Recalage de nuages de points issus de LiDAR pour la localisation dans des environnements intérieurs

LiDAR-based point clouds registration for localization in indoor environments

• Auteur / Autrice : Ketty Favre
• Direction : Luce Morin, Éric Marchand
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, vision
• Date : Soutenance le 07/10/2021
• Etablissement(s) : Rennes 1
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Institut d'Électronique et des Technologies du numéRique
• Jury : Président / Présidente : Paul Checchin
• Jury : Examinateurs / Examinatrices : Myriam Servières, Muriel Pressigout
• Jury : Rapporteurs / Rapporteuses : Rémi Boutteau, Guillaume Caron, François Pomerleau

Mots clés

Mots clés contrôlés

Lidar

Nuages de points

Mots clés libres

Nuage de point

Recalage

Scènes intérieures

Localisation

Point cloud

Registration

Indoor scenes

Localization

Résumé

Cette thèse traite du problème du recalage de nuages de points 3D dans des environnements intérieurs. Tout d’abord nous présentons l’algorithme multi-résolution GNMR-ICP, minimisant de manière robuste la distance point-à-plan entre deux nuages de points à l’aide d’une méthode de Gauss-Newton. La multi-résolution est faite grâce à un octree. Sur le jeu de données de référence ASL, GNMR-ICP donne des résultats plus précis que son équivalent utilisant l’approximation des petits angles (81% de succès contre 43%). Les temps de calculs dans les environnements structurés sont réduis (jusqu’à un facteur 2). Ensuite nous présentons NAP-ICP, un algorithme basé sur le recalage de plans. La mise en correspondance des plans est effectuée à l’aide d’une fonction de score basée sur les caractéristiques de paires de plans. Un recalage point-à-plan supplémentaire est effectué pour assurer un maximum de précision. NAP-ICP recale 100% des scènes intérieures du jeu de données ASL, est plus précis que les fonctions de l’état de l’art évaluées et est capable de fermer les boucles du jeu de données LOOP’IN. Enfin, PAR-ICP, une méthode plan-à-plan où la mise en correspondance est faite à l’aide d’un Random Forest est présentée. PAR-ICP recale 100% des scènes intérieures du jeu de données ASL et est capable de fermer les boucles de LOOP’IN, permettant de générer des cartes incrémentales.

This thesis deals with the problem of registration of 3D point clouds in indoor environments. Registration methods are proposed to obtain a compromise between time and accuracy. First, GNMR-ICP, a multi-resolution algorithm which robustly minimizes the point-to-plane distance between two point clouds using a Gauss-Newton method. The multi-resolution is done using an octree. On the ASL benchmark dataset, GNMR-ICP gives more accurate results than its equivalent using the small angle approximation (81% success rate against 43%). Computation times in structured environments are reduced (up to a factor of 2). Next we present NAP-ICP, an algorithm based on plane matching. Planes are matched using a score function based on the characteristics of pairs of planes. An additional point-to-plane registration is performed to ensure maximum accuracy. NAP-ICP registers 100% of the interior scenes of the ASL dataset and is more accurate than the evaluated state-of-the-art functions and is able to close the loops of the LOOP’IN dataset. Finally, PAR-ICP, a plane-based method where the matching is performed using a Random Forest is presented. PAR-ICP registers 100% of the interior scenes of the ASL dataset and is able to close the loops of LOOP’IN, allowing to generate incremental maps.