Thèse soutenue

Localisation robuste multi-capteurs et multi-modèles
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Alexandre Ndjeng Ndjeng
Direction : Didier AubertSébastien GlaserDominique Gruyer
Type : Thèse de doctorat
Discipline(s) : Traitement des images et du signal
Date : Soutenance le 14/09/2009
Etablissement(s) : Evry-Val d'Essonne
Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie (Evry ; 2008-2015)
Jury : Président / Présidente : Denis Gingras
Examinateurs / Examinatrices : Sébastien Glaser, Dominique Gruyer, Fawzi Nashashibi, Vincent Nimier
Rapporteurs / Rapporteuses : Roland Chapuis, Patrick Rives

Mots clés

FR  |  
EN

Mots clés libres

Résumé

FR  |  
EN

De nombreux travaux de recherches sont menés depuis quelques années dans le but de fournir une solution précise et intègre au problème de la localisation de véhicules routiers. Ces recherches sont en majorité fondées sur la théorie probabiliste de l’estimation. Elles utilisent la fusion multi-capteurs et le filtrage de Kalman mono-modèle, au travers de variantes adaptées aux systèmes non linéaires ; l’unique modèle complexe étant supposé décrire toute la dynamique du véhicule. Nous proposons dans cette thèse une approche multi-modèles. Cette étude dérive d’une analyse modulaire de la dynamique du véhicule, c’est-à-dire que l’espace d’évolution est pris comme un espace discret : plusieurs modèles simples et dédiés chacun à une manœuvre particulière sont générés, ce qui améliore la robustesse face aux défauts de modélisation du système. Il s’agit d’une variante de l’algorithme IMM, qui prend en compte l’asynchronisme des capteurs embarqués dans le processus d’estimation de l’état du véhicule. Pour cela, une nouvelle modélisation sous contraintes est développée, ce qui permet de mettre à jour la vraisemblance des modèles intégrés même en l’absence de mesures provenant de capteurs extéroceptifs. Toutefois, la performance d’un tel système nécessite d’utiliser des données capteurs de bonne qualité. Plusieurs opérations sont présentées, illustrant la correction du biais des capteurs, des bruits de mesures ainsi que la prise en compte de l’angle de dévers de la chaussée. La méthodologie développée est validée à travers une comparaison avec les algorithmes de fusion probabilistes EKF, UKF, DD1, DD2 et le filtrage particulaire. Cette comparaison est fondée sur des mesures courantes de précision et de confiance, puis sur l’utilisation de critères statistiques de consistance et de crédibilité, à partir de scénarios synthétiques et ensuite des données réelles.