MOBILE LOCALIZATION BY 3D MODEL RECONSTRUCTION BASED ON STEREOVISION
Localisation de mobiles par construction de modèles en 3D en utilisant la stéréovision
Résumé
The work presented in this thesis contribute to global localization systems for mobile robots using stereovision. This works are in line with the collaboration between LORIA-NANCY from Nancy and the SeT laboratory from UTBM. The proposed localization method is composed of two steps. The first one is a learning environment phase that allows a three-dimensional model generation of the navigation environment. The second step is devoted to the vehicle localization by the three-dimensional model. During the learning phase a three-dimensional model is build on features. These features can be match into geometric constraints (translation, rotation, scale) and/or illumination changes. Constraints are respected using an invariant approach to these variations that allow distant point of views matching. Features are described using several attributes which make them useful for robust localization. From extracted points, the three-dimensional model is build using an incremental method with position adjustment to remove deviations. The localization process computes an accurate vehicle position by matching the three-dimensional features extracted using stereovision and the three-dimensional model data. This matching is done through interest points obtained by a scale invariant feature transform (SIFT) method. The proposed localization method has been evaluated using a simulation platform that allows stereoscopic sensor simulation onto a vehicle navigating into virtual environment. Moreover, some experiments into real conditions have been made to evaluate the method performance.
Les travaux présentés dans cette thèse contribuent aux systèmes de localisation pour un robot mobile en utilisant la stéréovision. Ces travaux s'inscrivent dans le cadre d'une collaboration entre le LORIA-INRIA de Nancy et le laboratoire SeT de l'UTBM. L'approche proposée est décomposée en deux étapes. La première étape constitue une phase d'apprentissage qui permet de construire un modèle 3D de l'environnement de navigation. La deuxième étape est consacrée à la localisation du véhicule par rapport au modèle 3D. La phase d'apprentissage a pour objectif de construire un modèle tridimensionnel, à partir de points d'intérêt pouvant être appariés sous différentes contraintes géométriques (translation, rotation, changement d'échelle) et/ou contraintes de changements d'illumination. Dans l'objectif de répondre à toutes ces contraintes, nous utilisons la méthode SIFT (Scale Invariant Feature Transform) permettant des mises en correspondance de vues éloignées. Ces points d'intérêt sont décrits par de nombreux attributs qui font d'eux des caractéristiques très intéressantes pour une localisation robuste. Suite à la mise en correspondance de ces points, un modèle tridimensionnel est construit, en utilisant une méthode incrémentale. Un ajustement des positions est effectué afin d'écarter les éventuelles déviations. La phase de localisation consiste à déterminer la position du mobile par rapport au modèle 3D représentant l'environnement de navigation. Elle consiste à apparier les points 3D reconstruits à partir d'une pose du capteur stéréoscopie et les points 3D du modèle. Cet appariement est effectué par l'intermédiaire des points d'intérêt, issus de la méthode d'extraction SIFT. L'approche proposée a été évaluée en utilisant une plate-forme de simulation permettant de simuler un capteur stéréoscopique, installé sur véhicule naviguant dans un environnement 3D virtuel. Par ailleurs, le système de localisation développé a été testé en utilisant le véhicule instrumenté du laboratoire SeT afin d'évaluer ses performances en conditions réelles d'utilisation.