HAL Id: inria-00308722
https://hal.inria.fr/inria-00308722
Submitted on 1 Aug 2008
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
and deterministic methods
Cyril Joly, Patrick Rives
To cite this version:
Cyril Joly, Patrick Rives. Bearing-only SLAM: comparison between probabilistic and deterministic
methods. [Rapport de recherche] RR-6602, INRIA. 2008, pp.91. �inria-00308722�
a p p o r t
d e r e c h e r c h e
9
-6
3
9
9
IS
R
N
IN
R
IA
/R
R
--6
6
0
2
--F
R
+
E
N
G
Thème NUM
Bearing-only SLAM : comparaison entre une
méthode probabiliste et une méthode déterministe
Cyril Joly — Patrick Rives
N° 6602
CyrilJoly
∗
, Patri k Rives
∗
ThèmeNUMSystèmesnumériques
ProjetARobAS
Rapportdere her he n°6602Juillet200891pages
Résumé : Ce travail de re her he s'ins rit dans la problématique de la lo alisation et
artographiesimultanée(SLAMenanglais).Lesappro hes lassiquespourrésoudreleSLAM
sontbaséessurleltredeKalmanétendu(EKF-SLAM)ouleltreparti ulaire(FastSLAM).
Cesdeuxfamillesd'algorithmespermettentunerésolutionenligneduproblèmemaisposent
desproblèmesd'in onsistan e.Dans erapportnousnenousintéressonspasauxappro hes
pré itéesmaisàdesappro hesglobales.Celles- iné essitentd'utiliserl'ensembledesmesures
a quises pour al uler l'ensemble de la traje toire du robot et la lo alisation des amers.
Bienquelesappro hesglobalesne permettentpasuntraitementenligne, ellenesont pas
dénuées d'intérêt : elles sont a priori moins soumises aux problèmes d'in onsistan e que
l'EKF-SLAM ou leFastSLAM.Nous nous intéressonsà deuxméthodes : le GraphSLAM,
basé sur une appro he probabiliste gaussienne, et le SLAM par intervalles, basé sur une
appro he déterministe. Ces méthodes sont omparées à l'aide de simulations dans le as
du SLAM bearing-only. Nous avons simulé une traje toire ir ulaire plane pour le robot.
Les amers,quant àeux, sontdes points 3Ddont onmesure le gisementet l'élévation par
rapport au robot. Les résultats mettent en éviden e la onsistan e des deux algorithmes
lorsqueleserreurssont entrées.Dans e aspré is,leGraphSLAMdélivredebienmeilleurs
résultatsqueleSLAMparintervallesentermedetailledeszonesde onan e.Enrevan he,
si les données sont biaisées, l'algorithme de GraphSLAM est in onsistant. Le SLAM par
intervalles,quantàlui,délivredesrésultats onsistantstoutàfait ohérents.
Mots- lés : lo alisation, artographie,analysegaussienne,analyseparintervalles
∗
INRIASophia-AntipolisProjetARobAS, 2004Route desLu ioles,BP93,06902 Sophia-Antipolis
Abstra t: This work deals with the problem of simultaneous lo alization and mapping
(SLAM). Classi al methods for solving the SLAM problem are based on the Extended
KalmanFilter(EKF-SLAM)orparti lelter(FastSLAM).Thesekindsofalgorithmsallow
on-line solving but ould be in onsistent. In this report, the above-mentioned algorithms
arenotstudied but globalones.Global approa hesneedall measurementsfrom theinitial
stepto the nal stepin order to ompute thetraje toryof the robot and the lo ation of
the landmarks. Even if global approa hes do not allow on-line solving, they anbe more
interestingthan EKF-SLAM orFastSLAMsin ethey are lesssensitiveto in onsisten ies.
Two algorithms are studied: the GraphSLAM, a probabilisti method based on gaussian
hypothesis, andthe "intervalSLAM" whi h is adeterministi approa h. A omparison of
thealgorithms ismadein simulation,forthe bearing-only ase.A ir ularand planar
tra-je tory for the robot is simulated. Landmarks are 3D points from whi h we measure the
bearingandelevationangleswithrespe ttotherobot.Theresultsshowthe onsisten yof
bothalgorithmswhenthe errorsare entered. Inthis ase,if welook thesize ofthebelief
areasprovidedbythealgorithms,GraphSLAMdeliversbetterresultsthanintervalSLAM.
Finally,theGraphSLAMalgorithmbe omesin onsistentwheninputdataarebiased.Inthe
latter ase,intervalSLAM givesgoodand onsistentresults.
Table des matières
1 Introdu tion 6
2 Hypothèses généralesdu SLAM 7
2.1 Notationsgénériques . . . 7
2.2 Appli ationauSLAM 2D/3Ddansle asd'unrobotnonholonome . . . 9
2.2.1 Cadredel'étude . . . 9
2.2.2 Paramétrisation. . . 9
2.2.3 Equationsd'évolutiondurobot . . . 10
2.2.4 Equationsdemesures . . . 12
3 Présentationdu GraphSLAM 12 3.1 RappelssurleSLAM probabiliste. . . 12
3.1.1 Rappelsgénéraux. . . 12
3.2 Des riptionduGraphSLAM . . . 13
3.2.1 Représentationparmatri ed'informationet ve teurd'information . . 14
3.2.2 Densitéaposteriori delatraje toireetdela arte . . . 15
3.2.3 Logarithmedeladensitéa posteriori . . . 17
3.2.4 ExpansiondeTaylor . . . 17
3.2.5 Rédu tiondelamatri ed'informationetduve teurd'information . . 18
3.2.6 Obtenirlespointsdefon tionnement. . . 21
3.2.7 Con lusion . . . 22
4 Mise en appli ationdu GraphSLAM 22 4.1 Matri esja obiennesdesfon tions
f
eth
. . . 224.1.1 Matri e ja obiennedelafon tiond'évolution . . . 22
4.1.2 Matri e ja obiennedelafon tiondemesuresparrapportà
x
t
. . . . 224.1.3 Matri e ja obiennedelafon tiondemesuresparrapportà
m
. . . . 234.2 Matri esdevarian es- ovarian esutilisées . . . 23
4.2.1 Matri e devarian es- ovarian esliéeàlamesure . . . 23
4.2.2 Matri e devarian es- ovarian esliéeaumodèle . . . 24
4.3 Initialisation. . . 25
4.3.1 Initialisationdelatraje toire . . . 25
4.3.2 Initialisationdelaposition desamers . . . 26
5 Présentationdu SLAM par intervalles 28 5.1 Redénitiondesopérateurs lassiques . . . 29
5.2 Appli ationauSLAM . . . 30
5.2.1 Traitementlo al:passagede
t
àt + 1
. . . 306 Mise en appli ationdu SLAM par intervalles 34
6.1 Fon tionsutilisées . . . 35
6.1.1 Equationdemodèle . . . 35
6.1.2 Equationdemesure . . . 36
6.2 Initialisationdesamers. . . 37
6.3 Choixdel'orientationdesaxes . . . 38
6.3.1 Remarque générale . . . 38
6.3.2 Exemple 1:modèled'évolutiondurobot . . . 38
6.3.3 Exemple 2:fon tiondemesure . . . 41
6.3.4 Solutionproposée. . . 41
6.3.5 Etude dugainapportésurunesimulation . . . 42
7 Résultatsobtenus 46 7.1 Des riptiondessimulations . . . 46
7.1.1 Cara téristiquesdelasimulation . . . 46
7.1.2 Modeopératoire . . . 46
7.1.3 Résultatsétudiés . . . 47
7.2 Le asgaussien entré . . . 48
7.2.1 GraphSLAM . . . 48
7.2.2 SLAM parintervalles . . . 54
7.2.3 Con lusionquantau asgaussien entré . . . 54
7.3 Casuniforme entré . . . 58
7.3.1 GraphSLAM . . . 58
7.3.2 SLAM parintervalles . . . 61
7.3.3 Con lusionquantau asuniforme entré. . . 61
7.4 Casuniformebiaisé. . . 64
7.4.1 GraphSLAM . . . 65
7.4.2 SLAM parintervalles . . . 70
7.4.3 Con lusionquantau asbiaisé . . . 74
7.5 Résultatsenvisibilité réduite . . . 74
7.6 Remarquesurla onsistan e duGraphSLAM . . . 80
7.7 Tempsde al ul. . . 81
7.7.1 GraphSLAM . . . 81
7.7.2 SLAM parintervalles . . . 81
7.7.3 En pratique . . . 81
7.8 Con lusionquantauxsimulations. . . 81
A Coe ients asso iésaux ellipsesde onan e 86
A.1 Généralités . . . 86
A.2 Casparti uliertraité . . . 86
A.3 Cas2D:ellipsesde onan e . . . 87
A.3.1 Cal ulde
K
. . . 87A.3.2 Cal uldel'airedel'ellipse . . . 88
A.4 Cas3D:ellipsoïdesde onan e . . . 88
A.4.1 Cal ulde
K
. . . 891 Introdu tion
Lesproblèmesdelo alisationetde artographiesontdesproblèmesmajeursenrobotique
mobile.Onparledelo alisationlorsqu'on her heàpositionnerunrobotparrapportàune
arte onnue.Lorsqu'on her heà onstruireunereprésentationdel'environnement
onnais-santlatraje toiredurobot,onparleau ontrairedere onstru tionoude artographie.Ces
deux problèmes sont bien onnus et aujourd'hui résolus.Si on her he àretrouverla
tra-je toiredurobotet àre onstruirel'environnement,onparledelo alisationet artographie
simultanée,ouSLAM(SimultaneousLo alizationandMapping).Ils'agitd'unproblème
en-tralsionveut on evoirdesrobots omplètementsautonomes.Unedesappli ationssouvent
itéeestl'explorationautonomed'environnementsin onnuset/oudangereux([9℄).
Le problèmeduSLAM aétéabordé dans lesannées1980 ave lestravauxdeSmith et
Cheeseman([17℄). Dans ettepremière appro he, les auteurs utilisent un ltre de Kalman
étendu:onparled'EKF-SLAM.L'EKF-SLAMestlongtempsrestél'appro heprin ipalede
résolutionduproblèmedeSLAM.Ellepermetd'évaluerenligne(danslalimitedelavitesse
de al ul de lama hineutilisée) l'étatdu robot ainsique la arted'amer. Cetteappro he
est en ore beau oup utilisée aujourd'hui ([4, 13, 16℄). Néanmoins, elle n'est pas exempte
derepro hes.En eet,plusieurspubli ationsmettentenéviden e le ara tèrein onsistant
de l'EKF-SLAM : les ellipses de onan e déduites des matri es de varian es- ovarian es
sonttroppetitesparrapportàl'erreurréelle([2, 8℄).Deplus, l'EKF-SLAMné essite
l'in-versiondelamatri edevarian es- ovarain esdel'état. 1
Le oûtde ette inversiongrandit
ave le arré du nombre d'amers. Pour orriger e dernier point, Montemerlo a proposé
l'algorithme de FastSLAM ([10, 11, 12℄). Cet algorithme utilise un ltre parti ulaire
Rao-Bla kwellisépourrésoudreleproblèmeduSLAM:unjeudeparti ulespondéréesreprésente
plusieurshypothèses on ernantl'étatdurobot.A haqueparti uleestensuiteasso iéeune
artediérente.L'utilisation dultre parti ulairepermet de rendre l'ensemble des amers
indépendantspourune parti ule donnée(il s'agit de la fa torisationdu SLAM
ondition-nellementàlatraje toire).Ainsi, l'algorithmede FastSLAMpermet degarantiruntemps
d'exé ution beau oup plus faible quel'EKF-SLAM. En revan he, et algorithmen'est pas
onsistant, e ià auseduphénomènededégénéres en edesparti ules ([3℄).Cesméthodes,
ainsique lades ription omplète du problèmeduSLAM sontdé rits dans lestutoriels de
TimBailey([1,6℄).
Nous proposons dans e rapport de re her he d'étudier et de omparer deux autres
algorithmespourrésoudreleproblèmeduSLAM.Ils'agitdedeuxméthodesglobales.
Con-trairementauxappro hesdetypeEKF-SLAMouFastSLAM(quitraitentlesinformations
àl'instant
t
uniquementàl'aidedesmesuresàl'instantt
etde l'étatàl'instantt − 1
),les appro hesglobalesrésolventleproblèmeduSLAMsurl'ensembledelatraje toire( e ipou-vant né essiterplusieursitérationsavant onvergen e).Cela permet en théoried'améliorer
l'estimationdel'état àl'instant
t
àl'aided'informationsa quisesauxinstantst
′
> t
.Dans
e as,onparleengénéraldeSAM (Smoothing And Mapping).De tellesméthodesnesont
a priori pasadaptées au temps réel ouà l'évaluation en ligne de l'état. Néanmoins, elles
1
ne sont pas dénuéesd'intérêt, notammenten e qui on ernela onsistan e. La première
méthodeétudiée est leGraphSLAM, proposé parThrunet Montemerlo([18℄). Lase onde
méthodeest une méthode originalebaséesur l'analysepar intervalles. Cesdeux méthodes
sontsommairementdé ritesdansleparagraphesuivant:
GraphSLAM : il s'agit d'une méthode de ltrage et de lissage probabiliste basée sur
l'hypothèse gaussienne. L'ensemble des mesures ee tuées est utilisé pour
onstru-ireune estimation del'ensemble dela traje toireet desamersainsi quelesmatri es
devarian es- ovarian esasso iées.Lestempsde al ulrestenta eptablesdepart
l'u-tilisation d'un ltred'information. Lades ription de ette méthode faitl'objet dela
se tion3.
SLAM parintervalles: il s'agit d'uneméthodedéterministepourre onstruirela
tra-je toire du robot ainsi que l'ensemble des amers. L'idée est i i de supposer que les
erreurs sont omprisesdans desintervalles onsistantsan dedéduire desintervalles
surlapositiondurobotetdesamers.Au uneapproximationn'estfaite.Lades ription
généralede etteméthodefaitl'objetdelase tion5.
Les deux algorithmes omparés utilisent des hypothèses diérentes on ernant les
er-reurs. Le GraphSLAM utilise l'idée répandue que les erreurs respe tent une distribution
gaussienne(tout ommel'EKF).Lase ondeméthode,quantàelle,nefaitqu'unehypothèse
debornitude.La omparaisondesperforman esserafaitegrâ eàdessimulations.Lafaçon
de générerleserreurs ne serapas inno ente.Une dis ussion détaillée est ee tuée dansla
se tion7.
Ce do ument s'arti ule en 6 parties. Tout d'abord, nous rappelonsbrièvement les
hy-pothèsesee tuéesdansle adrede ette étude.Lase tion 3présentel'algorithme général
deGraphSLAM. L'appli ationduGraphSLAMànotre asestdé ritedanslase tion4.La
se tion5de edo umentprésentequantàelledesgénéralitéssurlesméthodesderésolution
parintervalles.Nousprésentonsensuitelamiseen÷uvrede etalgorithme(se tion6).Nous
présentonsenndesrésultats omparatifsobtenusensimulation(se tion7).
2 Hypothèses générales du SLAM
Nous présentonsdans ettese tion leshypothèseset notationsemployées danslasuite
de edo ument.Lapartie2.1présentelesnotationsgénériquesutiliséestandisquelapartie
2.2présenteleséquationsutiliséesdansnotre asparti ulier.
2.1 Notations génériques
L'obje tif du SLAM est de retrouver à la fois la traje toire d'un robot et la position
d'amers (supposés statiques dans notre étude).Il s'agit don d'ee tuerla re onstru tion
del'étatdurobotàtouslesinstantsainsi quel'étatdel'ensembledela arted'amers.Les
notationsemployéessontprésentéesdansle tableau1. Onpourranoter quelorsqu'unétat
ouune mesure désigneunamer,l'indi e de l'amerest notéentre parenthèses an d'éviter
Notation Des ription Valeursdans
x
t
Etatdurobotàl'instantt
R
n
N
Nombred'amersN
m
(i)
Etatdel'amernuméro(i)
R
l
(i)
m
Etatdel'ensembledesamersR
P
N
i=1
l
(i)
u
t
Entréepourl'évolutiondurobotR
p
z
t,(i)
Mesureasso iéeàl'amer(i)
etàl'instantt
R
q
(i)
z
t
Con aténations de toutes les mesures à
l'in-stant
t
R
P
N
i=1
q
(i)
f
Fon tion d'évolutiondu robot (dépend dex
t
etdeu
t
)R
n
× R
p
→ R
n
h
(i)
Fon tion de mesurede l'amer(i)
(dépend dex
t
etdem
(i)
)R
n
× R
l
(i)
→ R
q
(i)
h
Fon tiondemesures(dépend dex
t
etdem
)R
n
× R
P
N
i=1
l
(i)
→ R
P
N
i=1
q
(i)
ν
XX
t
Erreur asso iée à
XX
à l'instantt
(XX
: ve teurgénérique)R
dim(XX)
XX
t
1
:t
2
Con aténationdesve teurs
XX
t
entreles in-stantst
1
ett
2
R
dim(XX)(t
2
−t
1
+1)
Tab.1Notationsutilisées
Remarque2.1
Ilestenvisageabledetraiterdesamersdediérents typesetdon paramétrésdiéremment.
Ce iexplique lanotation
l
(i)
pourla dimensionde l'étatdel'amer(i)
etq
(i)
pourla dimen-sionde la mesuredel'amer(i)
.Pourla suite, onposera
l =
P
N
i=1
l
(i)
etq =
P
N
i=1
q
(i)
.Dans etteétude,onsuppose quel'évolutiondel'état durobotentre deuxinstantsest
donnéeparlafon tion
f
et leve teurd'entréesu
t
(supposémesuré):x
t+1
= f (x
t
, u
t
)
(1)Lorsque la fon tion
f
ne représente pas exa tement la réalité et/ou que le ve teuru
t
n'estpasexa tementleve teurattendu,onaura:x
t+1
= f (x
t
, u
t
+ ν
t
u
) + ν
f
t+1
(2)où
ν
u
t
désignel'erreursurl'entréeetν
f
t+1
l'erreurdemodèleàl'instantt
.Ensuite, onsupposequeleve teurdemesurespeutsedéduiredel'étatgrâ eàla
fon -tion
h
:z
t
= h (x
t
, m) + ν
t
z
(3)où
ν
z
t
désignel'erreursurlesmesuresàl'instantt
.mesures
z
t
etdesentréesu
t
.Lesmesuresetentréesétantenta héesd'erreur,lesalgorithmes deSLAMdevrontêtrerobustesvisàvisd'elles.2.2 Appli ationauSLAM2D/3Ddansle asd'unrobotnonholonome
Nousprésentonsdans ettepartieleséquationsutiliséesdansle adreduSLAM2D/3D.
NousdésignonsparSLAM2D/3DlaproblématiqueduSLAMappliquéeau asd'unrobotse
déplaçantdansunplanetobservantdesamersrépartisdanstoutl'espa e.Nousdénissons
d'abordle adredel'étude.Nousprésentonsensuitelaparamétrisation hoisie.Enn,nous
exposonsleséquations(demodèleet demesures)utilisées.
2.2.1 Cadre de l'étude
CetteétudetraiteduSLAMdans le as bearingonly : seulslesanglesrelatifsentre
lerobotetlesamerssontmesurés.Typiquement,une amérafournit etyped'information.
Cetteappro heest enoppositionave le as rangeandbearing,dontle apteurtypique
estlelaser.Nousjustionsnotreappro heparlefaitqueles apteurspermettantd'obtenir
l'information de distan e sont oûteux et né essitent plus de temps d'a quisition ( as du
laser3D)oudetraitement( asd'unepairede améras).
Par ailleurs, nous ne traitons i i que le as 2D en e qui on erne le robot : le robot
évolue dans un plan horizontal. L'état du robot est don paramétré par ses oordonnées
dansleplan etsonorientation.Lesamers,quantàeux,sontdespoints3D. 2
Lesméthodes
généralesproposéessontnéanmoinsappli ablesau asoùtoutesten3D(ilfautalorsadapter
lesfon tionsutilisées).
Enn,noussupposonsquelerobotvéreune ontraintedenon-holonomie:sa vitesse
tranversale est nulle. Ce i équivautà supposer que lerobot évoluele longd'un ar de
er leentredeuxinstants onsé utifs.
2.2.2 Paramétrisation
Nousexpli itons dans e paragraphelesve teurs
x
t
,u
t
etz
t
utilisés( f.gure1):x
t
: nous supposons que le robot évolue dans le plan. A l'instantt
, il est repéré par sa positiondanslerepèreabsolu(x
t
, y
t
)etsonorientationparrapportàl'axedesabs isses (θ
t
). L'environnement étantentièrement in onnu, le repère absolu est hoisi égalau repèreinitial durobot.3 Ona:
x
t
=
x
t
y
t
θ
t
T
(4)
u
t
: lerobotestvu ommeunsolideenmouvement,animéparuntorseur inématiquequi serautilisé ommeve teurde ommande.Etantdonné quenoussommesdans le as2D,leve teurvitesseà haqueinstant
t
estdansleplanduvéhi ule.Ilestrepérépar 2Le asd'unrobotévoluantenintérieurillustrebien eshypothèses. 3
sesdeux omposantesexpriméesdanslerepèredurobot(
V
x
t
,V
y
t
).Leve teurrotation est quantàluiperpendi ulaireauplan duvéhi uleet est paramétréuniquement parlavitessederotationinstantanée(
ω
t
).Onadon :u
t
=
V
t
x
V
y
t
ω
t
T
(5)
Une mesurede e ve teurde ommandeest fournie parl'odométrie du robot, qui
nousdonneunevitessedetranslationaxiale(supposéeêtreégaleà
V
x
t
)etunevitesse de rotation(supposée êtreégaleàω
t
).Enn,V
y
t
est xée à 0 pour respe ter la ontrainte de non-holonomie(mesurevirtuelle).4
m
(i)
: nous traitons dans ette étude des amers pon tuels pla és dans l'espa e. Ils sont repérésparleurs oordonnées artésiennes(x
(i)
,y
(i)
,z
(i)
).Onadon :m
(i)
=
x
(i)
y
(i)
z
(i)
T
(6)
z
t
: etteétudetraite du as bearing-only : noussupposons que nousn'avonsquedes informations angulaires pour haque amer. Nous supposons par ailleurs qu'il s'agitd'informationshautniveau(pouvantêtreparexempledéduitedutraitementdel'image
d'une améra):legisement(
α
t,(i)
)etl'élévation(β
t,(i)
).Onadon :z
t
=
α
t,(1)
β
t,(1)
. . .
α
t,(N )
β
t,(N )
T
(7)
2.2.3 Equations d'évolution durobot
Lerobotétantvu ommeunsolidedontletorseur inématiqueest
u
t
,ses oordonnées vérient(dansledomaine ontinu)lesystème8:
˙x
= V
x
cos θ − V
y
sin θ
˙y
= V
x
sin θ + V
y
cos θ
˙θ = ω
(8)
Supposonsdésormaisquel'entréedusystèmesoit onstante entre lesinstants
t
ett + 1
etsoit égaleàu
t
.L'intégrationdusystème 8nousdonnelafon tionf
:
x
t+1
=
x
t
+
sinω
t
dt
2
V
x
t
dt cos θ
t
+
ω
t
2
dt
− V
t
y
dt sin θ
t
+
ω
t
2
dt
y
t+1
=
y
t
+
sinω
t
dt
2
V
x
t
dt sin θ
t
+
ω
t
2
dt
+ V
t
y
dt cos θ
t
+
ω
t
2
dt
θ
t+1
=
θ
t
+ ω
t
dt
(9)où
dt
désigneletempsé ouléentrelesinstantst
ett + 1
. Deuxsour esd'erreursinterviennentdans lesystème9:4
Néanmoins,nous entenons omptedans leséquationspourpouvoirtenir omptedu asoùdelégers
glissementslatérauxapparaissent.Ainsi,nous onsidéronsquelamesurevirtuelle
V
y
PSfragrepla ements
−−→
x
rob
−−→
y
rob
−−→
z
rob
α
t,(i)
β
t,(i)
−
→
x
−
→
y
−
→
z
θ
t
m
(i)
Fig.1NotationsduSLAM 2D
1. la ommande
u
t
estmal onnue.Celapeutarriveren asd'impré isionsurl'odométrie. Des asplusextrêmespeuventapparaîtreen asde dérapage: l'équation mé aniquereste vraie mais les torseurs inématiques utilisés pour intégrer l'équation n'ont en
généralplusau unlienave laréalité(leurmesureétantbaséesurl'odométrie).
2. la ommande varie ontinuement entre les instants
t
ett + 1
. Nous supposons que l'é hantillonnageestsusammentnpournégliger ephénomèneetpouvoirlerameneràunbruit additifde faible amplitude (
ν
f
t+1
dansl'équation2).En pratique, l'odométrie ne nous permet pas d'a éder aux vitesses. Dans le as du
robotnon-holonomequenousétudions(dontl'équationde ontrainteest
V
y
t
= 0
),nousnedisposonsquedel'in rémentderotation(
ω
t
dt
)etdeladistan epar ourue(V
x
t
dt
)entreles instantst
ett + 1
.Ennotantds
x
t
= V
t
x
dt
,ds
y
t
= V
y
t
dt
etdω
t
= ω
t
dt
,l'équation9peutêtre é ritedelafaçonsuivante :
x
t+1
= x
t
+
sindω
t
2
ds
x
t
cos θ
t
+
dω
2
t
− ds
y
t
sin θ
t
+
dω
2
t
y
t+1
= y
t
+
sindω
t
2
ds
x
t
sin θ
t
+
dω
2
t
+ ds
y
t
cos θ
t
+
dω
2
t
θ
t+1
= θ
t
+ dω
t
(10)Remarque2.2
Ainsi,l'équationde modèle faitappelàdeuxentréesmesuréesetune entréevirtuelle.
2.2.4 Equations de mesures
Leséquationsdemesures,quantàelles,sontdonnéespardes onsidérationsgéométriques;
lorsque lesmesures sontparfaites, elles- i s'é riventen fon tionde l'état durobot et des
amers(fon tion
h
):
α
t,(i)
=
arctan2
y
(i)
− y
t
, x
(i)
− x
t
− θ
t
β
t,(i)
=
arctan
z
(i)
√
(x
(i)
−x
t
)
2
+((y
(i)
−y
t
)
2
(11)
Remarque2.3 (Valeurs possiblespour lesangles mesurés)
Lesvaleursadmissiblespour
(α
t,(i)
, β
t,(i)
)
sontprisesdans[−π, π]×[−π/2, π/2]
.Ce ipermet de garantirune bije tion entrel'ensemble des ouples angulaires possibleset l'ensembledesve teursà3 omposantesetde norme (eu lidienne)unitaire.
C'est pourquoi la dénition de
α
t,(i)
utilise la fon tionarctan2
alors que la dénition deβ
t,(i)
n'utilise quearctan
.3 Présentation du GraphSLAM
Nousprésentonsdans ettese tionl'algorithmedeGraphSLAM.Ils'agitd'uneméthode
probabiliste basée sur l'hypothèse gaussienne. Contrairement àl'EKF-SLAM ou au
Fast-SLAM,l'estimationdel'étatdurobotsefaitenutilisantl'ensembledesinformationsdepuis
l'instantinitial.Nousverronsque e iestpossibledansuntempsraisonnablegrâ eà
l'util-isationdelamatri ed'informationdeladensitédeprobabilité.Cettese tionest diviséeen
deuxparagraphes.Nousee tonsdansunpremiertempsdesrappelsgénérauxsurleSLAM
probabiliste.Ledeuxièmeparagraphedé ritendétails l'algorithme deGraphSLAM.Cette
des riptionest essentiellementtiréede[18℄.
Lesparagraphessuivantsdé riventendétaillesdéveloppementsmathématiquesqui
per-mettentla onstru tiondelamatri ed'informationetlarésolutionduproblèmed'inféren e
nal.
3.1 Rappels sur le SLAM probabiliste
3.1.1 Rappelsgénéraux
Dans lalittérature,leproblèmeduSLAMest engénéralrésoludemanièreprobabiliste
etestposédefaçonré ursive.L'obje tifestalorsdedéterminerà haqueinstant
t
ladensité deprobabilité dex
t
(oux
0:t
)etdela artesa hantl'ensembledesmesures,des ontrleset l'étatinitial.Ils'agitdon detrouverpourtoutt
:Dansle asdel'EKF-SLAM,on her heà al ulerà haqueinstant
t
ladensitédeprobabilitép (x
t
, m|z
0:t
, u
0:t
, x
0
)
. Dans le as présenté i i, àsavoirle GraphSLAM, nous her hons à al ulerp (x
0:t
, m|z
0:t
, u
0:t
, x
0
)
.Deplus,nousee tuonsles3hypothèsessuivantes :
1. L'ensemble desétatsdurobot formeune haînedeMarkov.Cela signiequesi
x
t−1
et
u
t
sont onnus, la onnaissan edesétatspré édents, des ommandespré édentes et desamersestinutile.Ce isetraduitpar:p (x
t
|x
t−1
, u
t
) = p (x
t
|x
t−1
, u
t
, x
0:t−2
, u
0:t−1
, m)
(13) 2. Les mesures sont onditionnellement indépendantes (au ours du temps). Ce i setraduitpar:
p (z
0:t
|x
0:t
, m) =
t
Y
i=0
p (z
i
|x
0:t
, m)
(14)3. Lamesureàl'instant
i
nedépend quedel'étatdurobotàl'intanti
etdelaposition desamers.Onaen onséquen e:p (z
i
|x
0:t
, m, . . .) = p (z
i
|x
i
, m)
(15) Ces3hypothèsessontréalistes.Eneet,lapremièresupposequel'onpeutobtenirlapositionduvéhi uleenneseservantquedeladernièrepositionetdu ontrleappliquédepuis ette
position (utilisation de l'équation de modèle 10). La deuxième hypothèse, quant à elle,
indiquequelesbruitsdes apteursnesontpas orrélésdansletemps, equi estégalement
assezréaliste. Enn,les apteursque l'on utilisemesurentla position relativedu robot et
desamersàuninstantbien pré is, equi justieladernièrehypothèse.
Unedernièrehypothèseestutilisée:ils'agitdel'hypothèsegaussienne.Cettedernière
est utilisée dans la plupart des appro hes probabilistes (hypothèse de base du ltre de
Kalman étendu utilisé dans l'EKF-SLAM et dans la partie EKF du FastSLAM). Cette
hypothèse onstitueégalementunedesbriquesdebasedesdéveloppementsmathématiques
duGraphSLAM.
3.2 Des ription du GraphSLAM
L'algorithmedeGraphSLAM tireprotdu ara tère éparsdelamatri e d'information
asso iéeàl'état(traje toiredurobotet amers).Ce iprovientdel'interprétationgraphique
duproblèmeduSLAM,etnotammentdufaitque onditionnellementàtoutelatraje toire,
lesamerssontindépendantsentre eux.Le prin ipe duGraphSLAM est de dénirunétat
qui ontient touteslespositions depuisl'instantinitial ainsi quelaposition desamers.La
matri ed'information(voirse tion3.2.1pouravoirdesrappelssur ettereprésentation)du
système est onstruitede manièrein rémentale ( f. gure2). Nousverronsque lamatri e
d'informationetleve teurd'informationnenousdonnentpasdire tementlatraje toiredu
Fig.2Constru tionin rémentaledelamatri ed'informationtotale ([18℄)
in rémentalementlamatri e d'information; e i apoureet d'ajouterdes termes dansla
matri ed'information( f.gure3).
Lesparagraphessuivantsdé riventendétaillesdéveloppementsmathématiquesqui
per-mettentla onstru tiondelamatri ed'informationetlarésolutionduproblèmed'inféren e
nal.
3.2.1 Représentation parmatri e d'informationet ve teur d'information
Danslespro hainesparties,nousparleronsdelareprésentationdedensitédeprobabilité
gaussiennepar ve teurd'informationet matri e d'information.Nousproposonsdans ette
partie de présenter de brefs rappels en e qui on erne ette matri e et e ve teur, et la
relationquiexisteentre les moments lassiques pourreprésenterunegaussienne.
Soient
µ
etΣ
l'espéran emathématiqueetlamatri edevarian es- ovarian esasso iées àune densitédeprobabilitégaussiennep (x)
. Onaalors:p (x) =
p
1
(2π)
n
det Σ
exp
−
1
2
(x − µ)
T
Σ
−1
(x − µ)
Le prin ipedelareprésentationparve teurd'informationet matri ed'informationest
de trouverun ve teur
ξ
et une matri eΩ
pour que le fa teur exponentiel dep
soit dela formeexp −
1
2
x
T
Ωx
+ x
T
ξ
Fig. 3 Marginalisation des amers pour retrouver la pose uniquement. Cette opération
entraînel'ajoutdeliensentrelespositions ([18℄)
Pour efaire,ilsutderé-é rireladensité
p (x)
.Tous al ulsfaits,onobtient:p (x) =
p
1
(2π)
n
det Σ
exp
−
1
2
µ
T
Σ
−1
µ
exp
−
1
2
x
T
Σ
−1
x
+ x
T
Σ
−1
µ
Ainsi,enposantΩ
= Σ
−1
etξ = Σ
−1
µ
,onobtient:p (x) =
p
1
(2π)
n
det Ω
−1
exp
−
1
2
ξ
T
Ω
−1
ξ
exp
−
1
2
x
T
Ωx
+ x
T
ξ
Ω
estappeléematri ed'informationetξ
estappeléve teurd'information.Ilesttrèsfa ile d'identier esparamètreslorsqu'onaune expression quadratique dansune exponentielle.Lesparamètres lassiques devarian eetd'espéran eseretrouventpar:
Σ
= Ω
−1
µ = Σξ
3.2.2 Densité a posteriori de latraje toire etde la arte
Dans equisuit,on her heàexprimerladensitédeprobabilitéaposteriori de
l'ensem-ble de la traje toire ainsi que de la arte (en supposant les asso iations onnues), soit :
En appliquantlarègledeBayessur
z
t
,onobtient:p (x
0:t
, m|z
1:t
, u
1:t
) =
p (z
t
|x
0:t
, m, z
1:t−1
, u
1:t
) p (x
0:t
, m|z
1:t−1
, u
1:t
)
p (z
t
|z
1:t−1
, u
1:t
)
(16) soit:p (x
0:t
, m|z
1:t
, u
1:t
) = η p (z
t
|x
0:t
, m, z
1:t−1
, u
1:t
) p (x
0:t
, m|z
1:t−1
, u
1:t
)
(17) oùη
estune onstantedenormalisation.En appliquantl'équation15surlepremierfa teur del'équation17,onobtient:p (x
0:t
, m|z
1:t
, u
1:t
) = η p (z
t
|x
t
, m) p (x
0:t
, m|z
1:t−1
, u
1:t
)
(18) En appliquantlarègledeBayes,lese ondfa teur dansl'équation18peuts'é rire:p (x
0:t
, m|z
1:t−1
, u
1:t
) = p (x
t
|x
0:t−1
, m, z
1:t−1
, u
1:t
) p (x
0:t−1
, m|z
1:t−1
, u
1:t
)
(19) En utilisantl'équation 13,l'équation19devient:p (x
0:t
, m|z
1:t−1
, u
1:t
) = p (x
t
|x
t−1
, u
t
) p (x
0:t−1
, m|z
1:t−1
, u
1:t
)
(20) Onpeutdésormaisinsérerlerésultatdel'équation20dansl'équation18pourobtenirlaformulationré ursivesuivante:
p (x
0:t
, m|z
1:t
, u
1:t
) = η p (z
t
|x
t
, m) p (x
t
|x
t−1
, u
t
) p (x
0:t−1
, m|z
1:t−1
, u
1:t−1
)
(21) Onpeutalorsmontrerparré urren eque:p (x
0:t
, m|z
1:t
, u
1:t
) = η
′
p (x
0
, m)
t
Y
k=1
p (x
k
|x
k−1
, u
k
) p (z
k
, |x
k
, m)
(22) oùη
′
estunfa teur onstant(aprioridiérentde
η
).Parailleurs,p (x
0
, m)
désigneladensité deprobabilitéapriori delapositiondurobotet dela arte.A haqueinstant
t
,leve teurz
t
ontientla on aténationdesobservationsee tuéessur plusieursamers.Pourrappel,nousnotonsz
t,(i)
l'observationdel'amer(i)
àl'instantt
.SoitM
t
l'ensembledesamersobservésàl'instantt
.Poursimplierlasuitedesdéveloppements, noussupposonsqu'àuninstantdonné,lesobservationsde haqueamersontindépendantesentre elles. Ce i signie don que les ve teurs aléatoires
z
t,(i)
, i ∈ M
t
sont indépendants entre eux. En onséquen e,ladensité aposteriori delatraje toiredu robotet de la artes'é rit:
p (x
0:t
, m|z
1:t
, u
1:t
) = η
′
p (x
0
, m)
t
Y
k=1
"
p (x
k
|x
k−1
, u
k
)
Y
i∈M
t
p z
k,(i)
, |x
k
, m
(i)
#
(23)Remarque3.1 (Eliminationde
m
dansp (x
0
, m)
)En général, la densité a priori de la arte et de la position initiale sont indépendantes.
p (x
0
, m)
peutdon s'é rirep (x
0
) p (m)
.Si la arte est omplètement in onnue,nous pou-vonsintégrerp (m)
dansla onstanteenfa teur.Dans equisuit, noussupposonsque 'est3.2.3 Logarithme de la densité a posteriori
Nous allonsdésormais al ulerle logarithme de ladensité al ulée dans l'équation 23.
Entenant omptedelaremarque3.1,nousobtenons:
log p (x
0:t
, m|z
1:t
, u
1:t
) =
onst.+log p (x
0
)+
t
X
k=1
"
log p (x
k
|x
k−1
, u
k
)
X
i∈M
k
log p z
k,(i)
, |x
k
, m
(i)
#
(24)
Ensupposantquelesbruitsappliquéssurlemodèlesd'évolutionetdemesures(fon tions
f
eth
),sontadditifs, entrésetgaussiensdematri esdevarian es- ovarian esQ
t
etR
t
,on obtient:
p (x
t
|x
t−1
, u
t
) ∝ exp
−
1
2
(x
t
− f
t
(x
t−1
, u
t
))
T
Q
−1
t
(x
t
− f
t
(x
t−1
, u
t
))
p z
t,(i)
, |x
t
, m
(i)
∝ exp
−
1
2
z
t,(i)
− h(x
t
, m
(i)
)
T
R
−1
t
z
t,(i)
− h(x
t
, m
(i)
)
(25)Enn, en supposant que la densité de probabilité a priori sur la position initiale est
gaussienne, entrée,dematri ed'information
Ω
0
,p (x
0
)
estdon proportionnelleàexp x
T
0
Ω
0
x
0
. Onadon aunal:log p (x
0:t
, m|z
1:t
, u
1:t
)
=
onst.−
1
2
x
T
0
Ω
0
x
0
+
P
t
k=1
(x
k
− f
k
(x
k−1
, u
k
))
T
Q
−1
t
(x
k
− f
k
(x
k−1
, u
k
))
+
P
t
k=1
P
i∈M
k
z
k,(i)
− h(x
k
, z
k,(i)
)
T
R
−1
t
z
k,(i)
− h(x
k
, z
k,(i)
)
(26)
3.2.4 Expansion de Taylor
L'équation 26 nous donne l'expression du logarithme de la densité a posteriori de la
traje toiredurobot etdela arte.Malheureusement, elle- in'estpasquadratiqueen
x
etm
, maisseulementenf
t
eth
. Nousallonsdésormaislinéariser esfon tions and'obtenir uneexpressionquadratiqueenx
etm
.Soit
µ
x
0:t
unetraje toiredelinéarisationsupposéepro hedelatraje toireréelleetµ
m
un
pointdelinéarisationpourla arte.Noussupposons
µ
x
0:t
etµ
m
disponibles;nousdis uterons
delamanièredelesobtenirdansleparagraphe3.2.6.
En supposantlalinéarisationvalide,leséquationsde prédi tionet demesures'é rivent
alors:
(
f
t
(x
t−1
, u
t
) ≈ f
t
(µ
t−1
x
, u
t
) + G
t
x
t−1
− µ
x
t−1
h(x
t
, m
(i)
) ≈ h(µ
t
, µ
(i)
) + H
x
t,(i)
(x
t
− µ
x
t
) + H
m
t,(i)
m
(i)
− µ
m
(i)
(27)
G
t
désignelamatri eja obiennedef
t
parrapportàx
t−1
évaluéenµ
t−1
;H
x
t,(i)
désignelamatri eja obiennedeh
parrapportàx
t
évaluéenµ
x
t
etµ
m
(i)
;H
m
t,(i)
désignelamatri eja obiennedeh
parrapportàm
évaluéenµ
x
t
etµ
m
(i)
.Tous al uls faits,l'équation26peutseré-é riredelafaçonsuivante:
log p (x
0:t
, m|z
1:t
, u
1:t
) =
onst.'−
1
2
x
T
0
Ω
0
x
0
|
{z
}
0
+
P
t
k=1
−
1
2
x
k
x
k−1
T
I
−G
T
k
Q
−1
k
I
−G
k
|
{z
}
(1)x
k
x
k−1
+
x
k
x
k−1
T
I
−G
T
k
Q
−
k
1
(f
k
(µ
k−1
x
, u
k
) + G
k
µ
x
k−1
)
|
{z
}
(2)+
P
i∈M
k
−
1
2
x
k
m
(i)
T
"
H
x
k,(i)
T
H
m
k,(i)
T
#
R
−1
k
H
x
k,(i)
H
m
k,(i)
|
{z
}
(3)x
k
m
(i)
+
x
k
m
(i)
T
"
H
x
k,(i)
T
H
m
k,(i)
T
#
R
−
k
1
z
k,(i)
− h µ
x
k
, µ
m
(i)
+
H
x
k,(i)
H
m
k,(i)
µ
x
k
µ
m
(i)
|
{z
}
(4)
(28)Dansl'équation28,nousn'avonsretenuquelestermeslinéairesetquadratiquesen
x
etm
.Lerestedestermessontdestermes onstants.L'équation28montrequ'ilestainsipossible d'é rire ladensitéaposteriori de latraje toireet dela arteàl'aided'unereprésentationparmatri ed'informationetve teurd'information.Onaalors:
log p (x
0:t
, m|z
1:t
, u
1:t
) =
onst.'−
1
2
x
0:t
m
T
Ω
x
0:t
m
+
x
0:t
m
T
ξ
(29)La matri e
Ω
de l'équation 29 est onstruite à partirdu terme (0) et des termes de type (1)et (3)del'équation 28.Leve teurd'informationξ
,quantàlui,est onstruitgrâ eaux termesdetype(2)et(4)del'équation28.3.2.5 Rédu tion de la matri e d'informationetdu ve teurd'information
et d'espéran emathématique.La matri edevarian es- ovarian estotale seraitpleine. Les
auteursde[18℄proposentderéduire etteformeendeuxfa teurs(l'unpourlatraje toirea
posteriori et l'autrepourla arteaposteriori mais onditionnellementàlatraje toire).La
justi ationde etterédu tionestl'équationdefa torisationdeladensitéaposteriori :
p (x
0:t
, m|z
1:t
, u
1:t
) = p (x
0:t
|z
1:t
, u
1:t
) p (m|x
0:t
, z
1:t
, u
1:t
)
(30) Dans eparagraphe,nousmontronsdon ommentobtenirlesparamètres.Danslasuite,nousallonsutiliserladé omposition anoniquedel'étatentrelatraje toireetla arte.Ainsi,
nouspouvonsadopterlesnotationsintuitivessuivantes:
Ω
=
Ω
x
0:t
,x
0:t
Ω
x
0:t
,m
Ω
m,x
0:t
Ω
m,m
(31)ξ
=
ξ
x
0:t
ξ
m
(32) 3.2.5.1 Obtentiondep (x
0:t
|z
1:t
, u
1:t
)
:Etant donné que les densités de probabilité onsidéréessont gaussiennes, l'estimation
desparamètresde
p (x
0:t
|z
1:t
, u
1:t
)
estdonnéeparlethéorèmedemarginalisation.Ainsi,la matri ed'informationet leve teurd'informationasso iés(notésΩ
˜
etξ
˜
)valent:˜
Ω
=
Ω
x
0:t
,x
0:t
− Ω
x
0:t
,m
Ω
−1
m,m
Ω
m,x
0:t
(33)˜
ξ
=
ξ
x
0:t
− Ω
x
0:t
,m
Ω
−1
m,m
ξ
m
(34) L'équation28nousmontrequelamatri eΩ
m,m
estdiagonaleparblo s:Ω
m,m
=
diagΩ
(1),(1)
, . . . , Ω
(j),(j)
, . . . , Ω
(N ),(N )
(35)
où
N
représentelenombretotald'amerset :Ω
(j),(j)
=
X
k∈τ (j)
H
m
k,(i)
T
R
k
H
m
k,(i)
(36)où
τ (j)
désignel'ensembledesinstantsoùl'amerj
aétéobservé.Deplus,lamatri eΩ
x
0:t
,m
s'é rit:Ω
x
0:t
,m
=
Ω
x
0:t
,(1)
· · ·
Ω
x
0:t
,(j)
· · ·
Ω
x
0:t
,(N )
(37)ave :
Ω
x
0:t
,(j)
=
Ω
x
1
,(j)
. . .Ω
x
k
,(j)
. . .Ω
x
t
,(j)
et(
Ω
x
k
,(j)
=
H
x
k,(i)
T
R
−1
k
H
m
k,(i)
sik ∈ τ(j)
Ω
x
k
,(j)
= 0
sinon (38) Au nal,ona:˜
Ω
= Ω
x
0:t
,x
0:t
−
P
N
j=1
Ω
x
0:t
,(j)
Ω
(j),(j)
−1
Ω
(j),x
0:t
˜
ξ
= ξ
x
0:t
−
P
j=1
Ω
x
0:t
,(j)
Ω
(j),(j)
−1
ξ
(j)
(39) ave :ξ
(j)
=
X
k∈τ (j)
H
m
k,(j)
T
R
−1
k
z
k,(i)
− h
µ
x
k
, µ
m
(j)
+
h
H
x
k,(j)
H
m
k,(j)
i
µ
x
k
µ
m
(j)
(40) 3.2.5.2 Obtentiondep (m|x
0:t
, z
1:t
, u
1:t
)
:Les paramètres de
p (m|x
0:t
, z
1:t
, u
1:t
)
, quant à eux, s'obtiennent grâ e au théorème sur le onditionnementpar une variable aléatoiregaussienne. En notantΩ
˜
m
|x
et
ξ
˜
m
|x
les
paramètres her hés,lethéorèmede onditionnementnousdonne:
˜
Ω
m
|x
= Ω
m,m
˜
ξ
m
|x
= ξ
m
+ Ω
m,x
0:t
x
0:t
(41)3.2.5.3 Re onstru tionde la traje toire etde la arte
Onpeutdésormaisee tueruneestimationdelatraje toireaposteriorientransformant
lesparamètresd'informationenespéran eet matri e devarian es- ovarian es.Soit
ˆ
x
0:t
etΣ
x
lesparamètres her hés,ona:
Σ
x
=
Ω
˜
−1
ˆ
x
0:t
=
Σ
ˆ
x
ξ
˜
(42)
L'estimation de la arte et de sa matri e de varian es- ovarian es s'ee tue de façon
similaire:
ˆ
Σ
m
=
Ω
−1
m,m
ˆ
m
=
Σ
m
(ξ
m
+ Ω
m,x
0:t
x
ˆ
0:t
)
(43)Sa hantquelamatri e
Ω
m,m
estdiagonaleparblo (unblo pour haqueamer),ilenrésulte unedé orrélationdesamers onditionnellementàlatraje toire.Onpeutainsi al ulerunematri edevarian es- ovarian eset uneespéran epour haqueamer
(j)
:Σ
(j)
= Ω
−1
(j),(j)
ˆ
m
(j)
= Σ
(j)
ξ
(j)
+ Ω
(j),x
0:t
x
ˆ
0:t
=
Σ
(j)
ξ
(j)
+ Ω
(j),τ (j)
x
ˆ
τ (j)
(44)Lesauteursde[18℄nesuggèrentquede al ulerlesparamètresdela arte
onditionnelle-mentàlatraje toire.Le al uldesvéritablesparamètresaposteriori pour haqueamerest
jugétroplourdétantdonnéqu'iln'yapasdefa torisationpossible omme 'estle as
on-ditionnellementàlatraje toire.Néanmoins,nousee tueronsle al ul ompletdesmatri es
devarian es- ovarian esand'avoiruneestimationdel'in ertitudeasso iéeauxamers.
3.2.6 Obtenirles pointsde fon tionnement
Les développementspré édentssontbasés surle fait qu'il existe undéveloppement de
Taylorpermettant de rendre linéaireles équations de modèle et de mesure. Pour ela, le
pointdelinéarisationdoitêtre susammentpro he delavraie solution.
3.2.6.1 Premièreitération :
Dans un premier temps, nous pouvons initialiser la traje toire en appliquant
simple-ment lafon tion de modèleave les entrées a quises. Ensuite, nous pouvons utiliser ette
traje toireet lesmesurespouree tuer unpla ementapproximatifdesamers(dansle as
bearing-only,onpeutparexempleee tueruneinitialisationauxmoindres arrésdesamers
étantdonnéquel'ondisposedetoutelatraje toire 5
).
Il devient alors possible d'appliquer l'algorithme de GraphSLAM grâ e aux points de
fon tionnementtrouvéspourlatraje toireet la arte.
Remarque3.2
Au unein ertituden'estasso iéeà espointsdefon tionnement.Ilsnedoiventpasêtre
on-sidérés ommeuneinformationaprioriparexemple.Ils'agitjustedesepla ersusamment
prèsde la solutionpour quel'algorithmede GraphSLAM soitvalide.
3.2.6.2 Itérationssuivantes :
Ilestpossiblequelespointsdefon tionnementutilisésàl'originenesoientpasparfaits
(notammentdansle asdemesuresfortementbruitées).Ainsi, lerésultatduGraphSLAM
est peutêtre légèrementbiaisé, tout en étantplus juste quel'initialisation initiale. On va
alorsrelan erl'algorithmedeGraphSLAMenutilisantlespré édentsrésultats ommepoints
defon tionnement.
Cettestratégieitérativeestalorsmaintenuejusqu'à onvergen edurésultat.
5
3.2.7 Con lusion
Lesétapesprésentéesmettentenéviden elaphilosophieduGraphSLAM,àsavoir
l'util-isationdelatraje toiretotaledurobotparlebiaisd'unltred'informationquifaitressortir
lastru turegraphiqueduSLAM.Ilexisted'autresalgorithmesbaséssur eprin ipe, omme
lesquarerootSAM([5℄).Dans e dernier as,desoptimisations sontee tuéesan de
fa -toriserlamatri ed'informationet deréduirelestempsde al ul.
4 Mise en appli ation du GraphSLAM
Nous présentonsdans ettese tionl'appli ationduGraphSLAMau as 2D/3Détudié.
Nous donnons dans un premier temps le détail des matri es ja obiennes utilisées. Nous
expli itons ensuitelesmatri esde varian es- ovarian esutilisées.Enn, unedis ussion est
faite on ernantl'initialisationdelatraje toiredurobotet desamers.
4.1 Matri es ja obiennes des fon tions
f
eth
L'appli ationdel'algorithmedeGraphSLAMné essitedelinéariserlesfon tions
f
eth
autourdepointsdefon tionnementsupposéspro hesdelasolutionréelle.Cettelinéarisationimpliquele al ul desmatri es ja obiennes
f
eth
. Cesmatri espeuventdépendreàlafois del'étatetdesentrées.4.1.1 Matri e ja obiennede lafon tion d'évolution
Cette matri e représente lesvariations de
x
t+1
par rapport àde petitesvariationssurx
t
.Elleest notéeF
t+1
etvaut:F
t+1
=
1 0
−ds
x
t
sindω
t
2
sin θ
t
+
dω
2
t
0 1
ds
x
t
sindω
t
2
cos θ
t
+
dω
2
t
0 0
1
(45) Remarque4.1 (Absen e deds
y
t
) Letermeds
y
t
n'apparaît pasdansl'équation45 aril aétépréalablement rempla éparzéro.4.1.2 Matri e ja obiennede lafon tion de mesurespar rapport à
x
t
Cette matri ereprésente les variationsde
z
t
parrapport àdepetites variationsdex
t
. Etant donnéque l'onmesure haqueamerindépendammentdesautres, on donneraseule-mentlamatri eja obiennedelafon tiondemesuredel'amer
(i)
,notéeH
x
t,(i)
:H
x
t,(i)
=
"
y
(i)
−y
t
(x
(i)
−x
t
)
2
+(y
(i)
−y
t
)
2
−(x
(i)
−x
t
)
(x
(i)
−x
t
)
2
+(y
(i)
−y
t
)
2
−1
H
x
t,(i)
(2, 1)
H
x
t,(i)
(2, 2)
0
#
(46)ave :
H
x
t,(i)
(2, 1) =
z
(i)
(x
(i)
−x
t
)
√
(x
(i)
−x
t
)
2
+(y
(i)
−y
t
)
2
(x
(i)
−x
t
)
2
+(y
(i)
−y
t
)
2
+z
(i)
2
H
x
t,(i)
(2, 2) =
z
(i)
(y
(i)
−y
t
)
√
(x
(i)
−x
t
)
2
+(y
(i)
−y
t
)
2
(x
(i)
−x
t
)
2
+(y
(i)
−y
t
)
2
+z
(i)
2
(47)
4.1.3 Matri e ja obiennede lafon tion de mesurespar rapport à
m
De même, les variations des mesures par rapport à de petites variations de la arte
d'amerssontdonnéespar
H
m
t,(i)
:H
m
t,(i)
=
−(y
(i)
−y
t
)
(x
(i)
−x
t
)
2
+(y
(i)
−y
t
)
2
x
(i)
−x
t
(x
(i)
−x
t
)
2
+(y
(i)
−y
t
)
2
0
H
m
t,(i)
(2, 1)
H
m
t,(i)
(2, 2)
√
(x
(i)
−x
t
)
2
+(y
(i)
−y
t
)
2
(x
(i)
−x
t
)
2
+(y
(i)
−y
t
)
2
+z
2
(i)
(48) ave :(
H
m
t,(i)
(2, 1) =
−H
x
t,(i)
(2, 1)
H
m
t,(i)
(2, 2) =
−H
x
t,(i)
(2, 2)
(49)4.2 Matri es de varian es- ovarian es utilisées
Dansle adreduGraphSLAM,toutesleserreurssontsupposéesêtregaussiennes.Nous
dé rivonsi ilesmatri esdevarian es- ovarian esutilisées.Ellessontaunombrededeux :
1.
Q
t
est la matri e de varian es- ovarian es liée à l'erreur ee tuée en appliquant la fon tionf
.2.
R
t
est lamatri e de varian es- ovarian esliéeà l'erreuree tuée sur la mesuredes amers.Lesmesuresdesamerssontsupposéesindépendantes.R
t
s'é ritdon :R
t
=
diagR
t,(1)
, . . . , R
t,(N )
4.2.1 Matri e de varian es- ovarian es liéeà la mesure
Lamatri edevarian es- ovarian esliéeàlamesureestdire tementliéeàl'erreurdu
ap-teur.Noussupposons pouvoir ara tériser etteerreur(savarian e)etqu'elleestidentique
pourl'ensembledesamersobservés.Onpose:
∀i ∈ [1 . . . N] R
t,(i)
=
σ
2
α
0
0
σ
2
β
(50)Remarque4.2 (Matri e
R
t,(i)
diagonale)Dans e qui suit, la matri e de varian es- ovarian es de
R
t,(i)
est prise diagonale. Ce i signie que dans les simulations de la se tion 7, les erreurs sur les angles de gisement etNéanmoins, e i n'est pasné essairement vrai pour les as réels. Par exemple, dans le as
d'uneimageomnidire tionnelle,uneerreursurlalo alisationd'unpointdansl'image
( oor-donnéesenpixels)peutintroduiredes orrélationsentrelesanglesde gisementetd'élévation
(à ausede la géométriedu apteur).
4.2.2 Matri e de varian es- ovarian es liéeau modèle
Lamatri edevarian es- ovarian esdueàl'utilisationdelafon tion
f
pourobtenirune prédi tiondel'étatdurobotàl'instantt + 1
(équation2)estmoinstriviale.Ilestné essaire deprendreen omptedeuxtypesd'erreurs:Erreur
ν
f
t+1
: 'est l'erreursur le modèle, agissantde manière additive. Nous supposons onnaître sa matri e de varian es- ovarian eset qu'elle est indépendante du temps.Nouslanotons
Q
f
.
Erreur
ν
u
t+1
: 'est l'erreur ommise sur la mesure des entrées.ds
x
t
etdw
t
sont obtenus par odométrie et enta hés d'erreur. Par ailleurs, nous supposons qu'une vitesseV
y
( petite )parasite(et nonmesurée) peutégalementêtreprésenteentre lesinstantst
ett + 1
sous forme d'un bruit gaussien. Nous notonsQ
u
lamatri e de
varian es- ovarian esasso iée.Noussupposonsque ette matri eestdiagonale(ie.les3erreurs
duesàla ommandesontindépendantes)et onstante: 6
Q
u
=
diagσ
2
ds
x
, σ
2
ds
y
, σ
2
dω
aveσ
2
ds
y
≪ σ
ds
2
x
Dansl'algorithmegénéraldeGraphSLAM,ilestsupposéquel'erreursurlemodèleintervient
defaçonlinéaire.Ce iestee tivementle aspour
ν
f
t+1
,maisçanel'estpaspourν
u
t
.Unelinéarisationestee tuée.Onaaunal:
Q
t+1
= J
u
t
Q
u
J
u
t
T
+ Q
f
(51) oùJ
u
t
estlamatri eja obiennef
parrapportàu
(évaluée en(x
t
, u
t
)):J
u
t
=
sindω
t
2
cos θ
t
+
dω
2
t
−
sindω
t
2
sin θ
t
+
dω
2
t
J
u
t
(1, 3)
sindω
t
2
sin θ
t
+
dω
2
t
sindω
t
2
cos θ
t
+
dω
2
t
J
u
t
(2, 3)
0
0
1
(52) ave :(
J
u
t
(1, 3) =
2ds
x
t
dω
2
t
cos θ
t
+
dω
t
2
·
dω
t
2
cos
dω
t
2
− sin
dω
t
2
−
ds
x
t
2
sindω
t
2
· sin θ
t
+
dω
2
J
u
t
(2, 3) =
2ds
x
t
dω
2
t
sin θ
t
+
dω
t
2
·
dω
t
2
cos
dω
t
2
− sin
dω
t
2
+
ds
x
t
2
sindω
t
2
· cos θ
t
+
dω
2
(53) 6C'estunehypothèse poursimplierlessimulations.Ellen'estpasné essairedans le asréel(oùilya
Remarque4.3 (sur
Q
t
(3, 3)
)Leterme
Q
t
(3, 3)
est indépendant du temps( arla matri eQ
f
est supposée indépendante
du temps et que le terme
(3, 3)
deJ
u
t
Q
u
J
u
t
T
l'est aussi). Par ailleurs, l'erreur du modèle on ernant l'orientation du robot est uniquement due à l'erreur sur la rotation mesurée.Cetteerreur estprise en omptedans lapartie
J
u
t
Q
u
J
u
t
T
.OnprendradonQ
f
(3, 3) = 0
.
4.3 Initialisation
L'algorithmede GraphSLAM né essiteenn d'ee tuerune initialisation.Celle- i doit
permettred'obtenirunpremierpoint defon tionnement orre tpourpermettrela
linéari-sationdeséquationsdemodèleet demesures.Ondistinguei il'initialisationdesamersde
elledelatraje toiredurobot.
4.3.1 Initialisation de la traje toire
L'initialisationdelatraje toirepeutsefairegrâ eaumodèle.L'intégrationdel'odométrie
(appli ation de l'équation 10) permet d'obtenir une traje toire susamment pré ise, au
moinssurle ourtterme.Néanmoins,nousn'initialisonspasl'ensembledelatraje toireen
une seule fois (la varian e de l'erreurn'étantpas bornée dans le temps). Plusieurs
publi- ations font état du ara tère ritiquede l'angle de ap durobot lors de la résolution du
problèmedeSLAM([2,7℄).Ainsi,nous hoisissonsun ritèrebasésurlavarian edel'angle
de appour hoisirletempsd'intégration.
Soit
σ
2
θ,max
la varian e maximale tolérée sur l'angle de ap. Le ara tère additif desmatri esdevarian es- ovarian esfaitquelavarian ede l'anglede apàl'instant
t
(notéeσ
2
θ,t
)s'é rit:σ
2
θ,t
=
t
X
i=1
Q
i
(3, 3) = t · Q
1
(3, 3)
(Q
i
(3, 3)
estinvariantdansletemps) (54)Aunal, on hoisit
t = E
σ
2
θ,max
Q
1
(3,3)
(où
E(x)
désignelapartieentièredex
).Onpeutalorsappliquerl'algorithmedeGraphSLAMentrelesinstants
0
ett
.Ensuite,la varian edu apàl'instantt
diminuegrâ eàl'appli ationdel'algorithme.Soitσ
2
θ−GSLAM,t
ettevarian e.Onané essairement
σ
2
θ−GSLAM,t
< σ
θ,t
2
, e quinouspermetd'initialiser unnouveaumor eaudelatraje toireentre lesinstants
t
ett
′
où
t
′
estdénipar:
t
′
= E
σ
2
θ,max
− σ
2
θ−GSLAM,t
Q
1
(3, 3)
(55)La nouvelleinitialisation pour l'appli ationdu GraphSLAM entre les instants
0
ett
′
sera
la on aténation du résultat du GraphSLAM entre les instants
0
ett
et l'in rément de traje toireobtenuenintégrantleséquationsdemodèleentrelesinstantst
ett
′
.