Contributions to Omnidirectional Visual Simultaneous Localization and Mapping
Contributions aux méthodes de localisation et cartographie simultanées par vision omnidirectionnelle
Résumé
Estimating the motion of a mobile robot while simultaneously building a representation of its environment is a key problem for autonomous robotics. This problem is known as SLAM (Simultaneous Localization and Mapping). In this thesis, we address the problem of Bearing-only Visual SLAM based on an omnidirectional camera. The environment is made of point-based landmarks whose depth is never measured directly. We first made a state of the art of SLAM solving methods. We finally kept two algorithms because of their good consistency: the SAM (Smoothing and Mapping) which is a probabilistic method based on the smoothing of the whole robot trajectory, and the interval analysis. Simulation results shown that the interval method is not well adapted to the bearing-only SLAM: the system is not redundant enough. The SAM algorithm was then validated on real data, with two planar trajectories and a full six degrees of freedom trajectory. Complexity is a classical issue of SLAM methods: computational cost quadratically rises with the number of landmarks. This issue is often solved by splitting the whole environment in local submaps. We used this concept and improved it on two points. First, each new local map consistently takes advantages of all the measurements made in the previous one. Then, we developed a new criterion to decide when starting a new map which ensures that the current map remains strongly correlated. This leads to limit the growth of uncertainties in local maps. Finally, we used the latter property to apply deterministic algorithms to enhance the point-based representation by textured planes and a pertinent representation of the free space.
Estimer le mouvement d'un robot mobile tout en construisant une représentation de son environnement est un problème essentiel pour le développement des robots autonomes : il est connu sous l'acronyme de SLAM (Simultaneous Localization and Mapping). Nous nous intéressons dans cette thèse au SLAM visuel avec caméra omnidirectionnelle. L'environnement est représenté par des amers ponctuels dont la profondeur n'est pas mesurée directement. Nous nous sommes d'abord intéressés aux méthodes de résolution du SLAM. Deux approches ont retenu notre attention de part leur consistance : le SAM (Smoothing and Mapping : une méthode de lissage probabiliste prenant en compte toute la trajectoire) et l'analyse par intervalles. Une étude en simulation a été menée et conclut que la méthode d'analyse par intervalles est inadaptée au SLAM visuel en raison de la faible redondance d'informations. Le SAM a ensuite été validé sur des données réelles, dans les cas de deux trajectoires planes et d'une à 6 degrés de liberté. Un problème du SLAM est sa complexité calculatoire quadratique avec le nombre d'amers. Il est souvent résolu en segmentant l'environnement en cartes locales. Nous avons repris ce concept en l'améliorant sur deux points. Premièrement, chaque nouvelle carte intègre les informations de la précédente de façon consistante. Ensuite, le critère déterminant quand changer de carte impose désormais que chaque carte locale soit fortement corrélée, ce qui permet de limiter l'augmentation des incertitudes. Nous avons finalement utilisé cet aspect pour appliquer des algorithmes déterministes pour augmenter la représentation ponctuelle par des plans texturés et une visualisation pertinente de l'espace libre.
Loading...