La soutenance de thèse de Mr Zayed ALSAYED intitulée « Caractérisation de la Robustesse et Amélioration de la Précision d’un Système de Localisation SLAM pour un Véhicule Autonome » aura lieu le 20 juin à 9h30 à Télécom ParisTech, 46 rue Barrault 75013, Amphithéâtre Jade. Il s’agit d’une thèse entre VEDECOM et l’Inria Paris.

JURY

Cette soutenance aura lieu devant le jury :
Philippe BONNIFAIT – Professeur Université de Technologie de Compiègne
Roland CHAPUIS – Professeur Université Blaise Pascal
Examinateurs :
Michel DEVY – Directeur de recherche LAAS – Toulouse
Guillaume BRESSON – Chargé de Recherche – VEDECOM
Fawzi NASHASHIBI – Directeur de Recherche – Inria Paris
Directrice de thèse :
Mme Anne VERROUST-BLONDET – Chargé de recherche HDR – Inria Paris

RESUME

Dans le domaine du véhicule autonome, une mauvaise estimation de la localisation du véhicule peut avoir de graves conséquences sur la sécurité. Il est donc primordial de garantir la précision et de connaître les limites du système de localisation. Cette thèse présente un ensemble de méthodes permettant d’améliorer la fiabilité des résultats obtenus par un algorithme de SLAM (cartographie et localisation simultanées) 2D sur un véhicule autonome circulant dans des environnements urbains et péri-urbains et sous des contraintes réelles.

Différents aspects d’une méthode de SLAM ont été étudiés dans cette thèse, dans le but d’améliorer : 1. la robustesse de l’algorithme de SLAM en détectant ses limites intrinsèques de la méthode ; 2. la précision des résultats en atténuant l’impact des approximations dues aux modélisations ; 3. l’utilisation du SLAM à grande échelle et avec des ressources limitées en introduisant une technique de gestion de carte. Une méthode de SLAM peut être mise en échec si la configuration de l’environnement du véhicule ne permet pas d’effectuer une localisation précise et non ambiguë. Deux approches basées sur méthodes d’apprentissage ont été introduites pour repérer de telles situations.

La première approche permet de détecter a priori les scénarios de défaillance potentiels en calculant un descripteur de l’environnement à partir des données laser brutes décrivant le voisinage du véhicule à chaque instant. Cette méthode est indépendante de l’implémentation SLAM sous-jacente.

La deuxième approche est dédiée aux algorithmes de SLAM utilisant des scores de vraisemblance pour estimer la localisation du véhicule. Elle est exécutée en parallèle du SLAM et ne dépend pas du capteur utilisé. Les approximations des modèles de représentation de l’environnement et de déplacement utilisés dans les algorithmes de SLAM induisent des erreurs systématiques lors de l’estimation de la position et de l’orientation du véhicule. Nous proposons d’utiliser deux types d’information pour atténuer ces erreurs : les poses relatives calculées aux instants précédents et la distribution des scores de vraisemblance calculés à chaque instant. La prédiction d’erreur est apprise en utilisant un modèle EMLP (Ensemble Multilayer Perceptron). La correction d’erreur est appliquée a posteriori du calcul d’estimation de la localisation.

Enfin, une technique de gestion de carte dédiée aux algorithmes de SLAM 2D basés sur des grilles a été proposée pour permettre une navigation du véhicule sur de longues distances sans augmentation du temps de calcul et de la taille des ressources utilisées.

Les approches présentées dans cette thèse ont été testées et validées sur les données publiques de KITTI et sur des données réelles acquises en utilisant un véhicule équipé de capteurs.