Exploration des odométries LiDAR à travers les perspectives classiques, inertielles et d'apprentissage profond

Exploring LiDAR Odometries through Classical, Deep and Inertial perspectives

• Auteur / Autrice : Pierre Dellenbach
• Direction : François Goulette
• Type : Thèse de doctorat
• Discipline(s) : Informatique temps réel, robotique et automatique - Paris
• Date : Soutenance le 10/11/2023
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre de robotique (Paris)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : David Filliat
• Jury : Examinateurs / Examinatrices : François Goulette, Andreas Nüchter, Giorgio Grisetti, Véronique Berge-Cherfaoui, Jean-Emannuel Deschaud
• Jury : Rapporteurs / Rapporteuses : Andreas Nüchter, Giorgio Grisetti

Mots clés

Mots clés contrôlés

Apprentissage profond

Véhicules automobiles -- Localisation automatique

Odométrie

Électronique en cartographie

SLAM (langage de programmation)

Lidar

Mots clés libres

Slam LiDAR

Odométrie

Localisation

Reconstruction 3D

Slam LiDAR

Odometry

Localization

3D Reconstruction

Résumé

Les LiDARS 3D se sont largement démocratisés ces dernières années, poussés notamment par le développement des véhicules automones, et la nécessité de redondance et de sécurité. Contrairement aux caméras, les LiDAR 3D fournissent des mesures 3D de l'environnement très précises. Cela a conduit au développement de différents algorithmes de cartographie et de SLAM (Simultaneous Localization and Mapping), utilisant ces nouvelles modalités. Ces algorithmes ont vite dépassé les capacités des systèmes basés sur les caméras. Un élément crucial de ces systèmes est le problèmed'odométrie LiDAR, qui désigne le problème d'estimation de trajectoire du capteur, en utilisant uniquement le flux continu de mesures de LiDAR. Ce travail se concentre sur ce problème. Plus précisément, dans ce manuscrit nous visons à repousser les performances des odométries LiDAR.Pour atteindre cet objectif, nous explorons d'abord les méthodes classiques (ou géométriques) d'odométrie LiDAR. Nousproposons notamment deux nouvelles méthodes d'odométrie LiDAR dans le chapitre 3. Nous en montrons les forces etles faiblesses. Pour tâcher de répondre à ces limites, nous regardons de plus près les méthodes d'odométrie utilisant leDeep Learning dans le chapitre 4, en nous concentrant notamment sur les méthodes de type "boîte noires". Finalement,dans le chapitre 5 nous fusionnons les mesures LiDAR et les mesures inertielles pour rechercher encore plus de précisionet de robustesse.

3D LiDARs have become increasingly popular in the past decade, notably motivated by the safety requirements of autonomous driving requiring new sensor modalities. Contrary to cameras, 3D LiDARs provide direct, and extremely precise 3D measurements of the environment. This has led to the development of many different mapping and Simultaneous Localization And Mapping (SLAM) solutions leveraging this new modality. These algorithms quickly performed much better than their camera-based counterparts, as evidenced by several open-source benchmarks. One critical component ofthese systems is LiDAR odometry. A LiDAR odometry is an algorithm estimating the trajectory of the sensor, given only the iterative integration of the LiDAR measurements. The focus of this work is on the topic of LiDAR Odometries. More precisely, we aim to push the boundaries of LiDAR odometries, both in terms of precision and performance.To achieve this, we first explore classical LiDAR odometries in depth, and propose two novel LiDAR odometries, in chapter 3. We show the strength, and limitations of such methods. Then, to address to improve them we first investigate Deep Learning for LiDAR odometries in chapter 4, notably focusing on end-to-end odometries. We show again the limitations of such approaches and finally investigate in chapter 5 fusing inertial and LiDAR measurements.