Estimation d'état pour la navigation sûre et robuste en robotique mobile sous incertitudes

State estimation for safe and robust mobile robot navigation under uncertainties

• Auteur / Autrice : Vivien Pravong
• Direction : Jean-Philippe Condomines, Gustav Öman lundin
• Type : Projet de thèse
• Discipline(s) : Robotique et Automatique
• Date : Inscription en doctorat le 01/11/2022
• Etablissement(s) : Toulouse, ISAE
• Ecole(s) doctorale(s) : École doctorale Systèmes
• Partenaire(s) de recherche : Laboratoire : ISAE-ONERA ACDC - Analyse, Commande Dynamique et Conception des systèmes

Mots clés

Mots clés libres

Estimation d'état

Robotique mobile

Navigation

Filtre de Kalman

Observateurs invariants

Traitement du signal

State estimation

Mobile robot

Navigation

Kalman filter

Symmetry-preserving observers

Signal processing

Résumé

Dans l'objectif de rendre les robots terrestres ou les aéronefs plus autonomes, les différentes fonctions de guidage, navigation et contrôle doivent être robustes aux situations d'aléas, que ce soit des pannes (capteurs ou actionneurs) ou des événements exogènes comme des perturbations aérologiques. Si une solution consiste à rendre insensibles lesdites fonctions à ces phénomènes (par de la commande robuste par exemple), nous nous focalisons dans cette thèse à fournir une estimation d'état et une bonne caractérisation des incertitudes de l'état afin d'appliquer cela dans des problématiques de commande et/ou de planification qui prennent en compte lesdites incertitudes dans leurs stratégies. Ainsi, le travail de thèse porte sur le développement de techniques d'estimation d'état (position, vitesse, attitude, etc...) appliquées à la navigation de robots mobiles. Les méthodes classiques, comme les filtrages stochastiques (filtrage bayésien ou plus exactement le filtre de Kalman) forment la base méthodologique de ce cas d'application. Néanmoins, ces méthodes souffrent d'imprécisions et de manque de cohérence quand les modèles sous-jacents sont imprécis ou incomplets, ou quand les erreurs et pannes des capteurs (tube Pitot bouché, vanne bloquée, vision brouillée, etc.) et actionneurs (perte, blocage, etc.) sont difficilement modélisés. Dans la grande majorité des cas, les méthodes classiques de la littérature font l'hypothèse que les variables d'état à estimer sont gaussiennes et perturbées par des variables d'entrées elles aussi gaussiennes. Or, si cette hypothèse peut tenir la route dans la plupart des cas, elle peut s'effondrer dans des cas particuliers. Notamment lorsque l'on cherche à estimer des variables angulaires. Dans ce cas, une distribution plus adapté serait la distribution de vonMises. Le but de ces travaux de recherche est donc de proposer une méthode de filtrage reposant non pas sur une hypothèse de variables angulaires gaussiennes mais de vonMises en étendant le filtre de Kalman selon ce type de caractérisation d'incertitude.

In order to make terrestrial robots or aircraft more autonomous, the various guidance, navigation, and control functions must be robust against uncertain situations, whether due to failures (sensors or actuators) or exogenous events like aerodynamic disturbances. While one solution is to make these functions insensitive to such phenomena (for example, through robust control), this thesis focuses on providing state estimation and a good characterization of state uncertainties, applying this to control and/or planning problems that take these uncertainties into account in their strategies. Thus, the thesis work focuses on developing state estimation techniques (position, speed, attitude, etc.) applied to the navigation of mobile robots. Classical methods, such as stochastic filtering (Bayesian filtering, more specifically the Kalman filter), form the methodological basis for this application. However, these methods suffer from inaccuracies and inconsistencies when the underlying models are imprecise or incomplete, or when sensor (clogged Pitot tube, blocked valve, blurred vision, etc.) and actuator (loss, blockage, etc.) failures are difficult to model. In most cases, classical methods in the literature assume that the state variables to be estimated are Gaussian and disturbed by Gaussian input variables. While this assumption may hold in most cases, it can break down in specific cases, particularly when estimating angular variables. In such cases, a more suitable distribution would be the von Mises distribution. The goal of this research is therefore to propose a filtering method based on a von Mises distribution assumption instead of a gaussian assumption, by extending the Kalman filter according to this type of uncertainty characterization.