Localisation Et Guidage Du Robot Mobile Atrv2 Dans Un Environnement Naturel.
Résumé
The work presented in this thesis focus on the localization and the navigation of the ATRV2 mobile system in an unknown environment. This mobile system must first model and build his map using data from its onboard sensors, localize itself in this map, and then, generate a collision-free path allowing to it to reach his goal. The model of the environment we have chosen is a metric model (certainty grid) based on the HIMM algorithm, and is updated using data from the onboard sensors. The used localization method is based on the extended Kalman filter (EKF). This method merges the odometric data (system model) and the data from the onboard perception system (measure) to regularly correct the relative estimate of the mobile system position due to the cumulative error caused by the odometer sensors. To determine the measure, the method uses the map matching while estimating its search area and the position around which it searches the estimated position. For the navigation, we have proposed a new method called DVFF combining path planning method based on the D* algorithm, and reactive non-stop method based on the virtual force field VFF. This navigation method uses the current values of onboard ultrasonic sensors (on a small time window), and data from the environment model, to decide what action to take. It allows to the ATRV2 mobile system to move without collisions with obstacles of its environment.
Les travaux présentés dans cette thèse portent essentiellement sur la localisation et la navigation du système mobile ATRV2 dans un environnement inconnu a priori. Ce système doit d'abord modéliser et construire sa carte de l'environnement à partir de données issues de ses capteurs embarqués, se localiser dans cette carte et ensuite générer un chemin sans collisions lui permettant d'atteindre son but. Le modèle de l'environnement que nous avons choisi est un modèle métrique (grille de certitude) basé sur l'algorithme HIMM et est mis à jour en utilisant les données en provenance des capteurs embarqués. La méthode de localisation utilisée est basée sur le filtre de Kalman étendu (EKF). Cette méthode fusionne les données odométriques (modèle du système) et les données du système de perception embarqué (mesure) pour corriger régulièrement l'estimation relative de la position du système mobile due à l'erreur cumulative engendrée par les capteurs odométriques. Pour déterminer la mesure, la méthode utilise la mise en correspondance des grilles tout en estimant sa zone de recherche et la position autour de laquelle elle effectue la recherche de la position estimée. Pour la navigation, nous avons proposé une nouvelle méthode appelée DVFF combinant une méthode de planification de trajectoire globale basée sur l'algorithme D*, et une méthode réactive non stop basée sur le principe des champs de forces virtuelles VFF. Cette méthode de navigation utilise les valeurs courantes des capteurs ultrasonores embarqués (sur une petite fenêtre temporelle), et les données provenant du modèle de l'environnement, pour décider de l'action à effectuer. Elle permet au système mobile ATRV2 de se mouvoir sans crainte de collisions avec les obstacles de son environnement.
Domaines
Robotique [cs.RO]
Loading...