Agregation D Information Pour La Localisation D Un Robot Mobile Sur Une Carte Imparfaite
Download Agregation D Information Pour La Localisation D Un Robot Mobile Sur Une Carte Imparfaite PDF/ePub or read online books in Mobi eBooks. Click Download or Read Online button to get Agregation D Information Pour La Localisation D Un Robot Mobile Sur Une Carte Imparfaite book now. This website allows unlimited access to, at the time of writing, more than 1.5 million titles, including hundreds of thousands of titles in various foreign languages.
Agrégation d'information pour la localisation d'un robot mobile sur une carte imparfaite
La plupart des grandes villes modernes mondiales souffrent des conséquences de la pollution et des bouchons. Une solution à ce problème serait de réglementer l'accès aux centres-villes pour les voitures personnelles en faveur d'un système de transports publics constitués de navettes autonomes propulsées par une énergie n'engendrant pas de pollution gazeuse. Celles-ci pourraient desservir les usagers à la demande, en étant déroutées en fonction des appels de ceux-ci. Ces véhicules pourraient également être utilisés afin de desservir de grands sites industriels, ou bien des sites sensibles dont l'accès, restreint, doit être contrôlé. Afin de parvenir à réaliser cet objectif, un véhicule devra être capable de se localiser dans sa zone de travail. Une bonne partie des méthodes de localisation reprises par la communauté scientifique se basent sur des méthodes de type "Simultaneous Localization and Mapping" (SLAM). Ces méthodes sont capables de construire dynamiquement une carte de l'environnement ainsi que de localiser un véhicule dans une telle carte. Bien que celles-ci aient démontré leur robustesse, dans la plupart des implémentations, le partage d'une carte commune entre plusieurs robots peut s'avérer problématique. En outre, ces méthodes n'utilisent fréquemment aucune information existant au préalable et construisent la carte de leur environnement à partir de zéro.Nous souhaitons lever ces limitations, et proposons d'utiliser des cartes de type sémantique, qui existent au-préalable, par exemple comme OpenStreetMap, comme carte de base afin de se localiser. Ce type de carte contient la position de panneaux de signalisation, de feux tricolores, de murs de bâtiments etc... De telles cartes viennent presque à-coup-sûr avec des imprécisions de position, des erreurs au niveau des éléments qu'elles contiennent, par exemple des éléments réels peuvent manquer dans les données de la carte, ou bien des éléments stockés dans celles-ci peuvent ne plus exister. Afin de gérer de telles erreurs dans les données de la carte, et de permettre à un véhicule autonome de s'y localiser, nous proposons un nouveau paradigme. Tout d'abord, afin de gérer le problème de sur-convergence classique dans les techniques de fusion de données (filtre de Kalman), ainsi que le problème de mise à l'échelle, nous proposons de gérer l'intégralité de la carte par un filtre à Intersection de Covariance Partitionnée. Nous proposons également d'effacer des éléments inexistant des données de la carte en estimant leur probabilité d'existence, calculée en se basant sur les détections de ceux-ci par les capteurs du véhicule, et supprimant ceux doté d'une probabilité trop faible. Enfin, nous proposons de scanner périodiquement la totalité des données capteur pour y chercher de nouveaux amers potentiels que la carte n'intègre pas encore dans ses données, et de les y ajouter. Des expérimentations montrent la faisabilité d'un tel concept de carte dynamique de haut niveau qui serait mise à jour au-vol.
Localisation d'un robot mobile par mise en correspondance de cartes télémétriques
CETTE THESE PRESENTE UNE METHODE DE LOCALISATION D'UN ROBOT MOBILE PAR MISE EN CORRESPONDANCE DE CARTES TELEMETRIQUES. L'ENVIRONNEMENT CONSIDERE DANS CETTE ETUDE EST UN ENVIRONNEMENT D'INTERIEUR STRUCTURE. LE PRINCIPE DE LA METHODE REPOSE SUR LA MISE EN CORRESPONDANCE DES DONNEES ISSUES DES ACQUISITIONS DE DEBUT ET FIN DE MOUVEMENT. LE CAPTEUR UTILISE EST UN TELEMETRE LASER 2D QUI SCRUTE RADIALEMENT L'ENVIRONNEMENT DU ROBOT DANS UN PLAN PARALLELE AU SOL. LA METHODE SE DEROULE SUIVANT TROIS PHASES: SEGMENTATION DES DONNEES, MISE EN CORRESPONDANCE DES CARTES SEGMENTEES ET ESTIMATION DU MOUVEMENT ENTRE LES DEUX CARTES. L'ORIGINALITE DE LA METHODE DE SEGMENTATION QUE NOUS PROPOSONS (I.E. APPROXIMATION POLYGONALE) RESIDE DANS LA COMBINAISON DE CONCEPTS STATISTIQUES ET FLOUS POUR DETECTER PUIS LOCALISER LES EXTREMITES DES SEGMENTS. LA SEGMENTATION OBTENUE EST ROBUSTE CAR ELLE SATISFAIT LES CRITERES DE PRECISION, FIABILITE ET REPETABILITE. LA MISE EN CORRESPONDANCE DE DEUX CARTES SEGMENTEES CONDUIT A UNE SOLUTION GLOBALE D'APPARIEMENT. CELLE-CI EST OBTENUE PAR UN ALGORITHME DE PROGRAMMATION DYNAMIQUE, ADAPTE AU RAISONNEMENT BIMODAL MULTIVALUE QUE NOUS AVONS CHOISI D'UTILISER POUR SES PROPRIETES DE ROBUSTESSE. LA MISE EN CORRESPONDANCE ETABLIE, IL EST POSSIBLE D'ESTIMER UN DEPLACEMENT RELATIF ENTRE LES DEUX CARTES ET DONC DE LOCALISER LE ROBOT. L'ENSEMBLE DES RESULTATS PRESENTES A ETE IMPLEMENTE ET EXPERIMENTE SUR DES ROBOTS MOBILES. DEUX APPLICATIONS ONT ETE PROPOSEES POUR TESTER LES METHODES PRESENTEES: LA LOCALISATION DANS LE PLAN D'UN ROBOT MOBILE D'INTERIEUR (LE ROBOT VEGA DU LIRMM) ET LA SEGMENTATION DE DONNEES FOURNIES PAR LE TELEMETRE LASER 3D DE L'UNIVERSITE DE SARAGOSSE, ESPAGNE
Boîte à outils de programmation de robots mobiles
Author: Fouad Sabry
language: fr
Publisher: One Billion Knowledgeable
Release Date: 2025-01-21
Mobile Robot Programming Toolkit-Introduction aux principes fondamentaux de la programmation des robots mobiles, à la configuration du logiciel et aux outils essentiels pour le développement de systèmes robotiques. Boids-Explorez l'algorithme Boids pour simuler le comportement de groupement et son application en robotique en essaim. Neuroévolution-Découvrez les techniques de neuroévolution pour optimiser les systèmes de contrôle robotique et améliorer les performances au fil du temps. Cartographie robotique-Comprenez les concepts de base de la cartographie robotique, y compris les techniques de création de représentations environnementales précises. Localisation et cartographie simultanées-découvrez des méthodes permettant aux robots de cartographier leur environnement tout en déterminant simultanément leur position. Point le plus proche itératif-introduction à l'algorithme ICP, essentiel pour affiner les modèles d'objets 3D et améliorer la précision de la localisation des robots. Visualisation logicielle-apprenez à visualiser les logiciels robotiques pour améliorer les processus de débogage, de test et d'optimisation. Courbe de Hilbert-découvrez le rôle de la courbe de Hilbert dans l'amélioration du traitement des données spatiales et de la navigation dans les robots mobiles. Recherche du voisin le plus proche-explorez les algorithmes permettant de trouver efficacement les voisins les plus proches dans les ensembles de données, un aspect crucial de la prise de décision des robots. Cartographie collaborative-découvrez les techniques de cartographie collaborative qui permettent à plusieurs robots de travailler ensemble pour créer des cartes détaillées d'environnements inconnus. Système de positionnement intérieur-explorez les concepts qui sous-tendent les systèmes de positionnement intérieur, qui sont essentiels pour les robots opérant dans des environnements sans GPS. Navigation robotique-comprendre les principes de la navigation robotique autonome, notamment la planification de trajectoire, l'évitement des obstacles et la prise de décision. Odométrie visuelle-découvrir les méthodes d'odométrie visuelle utilisées pour estimer la position et le mouvement d'un robot à l'aide des entrées de la caméra. Caméra omnidirectionnelle (360 degrés)-comprendre l'importance des caméras à 360 degrés pour améliorer la perception et la navigation du robot. Robotique open source-explorer le monde des logiciels, outils et plateformes de robotique open source pour créer des systèmes robotiques personnalisables. Carte logicielle-apprendre à créer et à gérer des cartes logicielles pour les systèmes robotiques, améliorant ainsi leur efficacité et leur adaptabilité. Boîte à outils robotique pour MATLAB-acquérir une expérience pratique avec la boîte à outils robotique pour MATLAB, un outil puissant de modélisation et de simulation de robots. Robotique cloud-comprendre le domaine émergent de la robotique cloud et son potentiel à révolutionner la collaboration, le calcul et le partage de données entre robots. Margarita Chli-découvrez les contributions de Margarita Chli à la robotique, notamment en matière de vision robotique et d'intelligence artificielle. Jürgen Sturm-découvrez les travaux de Jürgen Sturm dans les domaines de la perception visuelle, de la localisation simultanée et de la cartographie pour les robots mobiles. Flocage-étudiez les principes du comportement de regroupement en robotique, où les robots imitent les schémas de mouvement coordonnés des animaux.