visual localisation by neuromimetic approach in the context of delagated driving
localisation visuelle par approche neuromimétique dans le contexte de la délégation de conduite
Résumé
The main aim of this thesis is to extend navigation models built for indoor environments to autonomous vehicles.
These models follow a neurorobotics approach: they reproduce neural substrates that sustain the mechanism responsible for spatial cognition in the mammalian brain. This thesis introduces and shows the potential of bio-inspired robotics and neurorobotics to the community of autonomous driving.
This manuscrit begins by giving a state of the art of robotic navigation. It presents the subsidiary question of visual recognition.
The notions of bio-inspired robotics and neurorobotics are then introduced. An overview of anatomical observations necessary to the comprehension of bio-inspired models is also given.
The document describes a model for visual place recognition inspired by hippocampal place cells. This model is tested in outdoor on-road environments. The results show that the model is able to build a representation of the environment that can be used in navigation tasks.
A reactive navigation model (PerAc) is then presented. This model uses the representation built by the visual place recognition model to learn sensorimotor units linking places and actions. A set of these associations allows the model to learn robust trajectories or goal positions. This model was initially built for robots evolving in indoor environments. It is embbedded and tested on an autonomous vehicle. The experiments show that the model is able to learn trajectory with a car in outdoor environments.
My last contribution presented is about a visual contexts model. A second visual processing chain inspired by the primary visual cortex is proposed to build a coarse representation of the environment that modulates the activities of the visual place cells.
The essay ends by giving a set of leads to improve different aspects of the proposed models, by modeling in more depth other brain structures or change the encoding of data for instance.
L'objectif premier de cette thèse est de tester et d'étendre des modèles de navigation initialement développés pour de la navigation en intérieur et de les appliquer à la délégation de conduite des véhicules autonomes. La particularité de ces architectures de contrôle pour robot mobile est qu'elles sont issus d'une approche bio-inspirée et sont dite neurorobotiques : elles reproduisent les mécanismes neuronaux impliqués dans les comportements de navigation observés chez les animaux.
Ces travaux concourent à introduire auprès de la communauté du véhicule autonome les approches bio-inspirées et leur potentiel au travers des modèles présentés.
Cette thèse commence par aborder les technologies utilisées (GPS, lidar, ...) et les différentes stratégies de navigation (réactive, avec carte). Cette présentation se termine en circonscrivant le problème de la navigation des véhicules autonomes à la reconnaissance de lieux par la vision.
Le manuscrit présente ensuite les approches bio-inspirée et neurorobotique avant de donner les notions d'anatomie facilitant la compréhension des modèles bio-inspirés décrits par la suite.
Un modèle de reconnaissance de lieux par la vision est présenté en détail. Des expériences de simulations avec des données réelles permettent de tester ce modèle, initialement conçu pour la navigation intérieure, dans des environnements propres aux véhicules. Les résultats de ces tests montrent que le modèle construit une représentation de l'environnement capable de discriminer et de reconnaître des lieux.
Une architecture neuronale de navigation réactive reposant sur le précédent système, le modèle PerAc est décrite ensuite. Ce modèle utilise les lieux construits par le modèle de reconnaissance et associe chaque lieu à une direction à suivre. Par un ensemble d'associations, il est possible d'apprendre à suivre de manière robuste des trajectoires ou une position à rejoindre. Ce modèle, conçu pour de la navigation en intérieur, est testé sur un véhicule dans des expériences servant à évaluer sa capacité à fonctionner sur véhicule. Les résultats prouvent que le modèle est capable d'apprendre des trajectoires avec une voiture en environnement extérieur.
Ma dernière contribution porte sur un modèle de contextes visuels permettant d'accroître les performances computationnelles de la reconnaissance de lieux. Une chaîne de traitements visuelle inspirée du cortex visuel primaire effectue un découpage de l'environnement qui vient moduler la reconnaissance de lieux du modèle précédent.
Ce manuscrit se termine en proposant un ensemble de pistes à même d'améliorer les différents aspects des modèles présentés, par exemple, en modélisant plus finement certaines zones du cerveau ou en utilisant un codage épars afin de réduire le coût computationnel.
Origine : Fichiers produits par l'(les) auteur(s)