Cartographie et localisation crowdsourcées pour la conduite autonome en environnement urbain

Crowdsourced mapping and localization for autonomous driving in urban environments

• Auteur / Autrice : Noël Nadal
• Direction : Fawzi Nashashibi
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : INRIA Paris

Mots clés

Mots clés libres

Véhicules autonomes

Localisation

Cartographie

Autonomous vehicles

Localization

Mapping

Résumé

Une des tâches fondamentales nécessaires à la navigation autonome d'un véhicule est celle de la localisation. Le besoin est de pouvoir obtenir des précisions de localisation d'ordre décimétrique voire centimétrique dans certains cas. L'emploi de récepteurs de signaux satellitaires (GNSS) de type Galileo, GPS, Glonass ou Baidu est communément répandu. Néanmoins, lorsqu'il s'agit de navigation en milieu urbain, ces solutions souffrent d'indisponibilités et de défaillances conceptuelles (trajets multiples dus au « canyoning », configurations satellitaires défavorables, conditions atmosphériques…). L'emploi de solutions reposant sur des GNSS RTK de précisions centimétriques est très onéreux. Afin d'y remédier, les solutions de localisations envisagées reposent sur l'emploi de cartes numériques embarquées et distantes détenant des informations (ou amers) locales géolocalisées. Ces amers sont introduits systématiquement par les véhicules en circulation. En effet, afin de se localiser, un véhicule utilise ses capteurs de perception embarqués afin de détecter certains amers dans l'environnement proche puis tente de les apparier avec ceux stockés dans la carte. Naturellement, plus des véhicules détecteront des amers, plus ceux-ci sont seront nombreux dans la carte. Mais le défi est alors de garder des amers robustes et dont la localisation est précise. Afin d'établir de telles cartes pour les principales autoroutes, les principaux acteurs automobiles ont recours à des flottes de véhicules spécialisés équipés de capteurs haut de gamme. Cependant, en raison des coûts opérationnels élevés qui y sont associés, ils n'exploitent qu'un nombre limité de véhicules et ne sont pas en mesure de fournir en direct des mises à jour des cartes, ni de cartographier des réseaux routiers entiers. La cartographie crowdsourcée représente une solution rentable à ce problème et suscite aujourd'hui l'intérêt des acteurs du secteur automobile. Cette technique consiste à exploiter les mesures récupérées par de multiples véhicules de production équipés de capteurs standards, afin de construire une carte contenant des amers géolocalisés. Néanmoins, même si cette approche semble prometteuse, sa capacité réelle à construire une carte précise et à la maintenir à jour a besoin d'être évaluée dans des scénarios réalistes et à long-terme. Travaux attendus : Dans le cadre de ce travail de thèse, soutenu par un post-doctorat à venir, nous proposons de développer les outils mathématiques nécessaires à un système de cartographie crowdsourcée, permettant la réalisation d'un système de géolocalisation efficace et précis. L'objectif final étant de pouvoir tester et valider les approches développées sur le terrain à l'aide de véhicules réels équipés appartenant à l'équipe commune. Il existe dans la littérature des approches traitant de ce sujet. L'objectif recherche est celui de réaliser une cartographie précise et passent à l'échelle (scalable). Celle-ci doit être surtout robuste, notamment face aux bruits auto-corrélés et biaisés. La plupart des travaux traitent le problème par des techniques d'optimisation (triangulation, graphes…). Les méthodes les plus connues et les plus répandues emploient les techniques dites SLAM (Simultaneous Localization And Mapping). Dans le cadre de ces travaux de thèse et de post-doc, nous nous proposons d'investiguer une nouvelle méthode de construction de carte mais aussi de localisation s'appuyant sur l'algorithme Belief Propagation (propagation de croyance).

One of the fundamental tasks necessary for the autonomous navigation of a vehicle is that of localization. The need is to be able to obtain location accuracies of the decimetric order, or even centimetric in some cases. The use of satellite signal receivers (GNSS) such as Galileo, GPS, Glonass or Baidu is widespread. However, when it comes to urban navigation, these solutions suffer from unavailability and conceptual failures (multiple paths due to ''canyoning'', unfavorable satellite configurations, atmospheric conditions...). The use of solutions based on RTK GNSS with centimeter accuracies is very expensive. In order to remedy this, the location solutions considered are based on the use of on-board and remote digital maps holding local geolocated information (or landmarks). These landmarks are systematically introduced by the vehicles in circulation. Indeed, in order to locate itself, a vehicle uses its on-board perception sensors to detect certain landmarks in the near environment and then tries to match them with those stored in the map. Naturally, the more vehicles detect landmarks, the more of them will be in the map. But the challenge is then to keep the landmarks robust and with an accurate location. In order to establish such maps for major highways, major automotive companies use fleets of specialized vehicles equipped with high-end sensors. However, due to the high operational costs associated with this, they only operate a limited number of vehicles and are not able to provide live map updates or map entire road networks. Crowdsourced mapping represents a cost-effective solution to this problem and is currently attracting interest from the automotive industry. This technique consists in exploiting the measurements recovered by multiple production vehicles equipped with standard sensors, in order to build a map containing geolocalized landmarks. Nevertheless, even if this approach seems promising, its real capacity to build an accurate map and to maintain it up to date needs to be evaluated in realistic and long-term scenarios. Expected work: In the framework of this thesis, supported by a future post-doctorate, we propose to develop the mathematical tools necessary for a crowdsourced mapping system, allowing the realization of an efficient and accurate geolocation system. The final objective is to be able to test and validate the developed approaches in the field using real equipped vehicles belonging to the joint team. There are approaches in the literature dealing with this subject. The research objective is to realize an accurate and scalable mapping. This one must be robust, especially against auto-correlated and biased noises. Most works deal with the problem by optimization techniques (triangulation, graphs...). The best known and most widespread methods use the so-called SLAM (Simultaneous Localization And Mapping) techniques. In the framework of this thesis and post-doc work, we propose to investigate a new method of map construction and localization based on the Belief Propagation algorithm.