Evitement de collisions en robotique, basé sur grilles d'occupation dynamiques

Dynamic Occupancy Grid based Collision Avoidance in Robotics

• Auteur / Autrice : Thomas Genevois
• Direction : Anne Spalanzani, Christian Laugier
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le ; Soutenance le 19/06/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche Inria de l'Université Grenoble Alpes
• Jury : Président / Présidente : Dominique Vaufreydaz
• Jury : Examinateurs / Examinatrices : Anne Spalanzani, Christian Laugier, Veronique Cherfaoui, Fawzi Nashashibi, Samia Ainouz
• Jury : Rapporteur / Rapporteuse : Veronique Cherfaoui, Fawzi Nashashibi

Mots clés

Mots clés libres

Grilles d'occupation dynamiques

Evitement de collisions

Planification locale

Réalité augmentée

Robotique

Véhicules autonomes

Dynamic Occupancy Grids

Collision avoidance

Local planning

Augmented Reality

Robotics

Autonomous vehicles

Résumé

Comme robots et véhicules autonomes sont désormais déployés dans de nouvelles applications ambitieuses et exigeantes, ils doivent naviguer dans des environnements réels, complexes et non structurés (e.g. trafic urbain, espaces partagés avec des humains). Pour modéliser l'environnement d'un robot pour sa planification locale, ce sont les représentations par objets qui sont beaucoup plus communément utilisées car elles amènent des calculs moins lourds et sont plus simples à manipuler en expressions mathématiques explicites. Mais ces modèles échouent souvent à représenter les scènes non structurées ou incertaines, d'autant que les alentours d'un robot restent généralement très incertains à cause des limites de capteurs et de l'observabilité partielle de la scène. Dans ces conditions, les grilles d'occupation probabilistes et dynamiques semblent fournir une représentation prometteuse pour modéliser l'environnement d'un robot dans l'ensemble de ses logiciels de navigation, de la perception jusqu'à la planification, indépendemment de la complexité et de l'incertitude de la scène. Mais, alors que la recherche en perception basée sur grilles d'occupation a accompli des progrès significatifs au cours des dernières années, l'usage des grilles d'occupation en planification locale reste marginal. Pour ces raisons, la présente thèse recherche comment valoriser les grilles d'occupation dynamiques au sein d'une méthode d'évitement de collisions local. Notre première contribution est un système d'évitement de collisions basé sur grilles d'occupation. Il s'accompagne d'un nouveau Détecteur de Collisions Prédictif que nous proposons comme une interface entre les solutions de perception basées sur grilles et les solutions de planification par échantillonnage. A la différence de la plupart des autres approches, la nôtre opère uniquement sur l'occupation spatiale élémentaire afin d'appréhender la richesse et la polyvalence de la perception des grilles d'occupation modernes. Notre seconde contribution est une solution d'évitement de collisions sensible aux humains et aux interactions. Ceci a nécessité d'élargir le Détecteur de Collisions Prédictif avec plusieurs modèles de prédiction, chacun étant dédié à une classe d'agents. Ainsi, un modèle de prédiction spécifique aux piétons a été ajouté. Il a été inspiré d'un modèle d'interaction humain-véhicule de l'état de l'art. Notre troisième contribution est un environnement logiciel de Réalité Augmentée qui agit au niveau des capteurs, sur les données LiDAR. A la différence de la majorité des autres systèmes de Réalité Augmentée qui opèrent au niveau de représentations par objets, notre approche a permis la validation expérimentale en Réalité Augmentée de la solution d'évitement de collisions proposée, dans son entièreté et sa continuité depuis les données des capteurs jusqu'au contrôle du véhicule en monde réel. Tout au long de ce travail, un soin particulier a été apporté à la seule prise en compte des données des capteurs et de l'occupation spatiale élémentaire, sans jamais utiliser le concept d'objets, ceci pour appréhender la richesse et la polyvalence des grilles d'occupation modernes. Une parallélisation massive des calculs dès la conception des algorithmes a permis une implémentation frugale qui a satisfait les contraintes de temps réel même sur des appareils embarqués. Les méthodes proposées ont été déployées sur 3 robots différents dont une voiture robotisée et testées dans des expérimentations en monde réel. Avec cette contribution, nous espérons faciliter l'usage des grilles d'occupation dynamiques pour l'évitement de collisions et ainsi améliorer la connectivité de l'état de l'art de la perception et de la navigation.

As robots and autonomous vehicles are being deployed in multiple new challenging applications, they have to navigate in various complex and unstructured real-world environments (e.g. urban traffic, human-shared spaces). In order to model the environment of a robot for its local planning, object-based representations are the most commonly used because they are computationally lighter and easier to manipulate in closed-forms. Though such representations often fail to model unstructured or uncertain scenes, especially since the surroundings of a robot generally remain largely uncertain because of sensor limitations and partial scene observability. Under these constraints, probabilistic Dynamic Occupancy Grids seem to be a promising model to represent the environment of a robot throughout its navigation software, regardless the complexity and uncertainty of the scene. Yet, while research in grid-based perception has achieved significant progress in the recent years, the use of Dynamic Occupancy Grids in local planning remains circumstantial. For these reasons, this thesis investigates a method to profit from Dynamic Occupancy Grids in local collision avoidance. Our first contribution is a grid-based collision avoidance framework along with a new Predictive Collision Detector that we propose as an interface between state-of-art grid-based perception and sampling-based planners. Unlike most other approaches, ours operates only on elementary spatial occupancy such that it captures the richness and versatility of modern occupancy grid perception. Our second contribution is a human and interaction aware collision avoidance solution. It required an extension of the previous Predictive Collision Detector in order to consider class-specific agent prediction models. A pedestrian-specific prediction model has also been introduced, it was inspired by a state-of-art human-vehicle interaction model. Our third contribution is a new Augmented Reality test framework that operates at sensor level, on LiDAR data. Unlike most other Augmented Reality frameworks that operate at object level, our new approach enabled the experimental validation in Augmented Reality of the proposed collision avoidance solution, as a continuous pipeline from sensor data to the control of the real-world vehicle. Across this whole work, a particular care has been taken to operate only on sensor data and elementary spatial occupancy, without using the concept of objects, in order to capture the richness and versatility of modern occupancy grid perception. A massive parallelization of the computations since design of the algorithms allowed a frugal implementation that met the real time constraints even on embedded devices. The proposed methods have been deployed on 3 different robots, including a robotic car, and tested in real-world experiments. With this contribution, we hope to facilitate the use of Dynamic Occupancy Grids for collision avoidance and to enhance the connectivity of the state-of-art of perception and navigation.