Rétropropagation dans un filtre de Kalman avec des applications à la détection de défauts et à la navigation

Backpropagating gradients through the Kalman Filter with applications to fault detection and navigation

• Auteur / Autrice : Colin Parellier
• Direction : Silvère Bonnabel
• Type : Projet de thèse
• Discipline(s) : Informatique temps réel, robotique et automatique - Paris
• Date : Inscription en doctorat le 01/04/2020
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : CAOR - Centre de CAO et Robotique
• Partenaire(s) de recherche : établissement opérateur d'inscription : Mines Paris-PSL

Mots clés

Mots clés libres

Filtre de Kalman

Navigation

Rétropropagation

Optimisation

Gradient

Réseau de neurones

Kalman filter

Navigation

Backpropagation

Optimisation

Gradient

Neural network

Résumé

Cette thèse s'inscrit dans la continuité des travaux menés en collaboration avec le groupe Safran et le centre de recherche CAOR à Mines ParisTech sur le développement de nouvelles méthodes pour la navigation haute précision de robots ou plus généralement de véhicules, à partir de mesures inertielles. Le travail de la thèse consiste d'abord à construire un réseau de neurones capable de régler les paramètres de filtres de fusion de données issus des précédents travaux. L'application visée dans un premier temps sera assez classique: il s'agira par exemple de la fusion inertie-odométrie. Dans un second temps, les techniques développées seront appliquées au problème de l'estimation d'une odométrie visuelle, par vidéo et/ou LiDAR, associée à une incertitude, en vue d'une fusion avec des mesures inertielles. Le but majeur de ce travail est d'aboutir à l'identification, sans a priori, d'informations "primaires" utiles pour la navigation, extraites des mesures visuelles ou LiDAR brutes.

This thesis is the continuation of research carried out in collaboration with the Safran group and the CAOR research center at Mines ParisTech on the development of new methods for the high-precision navigation of robots or vehicles, based on inertial measurements. Primarily, the work consists of building a neural network able to adjust the parameters of data fusion filters developed in previous work. The first application will be quite standard: it will concern, for example, inertia-odometry fusion. Secondly the techniques developed will be applied to the problem of estimating a visual odometry, by video and/or LiDAR, linked to an uncertainty, in order to merge it with inertial measurements. The main purpose of this work is to achieve identification, without prior knowledge, of "primary" information relevant for navigation, extracted from raw visual or LiDAR measurements.