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.

VEDECOM a le plaisir de vous annoncer la soutenance de thèse de Mr Li YU intitulée « Localisation absolue par mono-caméra d’un véhicule en milieu urbain via l’utilisation de Street View » qui aura lieu le vendredi 6 avril 2018 à l’école des Mines ParisTech.

Cette soutenance aura eu lieu de avant le jury :
Patrick RIVES, INRIA Sophia Antipolis (Rapporteur)
Paul CHECCHIN, Institut Pascal Université Clermont Auvergne (Rapporteur)
Mme Samia BOUCHAFA, Université d’Évry-Val-d’Essonne (Examinateur)
Fabien MOUTARDE, MINES ParisTech (Directeur de thèse)
Cyril JOLY, MINES ParisTech (Examinateur)
Guillaume BRESSON, Institut VEDECOM (Examinateur)

Dans un travail réalisé au Centre de Robotique et à l’Institut VEDECOM, nous nous sommes intéressés aux systèmes robustes de localisation visuelle en milieu urbain pour la voiture autonome. Obtenir une pose exacte à partir d’une caméra monoculaire est difficile et insuffisant en terme de précision pour la voiture autonome actuelle. Plutôt que d’utiliser des approches comme la navigation par satellites ou les méthodes de Cartographie et Localisation Simultanées (SLAM), nous nous sommes concentrés sur l’utilisation de Systèmes d’Information Géographiques (SIG) pour concevoir une approche fiable, précise et absolue de localisation en milieu urbain ne nécessitant pas de passage préalable d’un véhicule instrumenté et se basant sur une unique caméra.
Notre première tâche a été de concevoir une base de données hors ligne à partir d’un SIG public dense, à savoir Google Maps, qui a l’avantage d’avoir une couverture mondiale. Nous générons une représentation topo-métrique compacte de l’environnement urbain dynamique en extrayant quatre données utiles du SIG : les topologies, les géo-coordonnées, les Street Views panoramiques et les cartes de profondeur associées.
Pour exploiter le SIG, nous proposons deux méthodes de localisation : l’une est une approche de vision par ordinateur basée sur l’extraction de caractéristiques, l’autre est une méthode d’apprentissage basée sur les réseaux de neurones convolutionnels (convnet).
En vision par ordinateur, l’extraction de caractéristiques est un moyen populaire de résoudre le positionnement à partir d’images. Nous tirons parti de Google Maps et utilisons ses données topo-métriques hors ligne pour construire un positionnement allant de grossier à fin, à savoir un processus de reconnaissance de lieu topologique puis une estimation métrique de pose par optimisation de graphe. La seule entrée de cet algorithme est une séquence d’images provenant d’une caméra monoculaire et la base de données construite à partir de Google Maps. De plus, il n’est pas nécessaire d’établir des correspondances d’image à image, ni d’utiliser l’odométrie. La méthode a été testée en environnement urbain et démontre à la fois une précision métrique et une robustesse aux changements de point de vue et d’illumination ainsi qu’aux occlusions. Les résultats montrent que les emplacements éloignés de Street Views produisent une erreur significative dans la phase d’estimation métrique. Ainsi, nous synthétisons des Street Views artificielles pour compenser la densité des Street View originales et améliorer la précision.
Cette méthode souffre malheureusement d’un temps de calcul important. Étant donné que le SIG nous offre une base de données géolocalisée à l’échelle mondiale, cela nous motive à régresser des localisations globales directement à partir d’un convnet de bout en bout. La base de données hors ligne précédemment construite est encore insuffisante pour l’apprentissage d’un convnet. Pour compenser cela nous densifions la base d’origine d’un facteur mille et utilisons l’apprentissage par transfert pour faire converger notre régresseur convnet et avoir une bonne performance. Le régresseur permet également d’obtenir une localisation globale à partir d’une seule image et en temps réel.