Utilisation de cartes précises pour la navigation robotique en environnement urbain

Transcription

1 Utilisation de cartes précises pour la navigation robotique en environnement urbain Philippe Bonnifait Heudiasyc UMR6599 CNRS Université de Technologie de Compiègne 1

2 Plan 1. Technologies et données pour la navigation 2. Utilisation de cartes pour la localisation 3. Utilisation de cartes pour la perception dynamique 5. Conclusion 2

3 Technologies et données pour la navigation 3

4 Capteurs extéroceptifs 4

5 Capteurs Proprioceptifs Accessibles via les CAN des véhicules modernes Permettent de déterminer le déplacement du véhicule gyromètre de lacet angle au volant vitesse des roues accéléromètre 5

6 Les Systèmes de Positionnement par Satellites (GNSS) Opérationnels : NAVSTAR GPS, GLONASS En construction : GALILEO, BeiDou système de positionnement global position absolue, idéale pour la navigation sur carte bon marché, précis en environnement dégagé dépendant de la visibilité des satellites 6

7 Cartographie Linéaire Polylignes représentant les routes attributs (vitesse limite, etc) 3D par attribut d altitude Surfacique Surface représentant l espace roulable délimitée par trottoirs et obstacles points 3D facettes triangulaires 7

8 Carte 3D, Mairie du XII e arrondissement de Paris Produite par l Institut Géographique National Photogrammétrie photos aériennes Surface générée à partir des bords de voie Précision des sommets : 5 cm en XY / 20 cm en Z 572 facettes triangulaires 8

9 Objectifs de l exposé Montrer quelques utilisations de cartes géo-référencées et connues a priori pour des problèmes localisation globale des problèmes de perception dynamique 9

10 Deuxième partie Utilisation de cartes pour la localisation En particulier pour améliorer l intégrité Travaux conduits avec Vincent Drevelle 10

11 Incertitude de localisation Un système de localisation met en œuvre des mesures extéroceptives sur des amers. On conçoit un système (couverture, géométrie, signaux, nombre d amers...) en fonction d objectifs de qualité de service. En environnement complexe, la visibilité des amers et la qualité des mesures peuvent être fortement dégradées. L utilisateur doit donc estimer en temps réel la confiance à accorder à l estimation de position. 11

12 Confiance En localisation métrique, la méthode habituelle est de déterminer un domaine de confiance Ellipsoïdes d incertitude Niveaux de protection Vous êtes probablement ici... Vous êtes dans cette boite...et moins probablement ici 12

13 Utilisation de la confiance lors de la navigation La confiance dans la position doit être suffisante pour la réalisation de la mission Atterrissage d un avion Navigation sur route 13

14 Intégrité Capacité à associer à un résultat une indication fiable de confiance. Définition aviation civile Limite d alerte : erreur maximale tolérable dans la solution de position Time to alert : temps maximal entre l'occurrence d une condition d alerte et son signalement Risque d intégrité : probabilité que l erreur de position dépasse la limite d alerte sans que l utilisateur n en soit informé [RTCA/DO-229D] 14

15 Approche ensembliste On calcule un domaine de confiance pour la localisation Ensemble des positions compatibles avec les mesures et les contraintes, associé au risque que cet ensemble ne contienne pas la vraie position Analyse par intervalles dans un cadre à erreurs bornées Ensemble de forme arbitraire Robuste aux mesures aberrantes Non connexe en cas d ambiguïté 15

16 Approche ensembliste Les mesures sont des intervalles Soit les bruits sont bornés (données fabricant) Soit on choisit les bornes en fonction d une densité de probabilité [ ] La localisation est alors un problème de satisfaction de contraintes Mesures = Contraintes sur la position Position = Intersection des contraintes 16

17 Solveur ensembliste pour le calcul GPS serré Pseudodistances : mesures de temps de vol 17

18 Contrainte de pseudodistance Chaque pseudodistance est une contrainte sur la position La position est contractée en utilisant la propagation de contraintes Les domaines des variables sont réduits sans perdre de solution On applique la contraction avec chaque pseudodistance, jusqu à un point fixe 18

19 Illustration de la contraction sur un exemple simple prior position box constraint from B1 range measurement constraint from B2 constraint from B3 19

20 Illustration de la contraction sur un exemple simple constraint from B1 range measurement constraint from B2 constraint from B3 20

21 Illustration de la contraction sur un exemple simple constraint from B1 range measurement constraint from B2 constraint from B3 21

22 Illustration de la contraction sur un exemple simple constraint from B1 range measurement constraint from B2 constraint from B3 22

23 Illustration de la contraction sur un exemple simple constraint from B1 range measurement constraint from B2 constraint from B3 23

24 Illustration de la contraction sur un exemple simple constraint from B1 range measurement constraint from B2 constraint from B3 24

25 Illustration de la contraction sur un exemple simple constraint from B1 range measurement contracted position box constraint from B2 constraint from B3 25

26 Conséquence de mesures aberrantes Solution vide Solution erronée L intersection de toutes les contraintes n est pas robuste 26

27 Robustesse aux mesures aberrantes : relaxation de contraintes Robustesse : Intersection d au moins m-q contraintes. -> intersection q-relaxée 27

28 Sous-pavages La boîte englobante ne fournit qu une approximation grossière, souvent trop pessimiste Les sous pavages permettent de représenter des ensembles quelconques [Jaulin et al, 2001] Applied Interval Analysis 28

29 SIVIA : Set Inversion via Interval Analysis Contractions et bissections successives d une boite initiale Exemple : solution 1-relaxée 29

30 Boîte initiale (arbitrairement grande) 30

31 31

32 32

33 33

34 34

35 35

36 36

37 37

38 38

39 39

40 40

41 41

42 42

43 43

44 Calcul du risque Pour un risque associé a priori à la solution de localisation, on détermine à chaque pas de temps la taille des intervalles sur les mesures à partir - du nombre de mesures - de la connaissance de la distribution de l erreur 44

45 Détection de défaut On peut détecter et identifier les défauts (multi-trajet GPS typiquement) Pas de faute On ne détecte pas de faute si au moins une boîte de la solution est compatible avec toutes les mesures 45

46 Détection de défaut Faute présente La présence d une faute est détectée quand le sous pavage solution ne contient pas de pavé satisfaisant toutes les contraintes 46

47 Identification de défaut Quand aucune boîte du sous pavage n est compatible avec une mesure, cette dernière est identifiée comme aberrante. Elle est implicitement exclue de la solution. 47

48 Essai de la méthode en présence de multitrajets 48

49 Utilisation de la carte dans le calcul 49

50 Carte Contraint la position et le déplacement sur l espace roulable GPS Position absolue Masquage/Multitrajet Fréquence faible Fusion Proprioceptifs Mouvement relatif Dérive Fréquence élevée Pose absolue Positionnement continu Pas de dérive 50

51 Contraintes cartographiques Boîte contractée Domaine prédit Boîte contractée Domaine prédit 51

52 Selection de facettes et contraction (map matching) Utilisation de la topologie pour marquer les facettes éligibles à partir des facettes de l époque précédente. facettes compatibles avec la prédiction Accélère le calcul Limite les solutions ambiguës dans les conditions GPS difficiles et les réseaux routiers denses sélection topologique de facettes facette compatible avec x(tk-1) 52

53 Essai CityVIP : Mairie du XII e arrondissement de Paris Boucle d 1 km Mauvaise visibilité satellitaire 88% 3 satellites 56% 2 satellites Visualisation des conditions 53

54 Résultats : Mairie du XII e arrondissement de Paris 54

55 Localisation dynamique avec des historiques de données 55

56 Résultats : Mairie du XII e arrondissement de Paris Horizon de 15 positions q = 1 R 10-6 Les bornes sont consistantes avec la vérité terrain Centre de gravité : 95% erreur 5.25m 56

57 Résultats : Mairie du XII e arrondissement de Paris 57

58 Troisième partie Utilisation de cartes pour la perception dynamique Travaux conduits avec Véronique Cherfaoui, Julien Moras et Marek Kurdej 58

59 Perception dynamique en milieu urbain La perception embarquée permet au véhicule d observer son environnement dans sa phase de navigation de façon à réagir aux événements imprévus. Les difficultés Les capteurs se déplacent et les données sont entachées d erreur, La scène à observer est complexe : autres véhicules, mobilier urbain, piétons, arbres, trottoirs Les éléments de la scène ont des dynamiques très différentes. Mais le milieu urbain est fortement structuré et la connaissance de la carte peut être une aide à la perception 59

60 Utilisation d un lidar multi-faisceaux Capteur LIDAR Alasca Capteurs 4 nappes, 180 d ouverture, ~800 points/scan, 12Hz Cartes 3D précises Bati3D, Espace roulable, Espace libre 60

61 Approche : carte locale dynamique (CLD) Carte avec différents niveaux de représentation selon la dynamique de la scène voiture piéton voiture voiture Objets en mouvement Espace navigable Carte centrée sur le véhicule Carte utilisant les bases de données géographiques. Données des capteurs d environnement Cartes 3D 61

62 Des grilles de croyance pour représenter l environnement Grilles 2D : partition de l espace en cellules Chaque cellule contient la part de croyance du système de perception dans le fait que l espace est : Libre Occupé Inconnu Approche multi-grilles Grilles instantanées Grilles d accumulation Grilles d a priori cartographique Fusion dynamique de grilles : renforcer les croyances ou détecter des conflits 62

63 Calcul d une ScanGrid à chaque acquisition du capteur Modèle de capteur : prise en compte des incertitudes, des masquages, de la détection du plan de route, Exemple : le lidar Multi-echos, Multi-plans ScanGrid polaire Modèle de capteur Points 3D polaires m(f) 1 range m(o) 1 m(? ) range 1 range 63

64 Calcul de la CLD par fusion de grilles Utilisation d une grille de croyances (MapGrid) qui cumule et intègre les informations des ScanGrid successives. Utilisation des données du CAN du véhicule pour calculer le déplacement du véhicule depuis la dernière mise à jour. Transformations et fusion de grilles 64

65 Calcul de la CLD par fusion de grilles Scan Lidar(t) Fusion des masses de croyance (Théorie de l évidence) Odométrie (t) Objets en mouvements Modèle de Détection capteur des cellules en mouvement, ScanGrid de l espace polaire(t) occupé et de Transformation l espace libre s de grille ScanGrid (t) MapGrid (t-1) L analyse du conflit met en évidence les cellules contenant des objets mobiles Mise à jour de la MapGrid MapGrid (t) Détection des cellules en mouvement Facteur d oubli Facteur d oubli Détection Cellules en mouvement Affaiblissement dû au Espace occupé facteur d oubli Espace libre Carte Locale Dynamique 65

66 Utilisation de la carte pour la CLD bati3d et espace roulable. Calcul d une PriorGrid :grille locale d a priori cartographique Bâtiments Localisation du véhicule Espace roulable A MODIFIER 66

67 Utilisation de la carte Scan Lidar(t) pour la CLD Améliorer la classification des cellules Adapter les algorithmes de fusion de grilles Pose 3D (t) Cartes Modèle de carte Prior Grid (t) Modèle de capteur ScanGrid polaire(t) Transformation Détection s de grilledes objets mobiles Détection des ScanGrid objets statiques (t) sur la voie MapGrid (t-1) Caractérisation de l espace navigable Mise à jour de la MapGrid MapGrid (t) Détection des cellules mobiles Facteur d oubli Détection Cellules mobiles (arrêt et mouvement) Cellules statiques (batiments, mobilier urbain) Espace libre et navigable Carte Locale Dynamique 67

68 Calcul de la CLD par fusion de grilles Classification des objets à l aide de la carte Voiture en déplacement Bus à l arrêt Bâtiment 68

69 Résultat Circuit libre Paris12e 69

70 Conclusion sur l apport des cartes Pour la localisation Ajout des contraintes ce qui augmente la disponibilité et l intégrité des domaines de confiance même avec très peu de satellites Pour la perception dynamique Permet une fusion contextuelle Améliore la caractérisation de l espace roulable et la détection et classification des objets en mouvement ou statiques sur la voie 70

71 Merci de votre attention! Drevelle, V. and Bonnifait, P. (2011) A set-membership approach for high integrity height-aided satellite positioning. GPS Solutions Drevelle, V. and Bonnifait, P. (2011) Global Positioning in Urban Areas with 3-D Maps. IV2011, Baden-Baden Drevelle, V. and Bonnifait, P. (2010) Robust Positioning Using Relaxed Constraint-Propagation. IROS 2010, Taipei Taïwan Moras, J. and Cherfaoui, V. and Bonnifait, P. (2011) Credibilist Occupancy Grids for Vehicle Perception in Dynamic Environments. ICRA 2010, Shanghai Moras, J. and Cherfaoui, V. and Bonnifait, P. Moving Objects Detection by Conflict Analysis in Evidential Grids. IV2011, Baden-Baden 71