Architecture générique de fusion par approche Top-Down : application à la localisation d’un robot mobile

Generic fusion architecture by a Top-Down approach : application to mobile robot localization

• Auteur / Autrice : Maroua Ladhari
• Direction : Roland Chapuis
• Type : Thèse de doctorat
• Discipline(s) : Electronique et Systèmes
• Date : Soutenance le 15/12/2020
• Etablissement(s) : Université Clermont Auvergne‎ (2017-2020)
• Ecole(s) doctorale(s) : École doctorale des sciences pour l'ingénieur (Clermont-Ferrand)
• Partenaire(s) de recherche : Laboratoire : Institut Pascal (Aubière, Puy-de-Dôme)
• Jury : Examinateurs / Examinatrices : Michel Devy, Romuald Aufrère, Christophe Debain
• Jury : Rapporteurs / Rapporteuses : Samia Bouchafa, Véronique Berge-Cherfaoui

Mots clés

Mots clés contrôlés

Robots mobiles

Mots clés libres

Localisation sur une carte

Architecture multi-sensorielle générique de haut niveau

Approche Top-Down

Filtrage bayésien

Réseau bayésien

Map localization

High-level generic multi-sensory architecture

Top-Down approach

Fusion filter

Bayesian network

Résumé

La problématique qui va être abordée dans cette thèse est la localisation d’un robot mobile. Ce dernier, équipé de capteurs bas-coût, cherche à exploiter le maximum d’informations possibles pour répondre à un objectif fixé au préalable. Un problème de fusion de données sera traité d’une manière à ce qu’à chaque situation, le robot saura quelle information utiliser pour se localiser d’une manière continue. Les données que nous allons traiter seront de différents types. Dans nos travaux, deux propriétés de localisation sont désirées: la précision et la confiance. Pour pouvoir le contrôler, le robot doit connaître sa position d’une manière précise et intègre. En effet, la précision désigne le degré d’incertitude métrique lié à la position estimée. Elle est retournée par un filtre de fusion. Si en plus, le degré de certitude d’être dans cette zone d’incertitude est grand, la confiance dans l’estimation sera élevée et cette estimation sera donc considérée comme intègre. Ces deux propriétés sont généralement liées. C’est pourquoi, elles sont souvent représentées ensemble pour caractériser l'estimation retournée de la pose du robot. Dans ce travail nous rechercherons à optimiser simultanément ces deux propriétés.Pour tirer profit des différentes techniques existantes pour une estimation optimale de la pose du robot,nous proposons une approche descendante basée sur l’exploitation d’une carte environnementale définie dans un référentiel absolu. Cette approche utilise une sélection a priori des meilleures mesures informatives parmi toutes les sources de mesure possibles. La sélection se fait selon un objectif donné (de précision et de confiance), l’état actuel du robot et l’apport informationnel des données.Comme les données sont bruitées, imprécises et peuvent également être ambiguës et peu fiables, la prise en compte de ces limites est nécessaire afin de fournir une évaluation de la pose du robot aussi précise et fiable que possible. Pour cela, une focalisation spatiale et un réseau bayésien sont utilisés pour réduire les risques de mauvaises détections. Si malgré tout de mauvaises détections subsistent, elles seront gérées par un processus de retour qui réagit de manière efficace en fonction des objectifs souhaités.Les principales contributions de ce travail sont d'une part la conception d'une architecture de localisation multi-sensorielle générique et modulaire de haut niveau avec un mode opératoire descendant. Nous avons utilisé la notion de triplet perceptif qui représente un ensemble amer, capteur, détecteur pour désigner chaque module perceptif. À chaque instant, une étape de prédiction et une autre de mise à jour sont exécutées. Pour l’étape de mise à jour, le système sélectionne le triplet le plus pertinent (d'un point de vue précision et confiance) selon un critère informationnel. L’objectif étant d’assurer une localisation intègre et précise, notre algorithme a été écrit de manière à ce que l’on puisse gérer les aspects ambiguïtés.D'autre part, l'algorithme développé permet de localiser un robot dans une carte de l'environnement. Pour cela, une prise en compte des possibilités de mauvaises détections suite aux phénomènes d'ambiguïté a été considérée par le moyen d'un processus de retour en arrière. En effet, ce dernier permet d'une part de corriger une mauvaise détection et d'autre part d'améliorer l’estimation retournée de la pose pour répondre à un objectif souhaité.

The issue that will be addressed in this thesis is the localization of a mobile robot. Equipped with low- cost sensors, the robot aims to exploit the maximum possible amount of information to meet an objective set beforehand. A data fusion problem will be treated in a way that at each situation, the robot will select which information to use to locate itself in a continuous way. The data we will process will be of different types.In our work, two properties of localization are desired: accuracy and confidence. In order to be controlled, the robot must know its position in a precise and reliable way. Indeed, accuracy refers to the degree of uncertainty related to the estimated position. It is returned by a fusion filter. If, in addition, the degree of certainty of being in this uncertainty zone is important, we will have a good confidence contribution and the estimate will be considered as reliable. These two properties are generally related. This is why they are often represented together to characterize the returned estimate of the robot position. In this work, our objective is to simultaneously optimize these two properties.To take advantage of the different existing techniques for an optimal estimation of the robot position, we propose a top-down approach based on the exploitation of environmental map environmental map defined in an absolute reference frame. This approach uses an a priori selection of the best informative measurements among all possible measurement sources. The selection is made according to a given objective (of accuracy and confidence), the current robot state and the data informational contribution.As the data is noisy, imprecise and may also be ambiguous and unreliable, the consideration of these limitations is necessary in order to provide the most accurate and reliable robot position estimation. For this, spatial focusing and a Bayesian network are used to reduce the risk of misdetection. However, in case of ambiguities, these misdetections may occur. A backwards process has been developed in order to react efficiently to these situations and thus achieve the set objectives.The main contributions of this work are on one side the development of a high-level generic and modular multi sensory localization architecture with a top-down process. We used a concept of perceptual triplet which is the set of landmark, sensor and detector to designate each perceptual module. At each time, a prediction and an update steps are performed. For the update step, the system selects the most relevant triplet (in terms of accuracy and confidence) according to an informational criterion. In order to ensure an accurate and relaible localization, our algorithm has been written in such a way that ambiguity aspects can be managed.On the other side, the developed algorithm allows to locate a robot in an environment map. For this purpose, the possibility of bad detections due to ambiguity phenomena has been taken into account in the backward process. Indeed, this process allows on the one hand to correct a bad detection and on the other hand to improve the returned position estimation to meet a desired objective.