Machine Learning for Multi-Robot Semantic Simultaneous Localization and Mapping

L'automatisation et la robotique prennent une place de plus en plus importante dans notre vie quotidienne, avec de nombreuses utilisations possibles. Les robots pourraient nous épargner des tâches dangereuses et pénibles, ou rendre des choses impossibles jusqu'à maintenant possibles. Pour que les robots s'intègrent en toute sécurité dans notre monde et dans de nouveaux environnements inconnus, il est clef qu'ils soient équipés d'une capacité de per-ception, et en particulier qu'ils puissent se localiser par rapport à leur entourage. Afin d'être réellement indépendants, les robots doivent pouvoir le faire en se basant uniquement sur leurs propres capteurs, les plus couramment utilisés étant les caméras. Une solution pour obtenir de telles estimations est d'utiliser un algorithme de cartographie et localisa-tion simultanée (SLAM), dans lequel le robot va simultanément construire une carte de son environnement et estimer son propre état. Le SLAM avec un seul robot a fait l'objet de nombreux travaux scientifiques, et est désormais considéré comme un domaine de recherche mature. Cependant, l'utilisation d'une équipe de robots peut o˙rir plusieurs avantages en termes de robustesse, d'eÿcacité et de performances pour de nombreuses tâches. Dans ce cas, des algorithmes de SLAM multi-robots sont nécessaires pour permettre à chaque robot de bénéficier de l'expérience de toute l'équipe. Le SLAM multi-robot peut s'appuyer sur des solutions SLAM classiques, mais nécessite des adaptations et fait face à des contraintes de calculs et de communications supplémentaires. Un défi particulier dans le SLAM multi-robots est la nécessité pour les robots de trouver des fermetures de boucles inter-robots: des liens entre les trajectoires de di˙érents robots qui peuvent être trouvés lorsqu'ils visitent le même endroit. Deux catégories d'approches sont possibles pour détecter les fermetures de boucles inter-robots. Dans les méthodes indirectes, les robots communiquent pour vérifier s'ils ont cartographié un espace commun, puis tentent de trouver des fermetures de boucles à partir des données recueillies par chacun des robots dans cet espace. Dans les méthodes directes, les robots s'appuient directement sur les données de leurs capteurs pour estimer les fermetures de boucles. Chaque approche a des avantages et des inconvénients, mais les méthodes indi-rectes ont été plus étudiées récemment. Ce mémoire s'appuie sur les avancées récentes de la vision par ordinateur pour présenter des contributions à chaque catégorie d'approches pour la détection de fermetures de boucles inter-robots. Une première contribution est présentée pour la détection de fermetures de boucles indirecte dans une équipe de robots entièrement en communication. Elle utilise des constellations, une représentation sémantique compacte de l'environnement basée sur les objets qui le compose.