Représentation causale du problème de localisation et cartographie simultanées

Causal representation of the simultaneous localization and mapping problem

• Auteur / Autrice : Joel Tari
• Direction : Patrick Danès, Marie-Anne Bauda
• Type : Thèse de doctorat
• Discipline(s) : Robotique et informatique
• Date : Soutenance le 19/12/2024
• Etablissement(s) : Université de Toulouse (2023-....)
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Etablissement de délivrance conjointe : Université Toulouse 3 Paul Sabatier (1969-2024)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Analyse et d'Architecture des Systèmes (Toulouse ; 1968-....)
• Jury : Président / Présidente : Vincent Frémont
• Jury : Examinateurs / Examinatrices : Teresa Vidal-Calleja, Joan Solà Ortega, Patrick Rives, Florence Dupin de Saint Cyr-Bannay
• Jury : Rapporteurs / Rapporteuses : John J. Leonard

Mots clés

Mots clés contrôlés

SLAM (langage de programmation)

Robots mobiles

Mots clés libres

Robotique mobile

SLAM

Causality

Graphical models

Mobile robots

SLAM

Causality

Graphical models

Résumé

Cette thèse aborde le problème de l'inférence spatiale en robotique, communément appelé ''Simultaneous Localization And Mapping'' (SLAM), à travers le prisme de l'inférence causale. Les approches de l'état de l'art procèdent généralement en alimentant le système SLAM avec des données capteurs bruitées et des hypothèses statistiques, afin d'obtenir la distribution de probabilité jointe postérieure des variables de décision conditionnellement aux mesures. Des techniques d'inférence probabiliste sont utilisées afin de produire le meilleur estimé a posteriori. En revanche, dans l'approche proposée, l'estimation des variables de décision est effectuée sur la base d'un schéma reposant sur des hypothèses causales. La compréhension de la distinction entre les paradigmes probabiliste et causal étant primordiale dans ce travail, une synthèse doctrinale est fournie, appuyée par une analyse historique. En particulier, il est rappelé que les pionniers de la théorie des probabilités tels que Laplace ont traité l'incertitude dans un cadre quasi-déterministe. Une telle conception a trouvé une application appropriée dans le problème d'ajustement géodésique (triangulations pour la cartographie), qui partage de nombreux points communs structurels avec SLAM. En utilisant des outils modernes d'inférence causale, en particulier les graphes causaux et le modèle causal structurel (SCM) promu par Pearl et ses co-auteurs, nous développons une vision causale du SLAM afin de répondre à certains problèmes connus de longue date. Nous montrons comment les hypothèses causales peuvent être articulées, avant d'exploiter de manière appropriée les indépendances conditionnelles présentées par le modèle. En conséquence, le problème d'ajustement se réduit à un problème d'optimisation de moindres carrés contraints. Le système global est appelé CARLIT (Causal Approach to Represent Locomotion and Internalize Topography). Les ramifications conceptuelles sont analysées, e.g., concernant le traitement des fermetures de boucle ou l'incorporation d'amers. Bien que l'approche soit présentée sur des problèmes SLAM académiques, diverses évaluations sont également fournies sur des ensembles de données synthétiques ainsi que sur une expérimentation à échelle réelle.

This thesis addresses the problem of spatial inference in robotics, commonly known as `Simultaneous Localization And Mapping' (SLAM), through the lens of causal inference. State-of-the-art approaches generally proceed by feeding the SLAM system with noisy sensor measurements and statistical assumptions, so as to get the joint posterior probability distribution of the decision variables conditioned on the measurements. Probabilistic inference techniques are used to produce the best posterior estimate. In contrast, in the proposed approach, the estimation of the decision variables is conducted on a scheme which makes use of causal assumptions. Since understanding the distinction between the probabilistic and the causal paradigms is paramount in this work, a doctrinal synthesis is provided, supported by an historical analysis. In particular, it is reminded that probability theory pioneers like Laplace handled uncertainty within a quasi-deterministic framework. Such a conception found an apropos application in the geodetic adjustment problem (triangulations for cartography), which shares many structural commonalities with SLAM. Using modern causal inference tools, in particular causal graphs and the structural causal model (SCM) championed by Pearl and co-authors, we develop a causal view of the SLAM problem in order to address some of the longstanding issues. We show how causal hypotheses can be articulated, before appropriately exploiting the conditional independences exhibited by the model. As a result, the adjustment problem boils down to a constrained least squares optimization problem. The overall framework is referred as CARLIT (Causal Approach to Represent Locomotion and Internalize Topography). The conceptual ramifications are analyzed, e.g., concerning the processing of loop-closure events or the incorporation of landmarks. While toy SLAM problems are used to showcase the approach, various evaluations are also provided on synthetic datasets as well as a real-scale experimentation.