Thèse soutenue

Cartographie robuste à partir de la foule pour la localisation de véhicules basée sur des points de repère

FR  |  
EN
Auteur / Autrice : Alexis Stoven-Dubois
Direction : Roland Chapuis
Type : Thèse de doctorat
Discipline(s) : Électronique et Systèmes
Date : Soutenance le 02/03/2022
Etablissement(s) : Université Clermont Auvergne (2021-...)
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 : Aziz Dziri, Bertrand Leroy, Fawzi Nashashibi
Rapporteurs / Rapporteuses : Vincent Frémont, Véronique Berge-Cherfaoui

Mots clés

FR  |  
EN

Mots clés contrôlés

Résumé

FR  |  
EN

Le déploiement de véhicules intelligents et connectés, dotés de capteurs de plus en plus sophistiqués, et capables de partager des positions et des trajectoires précises, permettra d’améliorer considérablement la sécurité routière et l’efficacité du trafic. Pour que ce gain de sécurité devienne effectif, les véhicules devront être géo-positionnés dans un référentiel commun avec précision, avec une erreur d’au plus quelques décimètres [1]. Pour y parvenir, ils pourront compter sur une variété de capteurs embarqués, tels que des récepteurs GNSS (Global Navigation Satellite Systems), ainsi que des capteurs proprioceptifs et des capteurs de perception. Toutefois, afin de garantir un positionnement précis dans toutes les conditions, y compris dans les zones denses où les signaux GNSS peuvent être dégradés par des effets de trajets multiples, les véhicules devront utiliser des cartes précises de l’environnement pour soutenir leurs algorithmes de localisation.Afin d’établir de telles cartes pour les principales autoroutes, les principaux acteurs automobiles ont eu recours à des flottes de véhicules spécialisés équipés de capteurs haut de gamme. Cependant, en raison des coûts opérationnels élevés qui y sont associés, ils n’ont exploité qu’un nombre limité de véhicules et ne sont pas en mesure de fournir des mises à jour en direct des cartes, ni de cartographier des réseaux routiers entiers. La cartographie crowdsourcée représente une solution rentable à ce problème et suscite aujourd’hui l’intérêt des acteurs du secteur automobile. Cette technique consiste à exploiter les mesures récupérées par de multiples véhicules de production équipés de capteurs standard, afin de construire une carte contenant des points de repère. Néanmoins, même si cette approche semble prometteuse, sa capacité réelle à construire une carte précise et à la maintenir à jour a besoin d’être évaluée dans des scénarios réalistes et long-terme.Dans cette thèse, nous proposons d’abord une solution de cartographie crowdsourcée basée sur une optimisation par triangulation, et l’évaluons à l’aide de tests de terrain. L’analyse des résultats montre le potentiel de cette approche à tirer profit des mesures émises par plusieurs véhicules. Elle permet aussi d’identifier certaines limitations critiques associées à l’optimisation par triangulation.Pour remédier à cela, nous proposons ensuite une autre solution de cartographie crowdsourcée basée sur l’optimisation de graphe, et nous introduisons différentes approches pour inclure et mettre à jour la carte dans l’optimisation, qui correspondent à différents compromis entre la qualité de la carte et la scalabilité. Des expériences de simulation sont menées afin de comparer ces approches. Les résultats permettent d’identifier la plus efficace, ainsi que de vérifier qu’elle représente une solution scalable de cartographie crowdsourcée.La robustesse de cette approche à divers types de bruits, tels que les bruits auto-corrélés et biaisés, est ensuite évaluée à l’aide de tests de simulation étendus. L’analyse des résultats montre sa capacité à construire une carte précise dans diverses conditions de bruits, en utilisant des mesures récupérées par plusieurs véhicules. Ensuite, des tests de terrain sont effectués afin de confirmer les résultats obtenus en simulation, et de tirer des conclusions tant d’un point de vue théorique que pratique. Enfin, la capacité de notre solution de cartographie crowdsourcée à améliorer les capacités de localisation des véhicules est évaluée en simulation. Les résultats montrent l’efficacité de l’approche proposée dans diverses conditions, tout en soulignant l’importance de fournir une carte avec une densité suffisante de points de repère.