Méthode collaborative décentralisée pour la localisation et la mise à jour de cartes avec étude d’intégrité

Decentralized collaborative method for localization and map update with integrity study

• Auteur / Autrice : Maxime Escourrou
• Direction : Joelle Al Hage, Philippe Bonnifait
• Type : Thèse de doctorat
• Discipline(s) : Automatique et Robotique : Unité de recherche Heudyasic (UMR-7253)
• Date : Soutenance le 20/12/2023
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Heuristique et Diagnostic des Systèmes Complexes [Compiègne] / Heudiasyc
• DOI : 10.70675/d775b5bfz5f28z4da6za837z89f2d028cdeb

Mots clés

Mots clés contrôlés

Robots mobiles

Robots autonomes

Véhicules autonomes

Filtrage de Kalman

Observateurs d'états (mathématiques)

Estimation de paramètres

Fusion multicapteurs

Capteurs (technologie)

Systèmes embarqués (informatique)

Cartographie -- Informatique

Tolérance aux fautes (informatique)

Tolérance aux fautes (ingénierie)

Temps réel (informatique)

Lidar

Amers (signalisation maritime)

Nuages de points

Mots clés libres

Localisation collaborative aidée par carte

Fusion de données

Mise à jour de carte

Estimation d'état

Filtre de Schmidt-Kalman

Système multi-robots

Génération d’observation

Observation d’amers

Collaborative map-Aided localization

Data fusion

Map update

Autonomous driving

State estimation

Schmidt-Kalman filter

Fault tolerance

Multi-robot system

Observation generation

Lidar

Landmark observation

Résumé

La capacité pour un robot de se localiser est un élément central en robotique mobile. Dans des environnements dans lesquels un système de positionnement satellitaire de type GNSS est indisponible ou avec des performances dégradées, les robots peuvent s’appuyer sur des caractéristiques cartographiques stables et géoréférencées détectées par des capteurs embarqués. Les caractéristiques considérées dans cette thèse sont obtenues à partir des façades des bâtiments et sont observées à l’aide de capteurs lidar 3D. Pour cela, une méthode d’extraction d’observation des nuages de points lidar est proposée. Cette méthode permet d’obtenir les poses correspondant aux milieux des façades, pour servir d’observation pour l’estimation d’état. Des cartes très précises et détaillées n’étant pas toujours accessibles, nous nous intéressons ici à l’utilisation de cartes participatives ouvertes pour la localisation des robots. Dans ce contexte, nous nous attachons à proposer une méthode pour améliorer la localisation et la mise à jour des cartes en profitant de l’échange entre des robots communicants selon une architecture de collaboration et de fusion décentralisée qui permet aux robots de conserver un certain niveau d’autonomie. Nous traitons en particulier le cas de la collaboration indirecte, où les robots ne s’observent pas directement, mais collaborent via l’observation d’amers en commun. Ceci assure une augmentation de la portée de collaboration. La méthode se base sur l’utilisation du filtre de Schmidt-Kalman qui est bien adapté pour la gestion des corrélations entre les robots tout en limitant les communications. La fusion des états estimés par les robots lors des phases de collaboration est réalisée avec une moyenne de Kullback-Leibler pour maintenir une bonne consistance. Afin d’assurer l’intégrité de l’estimation d’état, l’approche met en œuvre une étape de détection et d’isolation des défauts. Grâce à la collaboration, les défauts de la carte peuvent être détectés, ce qui n’est pas possible lorsqu’ils sont observés séparément en navigation isolée. La méthode est testée en simulation et sur des données réelles utilisant trois véhicules expérimentaux. Les résultats montrent l’intérêt de la collaboration pour améliorer la localisation des véhicules, l’estimation de la carte et la détection des défauts tout en maintenant un niveau élevé de consistance.

The ability for a robot to localize itself is a central issue in mobile robotics. In environments where a GNSS-type satellite positioning system is unavailable or with degraded performance, robots can rely on stable geo-referenced map features detected by on-board sensors. The features considered in this PhD thesis are obtained from building facades and observed using 3D lidar sensors. For this purpose, an observation extraction method for lidar point clouds is proposed. This method provides the poses corresponding to the facade environments, to be used as observations for state estimation. As accurate and detailed maps are not always available, we are interested in the use of open-data and crowdsourced maps for robot localization. In this context, we propose and study a method for improving localization and map update by taking advantage of the exchange between communicating robots according to a decentralized collaboration and fusion architecture that allows the robots to maintain a certain level of autonomy. In particular, we address the case of indirect collaboration, where robots do not observe each other directly, but collaborate via the observation of common landmarks. This increases the collaboration range. The method is based on the use of the Schmidt-Kalman filter, which is well suited to manage correlations between robots while limiting communication. The states estimated by the robots during the collaboration phases are merged using the Kullback-Leibler Average to maintain good consistency. To ensure the integrity of the state estimation, the approach implements a fault detection and isolation step. Through collaboration, map faults can be detected, which is not possible when they are observed separately in standalone navigation. The method is evaluated in simulation and on real data using three experimental vehicles. The results show the added value of collaboration in improving vehicle localization, map estimation and fault detection, while maintaining a high level of consistency.