Trajectoires à faible cadence caméra

Les expérimentations réelles qui vont être présentées dans cette sous-section ont toutes été réalisées sur la plate-forme expérimentale urbaine PAVIN. Il s’agit d’un site spécialement construit pour tester les algorithmes de robotique mobile dans des conditions réelles mais contrôlées. Ce site est composé de passages piétons, trottoirs, routes, ronds-points, immeubles, feux, panneaux... Une vue de PAVIN est disponible en figure 3.15 et un aperçu de l’environnement est donné en figure 3.16.

Deux expérimentations réelles ont été menées pour tester la robustesse de l’al- gorithme développé. Pour cela, dans ces deux expérimentations, une caméra fonc- tionnant à une fréquence peu élevée (moins de 4 Hz) a été utilisée. Avec une vitesse d’acquisition des images faible, les erreurs de linéarisation sont plus importantes. En effet, chaque nouvelle observation est située loin de la précédente et rend donc encore plus crucial le calcul de la fenêtre englobante. De plus, la mise à jour de Kalman est sujette à des erreurs de linéarisation plus importante à cause de l’écart entre les observations et les estimations. Afin de pousser l’algorithme dans ces der- niers retranchements, uniquement 10 amers par image sont suivis (de nouveaux sont initialisés dès lors que moins de 5 sont visibles). Les conditions extérieures affectent également les images rendant ainsi le suivi plus difficile. Un fort ensoleillement qua- siment permanent est à noter. En plus de la gêne occasionnée en étant face au soleil, un artefact permanent est visible sur toutes les images. D’importantes distorsions sont également visibles sur les images. Celles-ci n’ont pas été prises en compte dans le SLAM monoculaire construit afin de tester la robustesse de l’algorithme de suivi. Quelques unes de ces conditions sont montrées en figure 3.16. En revanche, les points ont été initialisés à 100 mètres afin d’être plus réaliste par rapport au contexte de l’expérimentation. Cette configuration permet de favoriser la convergence des amers.

Figure 3.15 – Plate-forme expérimentale PAVIN

Toutes les expérimentations de ce manuscrit ont été conduites avec des VIPALab. Il s’agit de véhicules électriques prévus pour faire du transport de personnes. Une photographie d’un de ces véhicules est disponible en figure 3.17. Celui-ci était ici conduit manuellement dans PAVIN à environ 2 mètres par seconde. Du côté du matériel, un ordinateur portable embarquant un processeur Intel Core i5 cadencé à 2,40 GHz a été utilisé.

La première trajectoire est longue de 170 mètres. Cela correspond à un tour de PAVIN. Il y a donc de grands virages ainsi que d’importantes lignes droites. Les capteurs sont toujours les mêmes : une caméra Marlin F-1318, un odomètre et un capteur d’angle de braquage. La particularité de cette séquence est que la caméra

(a) (b)

(c) (d)

Figure_{3.16 – Aperçu de quelques images de l’environnement PAVIN. Celles-ci sont} issues de la trajectoire présentée ici.

opère à faible fréquence, à savoir 3,75 Hz. Un GPS RTK, permettant d’obtenir une vérité terrain avec une précision centimétrique, est également embarqué sur le véhicule. Celui-ci est uniquement utilisé afin de pouvoir caractériser nos résultats de localisation par rapport à une vérité terrain. À titre de comparaison, le même algorithme de SLAM monoculaire mais sans le correctif du gain de Kalman et le calcul géométrique de la fenêtre a été appliqué à cette trajectoire. Les résultats obtenus sont visibles en figure 3.18.

Figure _{3.18 – Trajectoires accomplies avec une caméra à 3,75 Hz. En noir, la} vérité terrain (GPS RTK). En rouge, l’EKF SLAM sans les correctifs. En bleu, la trajectoire calculée par notre algorithme. La pastille rose indique le point de départ de la trajectoire.

On peut constater que la trajectoire calculée par notre algorithme est plus juste que celle de l’approche sans correctifs. Bien que la divergence du SLAM sans cor- rectifs ne soit pas flagrante, on peut voir que l’orientation du véhicule n’est pas correctement estimée à la fin de la trajectoire et conduirait certainement à des dé- rives plus importantes si la trajectoire continuait. Ces bons résultats du SLAM sans correctifs s’expliquent par le fait que notre modèle d’évolution (présenté en sous- section 2.3.1), alimenté par des données odométriques de qualité, permet déjà une localisation assez précise, limitant ainsi l’effet que peut avoir le suivi des amers via la caméra. De plus, les vérifications appliquées pour détecter les erreurs de linéarisation empêchent la plupart des divergences. Dans l’ensemble, les trajectoires obtenues sont proches de la vérité. Bien entendu, les résultats issus du SLAM sont difficilement comparables à la vérité terrain puisque notre algorithme se localise par rapport à une carte relative. Celle-ci tend en plus à diverger (tout comme la localisation) et cela ne peut être résolu sauf dans des conditions particulières. Néanmoins, le nombre d’amers initialisés et gardés est toujours intéressant car il renseigne sur la qualité

de la carte construite. Ces résultats sont disponibles dans la table 3.3. SLAM sans correctifs SLAM avec correctifs

Amers initialisés 472 408

Amers conservés 267 354

Table_{3.3 – Amers utilisés sur une trajectoire réelle avec une caméra à 3,75 Hz} Ces résultats confirment ceux obtenus précédemment, même si les ratios entre initialisés et conservés sont plus meilleurs pour les deux approches. La distance d’initialisation plus appropriée a joué un rôle important dans l’amélioration globale de ces rations. Le SLAM sans correctifs a dû initialiser plus d’amers durant la trajectoire. En effet, les conditions étant difficiles, il n’était pas en mesure de les suivre sur de longues périodes de temps. De manière similaire, presque 100 amers de plus ont convergé avec l’EKF SLAM utilisant les correctifs. Le taux de convergence est de moins de 57% pour l’algorithme sans correctifs contre presque 87% pour le SLAM présenté ici.

La taille de la carte après ces 170 mètres est un point important. Dans le cadre d’applications multivéhicules, ces cartes vont être régulièrement échangées. En re- gardant la place que prend une carte, il est possible de se rendre compte si notre approche est adaptée à un contexte multirobot. En considérant que les points sont encodés en double précision et que l’on échange également les matrices de covariance de ceux-ci ainsi que leur patch, on peut calculer que pour 170 mètres, la carte ne nécessite que 77 ko. Cela rend notre approche très attractive pour le multivéhicule car une telle carte peut facilement être stockée ou échangée au vu des technologies de communication actuelles. En comparaison, l’utilisation de la paramétrisation en profondeur inverse [Montiel et al. 2006][Civera et al. 2010] fait monter la taille de la carte à 162 ko.

Pour cette deuxième expérimentation, nous avons utilisé la même trajectoire que précédemment mais avec une caméra ralentie à moins de 2 Hz. Avec cette configu- ration, les erreurs de linéarisation sont exacerbées. Encore une fois, une approche identique mais sans les correctifs sera comparée à notre EKF SLAM. Les trajectoires accomplies sont visibles en figure 3.19.

La trajectoire obtenue par le SLAM avec correctifs est très proche de la vérité terrain et également de celle calculée avec la caméra à 3,75 Hz. Cela confirme bien la robustesse de notre approche puisque même avec une vitesse d’acquisition plus faible, l’algorithme est capable d’atteindre des précisions similaires. En revanche, cette fois-ci l’approche sans correctifs a rapidement divergé à cause d’erreurs de linéarisation. Juste après le premier virage (voir zone cerclée en vert), l’orientation est faussée et un saut dans la position peut être noté. Néanmoins, après cela, la plupart des mauvaises linéarisations sont évitées bien que la localisation ait été irrémédiablement affectée au début de l’expérimentation.

Les conditions extérieures ont bien affecté l’algorithme et rendu le suivi plus compliqué. En effet, avec d’importantes réflexions sur les images (causées par un

Figure 3.19 – Trajectoires accomplies avec une caméra à moins de 2 Hz. En noir, la vérité terrain (GPS RTK). En rouge, l’EKF SLAM sans correctifs. En bleu, la trajectoire calculée par notre algorithme. La pastille rose indique le point de départ de la trajectoire.

fort ensoleillement), il était courant qu’aucune observation pertinente ne soit trou- vée pour certains amers. Dans ce cas, aucune mise à jour n’était accomplie et une nouvelle tentative de suivi pour ces amers était faite sur l’image suivante. La taille de la fenêtre de recherche augmentait et le suivi devenait seulement possible grâce à l’approche géométrique introduite ici.

Néanmoins, il est important de vérifier que la carte de faible densité construite est suffisante pour aider à la localisation d’autres véhicules. Afin de démontrer ce point, la prochaine expérimentation consistera en la localisation d’un véhicule à l’aide d’une carte prélablement construire par un autre véhicule.