Vers une intégrité collaborative pour la localisation de robots avec mise à jour de carte (H/F)

Towards collaborative integrity for robot localization with map update

• Auteur / Autrice : Anaïs Bourguignon
• Direction : Joëlle Al hage, Philippe Bonnifait
• Type : Projet de thèse
• Discipline(s) : Automatique et robotique
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : Sciences pour l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Heuristique et diagnostic des systèmes complexes

Mots clés

Mots clés libres

Diagnostic

Optimisation et filtrage

Mise à jour de la carte

Localisation collaborative

Apprentissage de paramètres

Intégrité

Diagnosis

Map update

Integrity

Parameter learning

Optimization and filtering

Collaborative localization

Résumé

L'objectif de cette thèse est de contribuer au développement de nouvelles méthodes de localisation collaborative, aidées par des cartes a priori, capables de gérer l'évolutivité de la carte dans le but d'améliorer la précision et l'intégrité de localisation. Dans ces travaux, la carte sera constituée des bâtiments et sera associée aux mesures de lidars 3D pour localiser les véhicules. La carte a priori peut être obtenue à partir d'OpenStreetMap (OSM), par exemple. La collaboration aura lieu lorsqu'au moins deux véhicules observent les mêmes amers grâce à une communication directe entre eux. La collaboration entre les véhicules est un élément clé pour améliorer la précision et l'intégrité interne (tolérance aux défauts) et externe (valeur réelle à estimer se trouvant à l'intérieur de l'intervalle de confiance) de leurs localisation grâce aux informations plus nombreuses et redondantes. La collaboration a lieu lorsque deux véhicules observent les mêmes amers et, dans ce cas, une estimation des poses relatives entre les véhicules peut être effectuée de façon indirecte. Pour limiter au maximum les informations échangées entre les véhicules, on souhaite représenter la carte des bâtiments sous forme des caractéristiques stables qui doivent être robustes aux changements des angles de perception et aux conditions environnementales. Dans cette thèse, une attention particulière sera apportée au choix des caractéristiques à extraire après avoir réalisé un état de l'art détaillé des approches existantes et de leurs limitations. Pour l'architecture de fusion, une préférence sera donnée à une architecture distribuée. Dans ce cas, les véhicules se localisent d'une façon coopérative grâce à une communication directe entre eux (localisation coopérative décentralisée) pour mieux estimer leurs poses et améliorer leurs propres cartes locales constituées seulement d'une partie de l'environnement. Un serveur central se charge de la mise à jour d'une carte globale optimisée mais à fréquence réduite. Cette mise à jour globale de la carte peut se réaliser à travers une approche d'optimisation. L'approche sera basée alors sur une partie filtrage (basée modèle) et une autre sur de l'optimisation (pour la carte globale). Du point de vue localisation coopérative, deux approches peuvent être envisagées. La première, que nous avons étudiée dans la thèse de Maxime Escourrou, consiste à comparer le nuage de points avec la carte pour générer une observation. Cette approche nécessite le choix d'une observation pertinente et comparable entre les véhicules. Une deuxième approche pouvant être envisagée dans cette thèse consiste en une comparaison jointe des caractéristiques des nuages de points de plusieurs véhicules. L'approche sera alors divisée en deux parties : une partie de comparaison directe avec la carte et une autre entre les véhicules. Du point de vue de la méthode de fusion de données multi-capteurs, une préférence sera donnée aux méthodes d'estimation bayésiennes comme l'UKF (Unscented Kalman Filter) et le Schmidt Kalman Filter. En ce qui concerne l'intégrité, chaque robot peut améliorer son estimation d'état grâce aux informations et mesures partagées. Une attention particulière sera accordée à la qualité des informations échangées entre les véhicules pour améliorer la qualité des estimations. Pour limiter au maximum les erreurs, une étape de diagnostic sera ajoutée dans laquelle les seuils seront fixés en se basant sur des approches d'apprentissage. Comme le choix des covariances associées aux bruits de mesures a aussi une influence directe sur l'intégrité, des approches basées sur de l'apprentissage pour régler automatiquement les covariances seront considérées. Cette partie sera étudiée en détail, ainsi que le lien entre l'incertitude de perception et l'intégrité de localisation.

The objective of this thesis is to contribute to the development of new collaborative localization methods, with prior maps, able to manage the scalability of the map with the aim of improving localization accuracy and integrity. In this work, the map will consist of buildings and will be associated with 3D lidar measurements to localize vehicles. The prior map can be obtained from OpenStreetMap (OSM), for example. Collaboration will take place when at least two vehicles observe the same landmarks through direct communication between them. Collaboration between vehicles is a key element to improve accuracy, fault tolerance and external integrity (real value to be within the confidence interval) of their state estimations thanks to more and redundant information. Collaboration takes place when two vehicles observe the same landmarks and, in this case, an estimation of the relative poses between the vehicles can be carried out indirectly. To limit as much as possible the information exchanged between vehicles, we aim to represent the buildings map in the form of stable characteristics, which must be robust to changes in perception angles and environmental conditions. In this thesis, particular attention will be paid to the choice of characteristics to extract after a detailed state of the art of existing approaches and their limitations. For the fusion architecture, preference will be given to a distributed architecture. In this case, the vehicles localize themselves in a cooperative way thanks to direct communication between them (decentralized coollaborative localization) to better estimate their poses and improve their own local maps consisting of only part of the environment. A central server is responsible for updating an optimized global map but at reduced frequency. This global update of the map can be carried out through an optimization approach. The approach will then be based on a filtering part (model-based) and another on optimization (for the global map). The approach will then be based on a filtering part (model-based) and another on optimization (for the global map). Indeed, using only a filtering-based approach creates problems when merging maps and can lead to inconsistency problems which affect the integrity of the system. Likewise, using the whole map in the state vector can lead to a heavy computational load. Regarding the cooperative localization, two approaches can be considered. The first, which we studied in Maxime Escourrou's PhD, consists of comparing the points cloud with the map to generate an observation. This approach requires the choice of a relevant and comparable observation between vehicles. A second approach that can be considered in this PhD consists of a joint comparison of the characteristics of the point clouds of several vehicles. The approach will then be divided into two parts: a part of direct comparison with the map and another between the vehicles. Regarding the multi-sensor data fusion method, preference will be given to Bayesian estimation methods such as the UKF (Unscented Kalman Filter) and the Schmidt Kalman Filter. Regarding integrity, each robot can improve its state estimation thanks to shared information and measurements. Particular attention will be paid to the quality of information exchanged between vehicles to improve the quality of estimates. To limit errors as much as possible, a diagnosis step will be added in which thresholds will be set based on learning approaches. As the choice of covariances associated with measurement noise also has a direct influence on integrity, approaches based on learning to automatically adjust the covariances will be considered. This part will be studied in detail, as well as the link between perception uncertainty and localization integrity.