Recherche Avancée

Thèse soutenue

Contribution à la localisation dynamique d'un robot mobile

FR  |  
EN
Auteur / Autrice : Olivier Devise
Direction : Jean-François Le Corre
Type : Thèse de doctorat
Discipline(s) : Automatique
Date : Soutenance en 1993
Etablissement(s) : Nantes

Résumé

FR

Ce mémoire présente diverses méthodes de localisation dynamique d'un robot mobile et développe plus particulièrement les méthodes stochastiques. On cherche à estimer la position, l'orientation et la vitesse de l'engin. Ce robot est equipé du système SIREM (système intégré de repérage d'engin mobile). Ce système se compose d'une caméra embarquée en rotation à vitesse constante autour d'un axe vertical, qui permet de mesurer les angles de gisement et de hauteur sous lesquelles sont vues des balises lumineuses fixes, dont la position dans l'environnement est parfaitement déterminée. On obtient donc des relevés asynchrones des différentes balises. Les principales difficultés proviennent du non cadencement des mesures et de leur caractère non linéaire et multiplexe. Les méthodes de localisation sont regroupées en deux classes: la première regroupe les approches déterministes applicables au cas 2d et 3d alors que la deuxième contient les méthodes stochastiques mettant en oeuvre un filtre de Kalman. Les méthodes déterministes consistent à obtenir, sous certaines hypothèses, un système non linéaire et à le résoudre. Ce système traduit les contraintes locales entre les états et les mesures. Les méthodes stochastiques consistent à élaborer un filtre estimateur à caractère global. Une première classe de ces méthodes conduit à un filtre centralise traitant directement les mesures. Une deuxième classe consiste à effectuer des pré-traitements sur chaque balise générant artificiellement un relevé continu de celles-ci avant une exploitation centralisée de ces nouvelles mesures. Il s'agit d'une approche de type fusion de données. Toutes ces méthodes sont testées sur une même simulation réaliste afin de comparer leurs performances respectives. Il apparaît que ce sont les méthodes stochastiques plus complexes qui fournissent l'estimation la plus précise