Segmentation, localisation et cartographie avec primitives géométriques 2D

La navigation des robots mobiles autonomes est un domaine d'étude très prolifique en robotique. Ces véhicules peuvent permettre d'explorer des environnements inconnus ou effectuer des tâches dans des milieux inaccessibles ou hostiles à l'Homme. Le problème de navigation regroupe un grand nombre de défis scientifiques et technologiques. La localisation et cartographie simultanées, ou SLAM, représente un des principaux enjeux de ce problème complexe. En effet, construire une carte représentative de l'environnement tout en localisant le robot mobile dans cette carte est nécessaire pour planifier la trajectoire du robot, effectuer certaines tâches ou encore interagir avec le milieu. De nombreuses propositions pour résoudre ce problème ont été présentées ces dernières décennies. Cependant, il n'existe pas de solutions optimales de SLAM car la performance d'une méthode dépend des contraintes du système et de l'environnement. Dans ce mémoire, nous présentons une méthode de SLAM dans un environnement 2D exploitant les mesures d'un télémètre (Laser Range Finder, ou LRF) pour modéliser les contours d'objets par des fonctions paramétrées dites implicites. Un système d'odométrie différentielle est ajouté au système pour la localisation du robot. La formulation de la proposition est telle que le choix de fonctions implicites est laissé à l'utilisateur pour l'adapter aux obstacles présents dans l'environnement. De plus, plusieurs familles de fonctions implicites peuvent être utilisées simultanément pour diversifier les types d'objets modélisables. Ce choix de familles doit permettre de modéliser une grande variété d'objets présents dans l'environnement avec un minimum de fonctions implicites différentes, tout en prenant en compte le nombre de paramètres nécessaires pour décrire précisément un objet. Une application avec des lignes et des superellipses est présentée dans ce travail dans un environnement simulé. Cette méthode permet de modéliser précisément un ensemble d'objets avec peu de paramètres et d'apporter une interprétation sémantique de la modélisation de l'environnement.

Abstract

Autonomous navigation for mobile robots is a prolific field of study in robotics. These vehicles can explore unknown environments or perform tasks in areas that are inaccessible or hostile to humans. A large number of scientific and technological challenges are included in the navigation problem. Simultaneous Localization and Mapping, or SLAM, is one of the main challenges of this complex problem. Indeed, building a representative map of the environment while locating a mobile robot in this map is necessary to plan the trajectory of the robot, perform some tasks or interact with the environment. Many solutions for this problem have been proposed in the last decades. However, there is no optimal SLAM solution because the performance of a method depends on the constraints of the system and the environment. In this thesis, we present a method for SLAM in a 2D environment using measurements from a Laser Range Finder (LRF) which models the contours of objects using parameterized functions called implicit functions. A di˙erential odometry system is added to the system for robot localization. The work proposed is generalized to any implicit function in order to be able to adapt the representation to the obstacles present in the environment. Moreover, several types of implicit functions can be used simultaneously to diversify the types of objects that can be modelled. An application with lines and superellipses is presented in this work in a simulated environment. This method allows to accurately model a set of objects with few parameters and to provide a semantic interpretation of the environment modeling.