Elements of embedded localization for field robotics
Contribution à la localisation robuste embarquée pour la navigation autonome
Résumé
There has been a great and quick development in autonomous mobile robotics over the past few years. This growth mainly concerns autonomous vehicles and service robotics. Whatever the field of application, the localization task plays a key role in the intelligence of the mobile robots. As a result, this thesis is focused on exploring new challenges in embedding this aspect of artificial intelligence over two topics.
First, we tackled the ARGOS Challenge. We have proposed a 6 Degrees of Freedom localization method based on multi-layer LiDAR data. Results show that the localization is accurate enough to perform autonomous control of the robot. Targeted applications include Oil and Gas platform patrolling. Such environments are more challenging than regular environments found in the literature. The proposed method takes into account concerns regarding CPU and memory consumption as well as embeddability. The likelihood field concept was extended to 3D. The method was benchmarked in a lab, an industrial site with single-layer and multi-layer LiDARs and 3 different robots. Robots are being located in their environment with an average error of 2.5cm using 16% of a CPU core.
Secondly, we focused on topological localization. In fact, the approach used in the ARGOS Challenge requires a small area as initial step. Our second approach enables to find the location of a road vehicle over several square kilometers. Our method is based on sensors widely available on any modern cars (ABS and ESP). The map used is a topological representation of OpenStreet map data. Based on this information, we achieve an average
error of 4m. This figure is close to GPS-based accuracy.
Finally, our works are based on a specific experimental approach. In fact, developing new localization algorithms requires fine tunings. Moreover, tests, reliability and certifications of autonomous systems are still challenging for either the scientific community or the industry actors. The proposed methodology tends to propose a solution by mixing simulation, small-scale testing and full-scale testing.
Nous constatons ces dernières années un essor important de la robotique mobile autonome avec deux grands domaines d’application : la robotique des services et le véhicule autonome. Quel que soit le domaine visé, la fonction de localisation est déterminante pour l’autonomie de ces futurs mobiles. A ce titre, nous avons consacré ces travaux de thèse à l’approfondissement des problématiques de localisation à travers deux sujets proposant des méthodes embarquées.
Dans un premier temps, avec le challenge international de robotique Argos : nous nous sommes attelés à une localisation 6 degrés de liberté basée LiDAR multi-nappes, avec une précision suffisante pour assurer le contrôle du robot. Les applications envisagées étant la surveillance des installations pétrochimiques, l’environnement rencontré est plus complexe que ceux couramment décrits dans la littérature. Nous avons mis particulièrement l’accent sur le côté embarquable, soit la consommation de ressources aussi bien en termes de mémoire que de CPU de l’algorithme. Pour cela, nous avons étendu
le concept de likelihood field en 3D. L’algorithme a été évalué en laboratoire puis sur un site industriel, avec deux types de LiDAR et sur 3 robots. Nous atteignons une précision d’environ 2.5cm en utilisant 16% d’un core d’un processeur actuel.
Cette méthode de localisation n’autorise pas une initialisation sur une large zone. Dans un second temps, nous avons donc proposé une localisation topologique de véhicules routiers permettant une convergence sur plusieurs kilomètres carrés. Nous n’utilisons que des capteurs présents dans tous les véhicules (ABS et ESP) et la carte est représentée par un graphe contenant des données Open Street Map. A partir de ces informations, nous obtenons une précision inférieure à 4 m, c’est-à-dire semblable à celle d’un GPS standard.
Nos travaux portent également sur une méthodologie d’expérimentation. En effet, la mise au point d’algorithmes de localisation nécessite de nombreux ajustements. De plus, le test, la fiabilité puis la qualification de ces systèmes autonomes demeurent de véritables enjeux aussi bien pour la communauté scientifique qu’industrielle. Cette méthodologie contribue à répondre à ces challenges en fusionnant le développement des tests réalisés en simulation, à échelle réduite et pleine échelle.
Loading...
