eduisant les degr´es de libert´e des informations conserv´ees, mais aussi rendre un algorithme plus robuste au bruit. Le processus d’association des mesures `a un mod`ele peut en effet tol´erer des erreurs, tandis que la pr´ecision du mod`ele obtenu est ensuite fonction du nombre de points de mesure mis `a contribution. On peut de ce fait obtenir les param`etres relativement pr´ecis d’un mod`ele `a partir d’acquisitions bruit´ees. L’appariement des acquisitions successives est ´egalement rendu plus facile par cette mod´elisation, que ce soit pour estimer le mouvement du v´ehicule, ou pour estimer le mouvement d’´el´ements mobiles (voir la publication fondatrice de

Wang ( [Wang and Thorpe, 2004]).

Grandjean et Robert de Saint-Vincent proposent un principe simi-laire en trois dimensions ( [?]), pour mieux exploiter les acquisitions st´er´eoscopiques. Celles-ci pr´esentent en effet un bruit de mesure tr`es marqu´e, que la mod´elisation de l’environnement par des plans suc-cessifs en trois dimensions permet de mitiger. De mˆeme, Nashashibi et Devy ( [Nashashibi and Devy, 1993]) proposent de segmenter les cartes de profondeur issues d’acquisitions st´er´eoscopiques en diff´erents plans. Le mouvement du v´ehicule peut alors ˆetre inf´er´e par l’´etude de la correspondance entre ces plans, et le mod`ele de la sc`ene peut ˆetre incr´ementalement augment´e. Bak ( [Bak, 2011]) propose notamment d’exploiter un principe similaire, mais `a partir de prises de vues monoculaires, dans une m´ethode appel´eeC-V´elocit´e.

Dans un autre domaine, les lignes de marquages sont ´egalement couramment mod´elis´ees par unprior dans la litt´erature, notamment grˆace `a une courbe clotho¨ıde ( [Vacek et al., 2006]).

— Les caract´eristiques dynamiques :

les d´eplacements possibles de l’ensemble des ´el´ements de l’environ-nement peuvent ˆetre connus, et apportent alors une information significative. De mˆeme que pr´ec´edemment, ceci peut permettre d’am´eliorer la pr´ecision et la robustesse des mesures en exploitant les contraintes sur les mouvements observables. Ces limites dans les mouvements attendus peuvent ´egalement avoir des cons´equences sur les algorithmes de pr´ediction du d´eplacement, certains algorithmes de planification du mouvement se situant explicitement dans le domaine des trajectoires possibles. La recherche de trajectoires optimales est alors simplifi´ee du fait de la restriction de l’espace des trajectoires envisag´ees ( [Klanˇcar and ˇSkrjanc, 2010]).

— Les caract´eristiques visuelles :

la pr´esence d’´el´ements dont l’apparence est connue permet parfois d’exploiter l`a encore un prior concernant ses propri´et´es attendues.

De fait, la reconnaissance visuelle est l’objet de nombreux travaux dans le domaine de l’algorithmie, et atteint depuis plusieurs ann´ees des taux de d´etections remarquables pour certains ´el´ements connus.

La reconnaissance des pi´etons, des feux, des panneaux ou des pannonceaux (pour rester dans le domaine des transports) est ainsi tr`es pr´esente dans l’´etat de l’art. De nombreux exemples existent dans la litt´erature, les m´ethodes utilis´ees pour exploiter ce prior pouvant varier entre un ajustement de mod`ele ou une signature complexe d´etermin´ee par apprentissage statistique. De Charette et Nashashibi ( [Charette and Nashashibi, 2009]) proposent par exemple une proc´edure de reconnaissance des feux tricolores, en

exploitant la corr´elation visuelle entre un mod`ele et une d´etection pr´ealable de points lumineux. Schindler et al. ( [Schindler et al., 2010]) proposent le couplage d’un m´ecanisme de SLAM visuel et d’une d´etection de pi´etons par apprentissage ; afin d’am´eliorer celle-ci par inf´erence dans le temps, et de positionner et suivre des pi´etons se d´epla¸cant dans l’espace. Dans l’algorithme propos´e, les seuls ´el´ements mobiles envisag´es de la sc`ene sont les pi´etons, et leur d´etection initiale est donc suffisante pour dissocier les traitements appliqu´es aux diff´erents ´el´ements de l’environnement selon leur mobilit´e suppos´ee. Autrement dit, le passage par une repr´esentation binaire de l’environnement (pi´eton ou non) permet ainsi d’y associer une caract´eristique suppos´ee a priori (´el´ement mobile ou non) qui est exploit´ee dans la suite de l’algorithme.

2.4 Perception partielle

On pr´esente ici quelques exemples d’algorithmes de la litt´erature qui fournissent des informations sur l’environnement courant, sans pour autant r´esoudre l’ensemble des besoins d’un v´ehicule autonome, identifi´es dans la section 1.1.3.2. La repr´esentation des informations per¸cues peut diff´erer se-lon les m´ethodes, et n’implique pas n´ecessairement un travail dans un espace cart´esien reconstruit (par opposition `a 2.5). Comme expos´e dans la section 2.2.3, nous avons fait le choix d’une perception visuelle. On se restreint donc dans les sections suivantes aux techniques s’y r´ef´erant, bien que d’autres ap-proches exploitant notamment un t´el´em`etre laser soient souvent possibles.

Les travaux de recherche de la derni`ere d´ecennie ont rendu possible l’extrac-tion de nombreuses informal’extrac-tions `a partir d’images uniquement. Ces infor-mations couvrent un spectre important, des d´eplacements de la cam´era `a la reconstruction de l’environnement, en passant par la d´etection d’objets mobiles. On s’attachera `a pr´esenter dans les prochains paragraphes cet ´etat de l’art. Il ne s’agit certainement pas d’un recensement exhaustif, mais qui devrait aborder la plupart des m´ethodes utiles `a la probl´ematique de la per-ception n´ecessaire `a un v´ehicule autonome.

On pr´esente tout d’abord quelques m´ethodes de d´etection d’obstacles. La d´e-tection d’objets particuliers, dont la signature visuelle est connue a priori, est ensuite abord´ee, avant de pr´esenter un ´etat de l’art rapide dans le do-maine de la d´etection du mouvement.

2.4.1 D´etection d’obstacles