Perception de l environnement par radar hyperfréquence. Application à la localisation et la cartographie simultanées en milieu extérieur

Transcription

1 Perception de l environnement par radar hyperfréquence. Application à la localisation et la cartographie simultanées en milieu extérieur Franck Gérossier, Christophe Blanc, Paul Checchin LASMEA UMR 6602 CNRS / IUT de Montluçon, Université Blaise Pascal, Clermont- Ferrand II Département Génie Electrique et Informatique Industrielle Avenue Aristide Briand, BP2235, Montluçon Cedex franck.gerossier@moniut.univ-bpclermont.fr ; christophe.blanc@lasmea.univbpclermont.fr ; paul.checchin@lasmea.univ-bpclermont.fr Sections de rattachement : 61 Secteur : Secondaire RÉSUMÉ. Cet article traite de l'exploitation des données issues d'un nouveau type de capteur extéroceptif fondé sur la technologie radar hyperfréquence dans le processus de localisation et de cartographie simultanées d'un robot mobile évoluant en extérieur. L'accent est mis sur l'utilisation originale des mesures lors de la phase de mise en correspondance des données par une méthode de reconnaissance topographique. La recherche de la transformation rigide entre le panoramique acquis par le capteur et les données déjà intégrées dans la carte construite est un point clé. L'étude réalise actuellement une comparaison de différentes méthodes pour la recherche de cette transformation. Les premiers résultats de la technique : «corrélation FFT» obtenus à partir de données réelles sont fournis. MOTS-CLÉS : localisation et cartographie simultanée, radar hyperfréquence, corrélation FFT. 1. Introduction Dans le domaine agri-environnemental, le développement d applications robotiques est aujourd hui un phénomène qui prend de l ampleur en Europe occidentale. Par exemple dans le domaine agricole, l'une des conséquences de la diminution globale du nombre d'agriculteurs est l'accroissement de la surface moyenne des exploitations 1

2 agricoles. Au niveau de l'agriculteur, le surcroît de travail généré par cette évolution se traduit par une demande d'automatisation accrue des opérations culturales (liée notamment à la mobilité des machines agricoles), voire même leur robotisation complète. L application et la mise en œuvre de ces évolutions impliquent notamment un certain nombre d avancées scientifiques dans le domaine de la perception, et plus particulièrement sur les tâches de : Localisation. Le monde agricole est un gros consommateur de systèmes de localisation permettant de connaître à tout instant la position des véhicules sur les parcelles, par exemple pour générer des cartes de rendement lors de la récolte, ou des cartographies d état des parcelles si des capteurs sont embarqués sur le véhicule (humidité, etc.). Le GPS est le système très majoritairement utilisé pour ces applications, mais il se heurte à des problèmes d utilisation (masquage). Dans le cadre de la robotique mobile autonome, la disponibilité d un système de localisation redondant lorsque le GPS est disponible par intermittence (voire totalement inopérant) apparaît donc fondamentale ; Cartographie. Il s agit ici de construire une carte reflétant la structure spatiale de l environnement à partir des différentes informations recueillies par le système de perception du robot. C est une tâche indispensable pour les opérations de localisation (le robot se localise dans la carte), ou de planification des missions ; Identification. Un des verrous à l introduction de la robotique mobile autonome est la disponibilité de systèmes de perception efficaces, capables de détecter et d identifier une variété importantes d éléments présents dans l environnement du robot. Ces éléments peuvent prendre différentes formes : obstacles naturels ou artificiels, fixes ou mobiles (arbres, haies, bâtiments, véhicules, piétons, animaux, etc.), nature du terrain autour du véhicule. La complexité de ces tâches est accrue par les conditions rencontrées en environnement extérieur naturel : variations des conditions climatiques, poussières, nature du terrain, etc. Dans ce contexte, les capteurs classiques rencontrent des limitations inhérentes aux technologies employées : les ultrasons sont perturbés par le vent, les systèmes optiques (laser, vision) par les variations de conditions d éclairement, la présence de pluie, de brouillard ou de poussières. Les portées sont également limitées soit pour des raisons technologiques (ultrasons), soit pour des critères de sécurité liés aux puissances d émission (laser). Il paraît donc pertinent d envisager d autres types de capteurs plus adaptés à un fonctionnement en milieu extérieur et qui permettent notamment de relever le défi de la 2

3 portée lié à l augmentation de la vitesse des robots mobiles. C est l objet des travaux présentés dans cet article qui s'inscrivent dans la cadre d'un projet ANR intitulé «IMPALA, Radar panoramique hyperfréquence pour la localisation et la cartographie dynamiques simultanées en environnement extérieur» du Programme «Systèmes Interactifs et Robotique» (ANR PSIRob 2006). Mené en partenariat avec le Cemagref (Institut de recherche pour l'ingénierie de l'agriculture et de l'environnement), le LAboratoire des Sciences et Matériaux pour l Electronique et l Automatique (LASMEA) et THALES Entreprise, ce projet a obtenu le soutien du pôle de compétitivité VIAMÉCA. 2. Localisation et cartographie simultanées Les recherches sur la localisation et cartographie simultanée ou SLAM (Simultaneous Localization And Mapping) datent de deux décennies (Chatila et al, 1985), (Smith et al, 1987) et (Moutarlier et al, 1989), il n'en demeure pas moins que les problèmes scientifiques liés à l'exploration de sites extérieurs étendus, et l'association pertinente des données restent ouverts. Ces dernières années des avancées significatives ont été accomplies, avec des techniques généralement fondées sur l'emploi du filtre de Kalman (étendu). On peut citer des réalisations en milieu intérieur (Leonard et al, 1991) sous-marin (Leonard et al, 2001) et d'extérieur (Guivant et al, 2001). Avec comme problématique commune la complexité des algorithmes qui peut-être ramenée en O(N²) (Moutarlier et al, 1989), N étant le nombre d'amers dans la carte (problèmes de ressource informatique et de temps de calcul). Cette notion d'amers dépend du type de capteur extéroceptif choisi. La plupart des travaux ont été conduits à l'aide de capteurs de type laser ou sonar. Une des originalités de nos travaux réside dans le fait d'utiliser des données issues d'un radar panoramique hyperfréquence (cf. 3), particularité qui nous amène à ne plus rechercher des amers spécifiques mais à réaliser de la reconnaissance topographique, nous détaillerons ce point lors de l'étude du radar. Peu de laboratoires ont choisi cette voie, on peut néanmoins citer (Jose et al, 2004). L'utilisation d'un radar hyperfréquence comme capteur extéroceptif, apporte à l'approche SLAM quelques modifications au niveau de l'association des données. En effet, la richesse et la complexité d'une image radar la rende peu adaptée à la détection d'amers. On va donc préférer dans notre cas réaliser une recherche de similitude entre deux acquisitions successives (ou panoramiques) afin de déterminer la transformation rigide, 2D pour l'instant, qui représente le déplacement du robot entre les deux panoramiques (Nieto et al, 2006). La méthodologie s'en trouve modifiée de la façon suivante : 3

4 Perception de l'état du robot Orientation, déplacement, vitesse Mise en correspondance Position du robot Estimation Acquisition des panoramiques radar Prédiction sur la position du robot CARTE Figure 1. Les étapes d'un algorithme SLAM à partir de panoramiques radar. Comme le montre la figure ci-dessus, les panoramiques radar vont êtres directement utilisés pour créer une cartographie de la région explorée. Ainsi après chaque acquisition, un algorithme de mise en correspondance va, à l'aide de la prédiction faite par l'estimateur et du précédent panoramique stocké dans la carte, déterminer la rotation et translation et donc la nouvelle position du robot. 3. Le capteur radar hyperfréquence La technologie radar, employée depuis des décennies dans le domaine militaire, a deux fonctions basiques : grâce à une onde électromagnétique (Radio), détecter la cible (Detection) et fournir sa distance (And Ranging). A partir de ces deux fonctions élémentaires, il est possible avec une antenne tournante de dresser une image panoramique de l environnement, appelée image PPI (Plan Position Indicator) donnant la distance du radar à toutes les cibles situées sur chaque rayon, ainsi que leur vitesse si l effet Doppler est pris en compte. L information de distance en profondeur (la distance à tous les obstacles qui ne se masquent pas situés sur le même rayon) due à l ouverture du faisceau d antenne, est une information plus riche que celle du laser qui, avec un faisceau ponctuel, ne peut fournir que la distance au premier obstacle dans une direction donnée. On peut ainsi dresser une cartographie en profondeur de l environnement sans avoir à détecter des amers dans le paysage : c est la fonction du radar panoramique K2Pi développé par le Cemagref et disponible dans le cadre de ces travaux (Rouveure et al, 2005). Ce radar utilise la technologie FMCW (Frequency Modulated Continuous 4

5 Wave) qui consiste à émettre une onde continue modulée en fréquence. Le premier avantage est une puissance d émission faible qui ne présente aucun danger pour les utilisateurs car c est la puissance moyenne qui détermine la portée radar. Le second avantage est la transposition dans le domaine fréquentiel des variables temporelles : le temps de vol très court est transposé en une variation de fréquence beaucoup plus facile à mesurer. Sa vitesse de rotation permet de construire une image panoramique sur 360 en une seconde (cf. Figure 2), avec une résolution angulaire de 1 et un rayon de détection de 100 mètres. Figure 2. Panoramique radar et sa vue satellitaire 4. Travail réalisé La plupart des techniques SLAM se basent sur une détection d'amers particuliers, qu'il faut ensuite réussir à suivre temporellement tout en menant à bien la difficile tâche d'apparier correctement les amers déjà existants dans la carte qui est construite. Nous avons choisi de privilégier une approche sans recherche d'amers mais avec mise en correspondance de vues. Un filtre de Kalman intégrant dans son vecteur d'état toutes les positions du robot est utilisé pour assurer la cohérence temporelle du processus SLAM. La suite de cet article détaille de manière plus précise une méthode de mise en correspondance des panoramiques : la corrélation FFT. Ainsi, l'une des problématiques de notre projet est de trouver la transformation rigide 2D entre deux panoramiques successives avec des temps de calcul réalistes. La première méthode utilisée est donc une méthode par corrélation effectuée dans le 5

6 domaine fréquentiel (Xie et al, 2003). Elle a pour avantage de permettre la détermination de la rotation puis de la translation, chose délicate à réaliser avec une corrélation traditionnelle. Si l'on souhaite expliquer de façon rapide cette technique on peut utiliser la formulation de (Keller et al, 2005). Soit deux images I 1(x,y) et I 2(x,y) qui vérifient la condition [1]. I 1 x x, y y =I 2 x, y [1] On peut en déduire : Î 1 w x e i w x x w y y =Î 2 w x [2] Corr w x = Î 2 w x Î 1 w x =ei w x x w y y [3] Le maximum permet de déterminer la translation. Corr x,y = F 1 Corr w x = x x,y y x, y =arg max{corr x,y } x, y [4] Si maintenant on considère une translation et une rotation : I 2 x, y =I 1 xcos 0 ysin 0 x, xsin 0 ycos 0 y [5] Î 2 r, =e w x x w y y Î 1 r, 0 [6] La transformée de Fourier en coordonnées polaires fait apparaître la translation et la rotation. Si l'on prend le module de Î 1 et Î 2, seul la rotation subsiste et elle correspond à une translation (θ+ θ 0) que l'on peut résoudre grâce à la relation [4]. Pour valider cette technique nous avons effectué une recherche des transformations rigides successives sur 250 panoramiques (1 par seconde) acquis lors du déplacement d'un véhicule dans un complexe universitaire. L'enregistrement des coordonnées GPS correspondant à la vérité terrain, nous affichons (cf. Figure 3) sur une vue satellitaire de la zone ces enregistrements ainsi que les déplacements successifs calculés par la corrélation FFT. On trouve entre ces deux données un écart type de 1,5m. Une modélisation empirique (sans utiliser le SLAM) de la carte est réalisée dans la Figure 4. 6

7 Figure 3. Déplacements du robot («+» calculés par la recherche de la transformation rigide 2D entre deux panoramiques successifs, «*» coordonnées GPS). Figure 4. Cartographie obtenue. 5. Conclusion Cet article a présenté des résultats de mise en correspondance de données issues d'un radar panoramique hyperfréquence en vue de la localisation et cartographie simultanées en environnement extérieur d'un véhicule mobile. Ces premiers résultats sont à confronter avec d'autres approches. La méthode de calcul des translations et rotations opérant par transformée de Fourier donne d'ores et déjà de bons résultats avec des temps de calculs réalistes. Nos prochains travaux s'attacheront à étudier des méthodes de type Iterative Closest point (ICP) (Besl et al, 1992). 7

8 Bibliographie ANR PSIRob «Radar panoramique hyperfréquence pour la localisation et la cartographie dynamiques simultanées en environnement extérieur». Dossier de soumission au Programme de l ANR Programme Systèmes Interactifs et robotique PSIRob, juin Besl P. J. and McKay N. D. «A method for Registration of 3-D Shapes». IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 14, n 2, pp , Chatila R. and Laumond J. P. «Position Referencing and Consistent World Modeling for Mobile Robots». In Proc 2nd IEEE International Conf. on Robotics and Automation, pp , St. Louis, March Guivant J., and Nebot E.M. «Optimization of the Simultaneous Localization and Map Building Algorithm for Real Time Implementation». IEEE Transaction of Robotic and Automation, 17(3), pp , June Jose E., and Adams M. «Millimetre Wave RADAR Spectra Simulation and Interpretation for Outdoor SLAM». IEEE Int. Conference on Robotics & Automation, New Orleans, USA, Keller Y., Shkolnisky Y., and Averbuch A. «The Angular Difference Function and its Application to image Registration». IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 27, n 6, June Leonard J., and Durrant-Whyte H.F. «Simultaneous map building and localization for an autonomous mobile robot». In Proceedings of the IEEE International Workshop on Intelligent Robots and Systems, pp , Osaka, Japan, Leonard J., and Feder Hans Jacob S. «A Computationally Efficient Method for Large-Scale Concurrent Mapping and Localization». In John Hollerbach and Dan Koditschek (Eds), editors, Robotics Research : the 9th International Symposium, pp , Snowbird, UT, Moutarlier P., and Chatila R. «Stochastic multisensory data fusion for mobile robot location and environment modelling». In 5th International Symposium on Robotics Research, pp.85-89, Tokyo, Nieto J., Bailey T., and Nebot E. «Recursive scan matching SLAM». Robotics and Autonomous Systems, 55, pp.39-49, Rouveure R., Monod M.-O., Faure P., Moiroux L. «Radar Perception for Obstacle Detection in Agricultural Robotics». 17ème IMACS World Congress Scientific Computation, Applied Mathematics and Simulation, 4p, CD, Paris (France), pp.11-15, July Smith R., and Cheeseman P. «On the Estimation and Representation of Spatial Uncertainty». International Journal of Robotics Research, 5(4), pp.56-68, Xie H., Hicks N., Keller G.R., Huang H., and Kreinovitch V. «An IDL/ENVI implementation of the FFT-based algorithm for automatique image registration». Computers & Geosciences, 29, pp ,