Approche multi modèles à sauts markoviens et fusion multi capteurs pour la localisation d'un robot mobile
Institution:
Paris 12Disciplines:
Directors:
Abstract EN:
Fusion and filtering techniques currently used for the localization of a mobile robot present two main drawbacks. The first one concerns the fact that no a priori reliable information on the input and the measurement noise covariance is generaily available. The second one is tied to the fact that the process of localization is often modelled under the form of a unique model leading to the introduction of modelling errors that degrade the quality of the filtering. The work presented in this thesis presents two contributions. The first one consists in taking into account the existence of several regimes in the localization process. This one is modelled under the form of a Markovian hybrid process both from state and observation procesess point of view. The second contribution consists in proposing an on-une adaptative estimation of statistical parameters such as state and observation noise variances along with an optimal management of observations. The fusion of data is performed by Kalman filters of adaptive linear type for linear process and of adaptive extended type for non linear process. This approach has been validated in simulation on a robot equipped with an odometer, two telemeters perpendicularly displayed and a compas. In order to show its efficiency, a comparative analysis of its performance with respect to existing approaches is presented. Thus, gains values on accuracy obtained hy this approach compared to classical filters are 2 on translation and 2 on orientation.
Abstract FR:
Les techniques de fusion et de filtrage utilisées actuellement pour la localisation d’un robot mobile, présentent deux inconvénients majeurs. Le premier est lié au fait qu’aucune information fiable a priori sur l’entrée et la covariance du bruit de mesure n’est généralement disponible. Le second est lié au fait que le processus de localisation est souvent modélisé à l’aide d’un modèle unique, ce qui introduit des erreurs de modélisation qui dégradent la qualité du filtrage. Le travail présenté dans cette thèse constitue deux contributions. La première, consiste à prendre en compte l’existence de plusieurs régimes dans le processus de localisation. Ce dernier est modélisé sous la forme d’un processus hybride à sauts Markoviens, à la fois du point de vue du processus d’état et de celui d’observation. La deuxième contribution consiste d’une part, à effectuer une estimation adaptative en ligne de paramètres statistiques tels les variances des bruits d’état et d’observation et d’autre part, à assurer une gestion optimale des moyens d’observation. La fusion de données est réalisée par des filtres de Kalman adaptatifs linéaires pour les processus linéaires et étendus pour les processus non linéaires. Cette approche a été validée en simulation sur un robot équipé d’un odomètre, de deux télémètres placés perpendiculairement et d’un compas. Pour montrer son efficacité, une analyse comparative de ses performances par rapport à des approches existantes est présentée. Ainsi, les gains en précision apportés par cette approche comparativement aux filtres classiques sont de 2 en translation et de 2 en orientation.