Perception et cartographie hybrides et distribuées pour des systèmes multirobots hétérogènes en environnements ouverts

Hybrid and distributed perception and mapping for heterogeneous multi-robot systems in open environments

• Auteur / Autrice : Michael Law san
• Direction : Ouiddad Labbani igbida, Marie Romain
• Type : Projet de thèse
• Discipline(s) : Sciences et ingénierie pour l'information
• Date : Inscription en doctorat le 20/10/2022
• Etablissement(s) : Limoges
• Ecole(s) doctorale(s) : Sciences et Ingénierie
• Partenaire(s) de recherche : Laboratoire : XLIM
• Partenaire(s) de recherche : Equipe de recherche : XLIM SRI - Systèmes & Réseaux Intelligents

Mots clés

Mots clés libres

Systèmes multirobots hétérogènes

Perception et cartographie hybrides distribuées

Apprentissage profond pour la cognition spatiale

Distributed and hybrid perception and mapping

Heterogeneous multirobotic systems

Deep learning for spatial cognition

Résumé

Cette thèse porte sur la perception et la cartographie coopératives de systèmes multi-robots hétérogènes dans des environnements ouverts, inconnus et/ou incertains. Dans de tels contextes, une représentation fiable et riche de l'environnement est indispensable, d'une part, pour permettre à chaque agent de se déplacer de manière sûre et raisonnée, et d'autre part, pour indexer les informations pertinentes propres au contexte applicatif et les partager avec d'autres agents. Plusieurs facteurs peuvent altérer ou complexifier les représentations de l'environnement, comme les incertitudes, l'absence de référentiel commun, les incohérences temporelles ou spatiales, la lourdeur des représentations à échanger ou à communiquer, etc. Nous explorerons différentes approches, basées sur des modèles ou basées sur des données/contexte (approches d'apprentissage automatique) pour fusionner des informations provenant de différentes sources hétérogènes et extraire des représentations pertinentes pour le réseau, à valider à l'aide de robots réels.

This thesis addresses cooperative multi-robot perception and mapping in open, unknown and/or uncertain environments. In such contexts, a reliable and rich representation of the environment is essential, on the one hand, to allow each agent to move in a safe and reasoned way, and on the other hand, to index the relevant information specific to the application context and share it with other agents. Several factors can alter or complicate the environment representations, such as uncertainties, the absence of a common frame of reference, temporal or spatial inconsistencies, the heaviness of the representations to be exchanged or communicated, etc. We will explore different approaches, model-based or data/context-driven (machine learning approaches) to merge information from different heterogeneous sources and extract relevant representations for the heterogeneous network, to be validated using real robots.