Documente Academic
Documente Profesional
Documente Cultură
:
:
3821/82/82 -
+831)8(7730820780.8 :
benaissa.inf@gmail.com :
benaissa.inf@hotmail.com :MSN
http://www.facebook.com/benaissa.inf :
benaissa20082:
....
..
:
....
-
8831
Mmoire
Prsent par
BENCHELOUI Mohamed
Ingnieur dtat en lectronique
Prsident
Rapporteur
Examinateur
mon rapporteur, pour mavoir efficacement encadr, pour tous ses conseils et ses directives
durant toutes les tapes de ce travail.
Je remercie monsieur ABDESSEMED Yassine, matre de confrences luniversit de
Batna, davoir accept la prsidence de ce jury de mmoire de magistre.
Chapitre 2
Capteurs en robotique mobile
2.1. Introduction ..................................................................................................................... 12
2.2. Dfinitions dun capteur ................................................................................................. 12
2.3. Classification des capteurs ............................................................................................. 12
2.3.1. Les capteurs proprioceptifs .................................................................................... 13
Chapitre 3
Mthodes de modlisation de lenvironnement
3.1. Introduction . 24
3.2. Modlisation 24
3.3. Reprsentation 2D dun environnement dintrieur ... 26
3.3.1. Cartes mtriques ......................................................................................................26
3.3.2. Cartes topologiques ................................................................................................. 27
3.3.3. Grilles doccupation ........ 28
3.3.4. Modle de primitives ....... 30
3.3.5. Cartes hybrides ........ 31
3.3.6. Remarques sur les mthodes de modlisation .............. 32
3.4. Localisation et modlisation simultanes de lenvironnement (SLAM) 33
3.5. Travaux de simulation ........ 35
3.5.1. Introduction .. 35
3.5.2. Algorithme labor utilisant le filtrage de kalman ..35
3.5.3. Rsultat de simulation ....36
3.6. Conclusion 39
Chapitre 4
Construction incrmentale de cartes denvironnement
4.1. Introduction ..................................................................................................................... 40
4.2. Rappel sur le filtrage de Kalman .................................................................................. 41
4.2.1. Les systmes linaires ..............................................................................................41
4.2.2. Les systmes non linaires ...................................................................................... 42
4.3. Descriptions des modles utilises ................................................................................... 43
4.3.1. Modle dvolution du robot mobile ......................................................................44
4.3.2. Modle des amers .................................................................................................... 47
4.3.3. Observation extroceptive ...................................................................................... 47
4.3.3.1. Tlmtrie ......................................................................................................... 47
4.3.3.2. Modle dobservation ...................................................................................... 48
4.3.4. Modle de cartographie des amers ........................................................................ 49
4.4. Construction incrmentale de la carte denvironnement .......................................... 50
4.4.1. Initialisation dun amer .......................................................................................... 52
4.4.2. Prdiction ................................................................................................................. 53
4.4.3. Observation .............................................................................................................. 54
4.4.4. Mise jour ............................................................................................................... 55
4.4.5. Estimation ................................................................................................................ 55
4.5. Travaux de simulations ................................................................................................. 56
4.6. Conclusion 71
Conclusion Gnrale
Conclusion Gnrale .. 72
Bibliographie
Bibliographie .......................................................................................................................... 74
Introduction
Lavancement technologique de notre poque simpose petit petit dans notre vie pour
rsoudre tous nos problmes professionnels et quotidiens. Aujourdhui, il nous propose
daccepter de nouvelles entits artificielles intelligentes, pour quelles soient intgres dans
notre socit humaine. Ces nouvelles machines qui essaient de copier nos capacits
perceptuelles, intellectuelles et parfois physiques sont les robots. Lexistence des robots dans
notre univers nous invite savoir de plus en plus comment il faut interagir avec eux. En
revanche, notre existence dans leur univers exige quils soient capables de nous percevoir,
nous comprendre et interagir avec nous. Pour quun robot assume toutes ces fonctions, il doit
exploiter tous ses capteurs qui reprsentent pour lui une approximation de certains sens de
ltre humain.
Les robots sont intgrs dans notre vie quotidienne grce la multitude d'applications
qu'ils pourraient accomplir. Dot de nombreux capteurs, capable de se dplacer en vitant les
obstacles et d'aller se recharger en nergie sans intervention humaine, le robot mobile prsente
surtout l'avantage d'tre une plate-forme ouverte toute technologie. Robot mnager, gardien
d'appartement, aide aux personnes handicapes, explorateur des plantes lointaines, support
de recherches pour les laboratoires ou simple jouet, tous les espoirs sont donc permis avec ce
petit bijou de la robotique.
Lautonomie dun robot mobile est mesure par sa capacit achever une mission sans
intervention humaine. Une carte bien tablie sera indispensable pour quun robot puisse
naviguer dans son environnement. Un robot qui ne possde priori aucune information sur
lenvironnement dans lequel il doit se dplacer et agir, doit tre capable de modliser son
environnement grce lensemble de ses capteurs. Ce modle est indispensable pour sa
localisation ainsi que pour planifier ses mouvements afin daccomplir des missions. Dans
certaines applications robotiques, une carte de lenvironnement peut tre fournie par des
sources extrieures comme les images ariennes ou satellitaires, mais dans la plupart des cas,
ces donnes sont insuffisantes pour les applications qui ont besoin de perception prcise dans
une zone dactivit locale du robot. Dautre part, un robot autonome doit tre capable de
ragir des modifications inattendues dans son environnement. La construction dune telle
carte devra tre incrmentale, en fusionnant les perceptions successives acquises par les
capteurs du robot au cours de son dplacement.
1
Introduction
Lorsque la carte est donne au pralable au robot pour quil suive un chemin, cest le
problme de localisation : le robot doit chaque instant connatre sa position sur la carte.
Le deuxime cas est la cartographie : le robot fait des dplacements connus afin de construire
une carte de lenvironnement. Dans ce cas, on suppose que les positions successives du robot
sont bien connues. Enfin, le dernier cas est le combinaison entre les deux cas prcdents; le
robot se dplace dans un environnement inconnu et fait diffrentes mesures pour se localiser
et construire la carte en mme temps, ce qui est connu dans la littrature sous le nom de
Localisation et Cartographie simultanes (Simultaneous Localisation And Mapping : SLAM).
Le problme du SLAM est un objet de recherches depuis des annes. La reprsentation
peut tre topologique base sur les relations topologiques des diffrents lieux de
lenvironnement dvolution du robot (typiquement des couloirs), ou mtrique base sur la
gomtrie de lenvironnement. Les mthodes actuelles se sont focalises sur la construction
de reprsentations bidimensionnelles partir des donnes tlmtriques.
Dans le cadre de ce travail, nous allons aborder le problme de la construction
incrmentale de carte denvironnement pour un robot mobile en utilisant lapproche mtrique
et en se basant sur la technique du SLAM.
Pour cela, notre travail est organis comme suit :
Pour une prsentation aussi claire que possible de notre travail, on a t emmen voir, au
premier chapitre, les diffrents types de robots mobiles et tudier les deux types de
localisations existantes savoir la localisation relative et la localisation absolue.
Le deuxime chapitre est ddi dcrire les diffrents types de capteurs, utiliss en robotique
mobile, qui sont trs importants en navigation et qui permettent au robot mobile dvaluer son
environnement et dvoluer dune manire sre. Le troisime chapitre est entirement
consacr aux mthodes de modlisation denvironnements avec quelques exemples de
simulation. Dans le quatrime chapitre nous prsentons les diffrentes tapes de construction
de la carte incrmentale, de lalgorithme utilis ainsi que les
diffrents rsultats de
simulations.
Nous terminons notre travail par une conclusion gnrale et des perspectives.
Chapitre 1
1.1. Introduction
De manire gnrale, on regroupe sous lappellation robots mobiles lensemble des
robots base mobile [4], par opposition notamment aux robots manipulateurs.
Lusage veut nanmoins que lon dsigne le plus souvent par ce terme les robots mobiles
roues. Les autres robots mobiles sont en effet le plus souvent dsigns par leur type de
locomotion, quils soient marcheurs, sous marins ou ariens.
On peut estimer que les robots mobiles roues constituent la grande partie des robots
mobiles. Historiquement, leur tude est venue assez tt, suivant celle des robots
manipulateurs. Leur faible complexit en a fait de premiers sujets dtudes pour les
roboticiens intresss par les systmes autonomes. Cependant, malgr leur simplicit
apparente, ces systmes ont soulev un grand nombre de problmes difficiles. De ce fait, les
applications industrielles utilisant des robots mobiles sont rares. Contrairement aux robots
manipulateurs qui travaillent exclusivement dans des espaces connus et de manire rptitive,
les robots mobiles sont destins voluer de manire autonome dans des environnements qui
peuvent ne pas tre connus.
1.2. Dfinitions
En gnral, on peut dfinir un robot mobile [3] comme tant une machine quipe de
capacits de perception, de dcision et daction qui lui permettent dagir de manire autonome
dans son environnement en fonction de la perception quil en a.
En particulier, un robot mobile autonome est un systme mcanique, lectronique et
informatique complexe mettant en oeuvre:
un ensemble de capteurs. Ils peuvent tre de deux types diffrents :
- Extroceptifs (tlmtres, camras, etc.).
- Introceptifs (odomtres par exemple).
Les capteurs extroceptifs ont pour objectif d'acqurir des informations sur l'environnement
proche du vhicule. Les capteurs introceptifs fournissent des donnes sur l'tat interne du
robot (telles que sa vitesse ou sa position).
un ensemble d'effecteurs.
Chapitre 1
L'objectif du robot est d'atteindre un objectif dans son environnement en vitant les obstacles.
Le problme que l'on doit rsoudre est de dterminer en fonction des donnes capteurs quelles
commandes doivent tre envoyes chaque instant au robot pour atteindre cet objectif. Ces
effecteurs permettent donc au robot dvoluer dans son environnement.
1.3. Les robots mobiles roues
Les roues sont le moyen de locomotion le plus rpandu en matire de robotique mobile
[5]. En fait, les robots mobiles roues sont faciles raliser et prsentent de grandes
possibilits de dplacement et de manoeuvrabilit avec une vitesse et une acclration
importantes. Bien videmment, pour un ensemble donn de roues, toute disposition ne
conduit pas une solution viable. Un mauvais choix peut limiter la mobilit du robot ou
occasionner dventuels blocages. Par exemple, un robot quip de deux roues fixes non
parallle ne pourrait pas aller en ligne droite ! Pour quune position de roues soit viable et
nentrane pas de glissement des roues sur le sol, il faut quil existe pour toutes ces roues un
unique point de vitesse nulle autour duquel tourne le robot de faon instantan. Ce point
lorsquil existe, est appel centre instantan de rotation (CIR).
1.4. Type de robots mobiles roues : On distingue trois types
1.4.1. Les robots mobiles roues diffrentielles
Les robots roues diffrentielles possdent deux roues motrices conventionnelles non
orientables et une ou deux roues folles pour assurer la stabilit du robot ; les roues motrices
ont des angles de rotation indpendants et des axes de rotation confondus. Leur degr de
mobilit est de deux. Ce type de robot est trs rpandu en raison de sa simplicit de
construction et de ses proprits cinmatiques intressantes.
Chapitre 1
robot, un capteur dorientation est associ la roue orientale, et deux encodeurs sont associs
aux roues motrices.
Chapitre 1
doit connatre ses coordonnes de position pour tre autonome vis -- vis de lespace et de
lintervention humaine.
Pour les robots mobiles navigant sur un plan (2-D), ce qui englobe une trs large partie des
systmes existants, localiser le robot revient alors dterminer trois paramtres : deux
coordonnes cartsiennes pour la position et un angle pour lorientation.
Plusieurs techniques et mthodes ont t dveloppes pour assurer la connaissance exacte et
de faon autonome de la position dun robot mobile dans son environnement. A ce jour, ces
techniques peuvent tre regroupes en deux catgories principales : Les mthodes de
localisation relative et les mthodes de localisation absolue.
1.5.1. Localisation relative ou lestime
La position du robot est calcule en incrmentant sa position prcdente de la variation
mesure de ses dplacements grce des capteurs proprioceptifs.
Les erreurs dues cette mthode peuvent tre importantes car cumulatives avec la distance et
fonction du type de trajectoires .On distingue deux mthodes principales de localisation
relative : La mthode odomtrique et la mthode inertielle.
1.5.1.1. La mthode odomtrique
La technique dodomtrie est trs utilise pour localiser les robots mobiles, elle
prsente lavantage dtre simple demploi et dun cot faible. Lide fondamentale de cette
mthode est lintgration de lincrment de la position, calcul grce des encodeurs monts
sur les roues, par rapport au temps. Les dplacement dU g et dU d des roues droite et gauche
permettent de calculer la variation de lorientation ainsi que la variation de la position dU
entre ltat n et ltat n+1 (figure 1.4).
Il en rsulte malheureusement une accumulation non borne de lerreur. Lerreur en
orientation induit dimportantes erreurs en position et les deux erreurs croissent en fonction de
la distance parcourue. Les erreurs peuvent tre regroupes en deux catgories selon leur
source. Les erreurs systmatiques rsultent des imperfections du modle gomtrique du robot
(diamtres des roues diffrents, incertitude sur les dimensions des axes de la base,).
Les erreurs non systmatiques rsultent de linteraction entre le robot et son environnement
telle que les glissements des roues avec le sol.
Chapitre 1
Chapitre 1
Chapitre 1
Chapitre 1
1.6. La perception :
La notion de perception en robotique mobile est relative la capacit du robot
recueillir, traiter et mettre en forme des informations qui lui sont utiles pour agir et ragir dans
lenvironnement qui lentoure [3], [4]. Elle est donc la facult de dtecter et /ou apprhender
lenvironnement proche ou loign du robot.
Alors que pour des taches de manipulation, on peut considrer que lenvironnement du robot
est relativement structur, ce nest plus le cas lorsquil sagit de naviguer de manire
autonome dans des lieux trs partiellement connus. Aussi, pour extraire les informations utiles
laccomplissement de sa tache, il est ncessaire que le robot dispose de nombreux capteurs
mesurant aussi bien son tat interne que ltat de lenvironnement dans lequel il volue. Le
choix des capteurs dpend bien videment de lapplication envisage.
La perception est ncessaire pour la scurit du robot, la modlisation de lenvironnement et
lvitement et le contournement dobstacles.
Les moyens utiliss pour la perception de lenvironnement sont nombreux et varis, parmi
ceux-ci nous pouvons citer :
Les tlmtres laser et ultrasonores
Les capteurs optiques et infrarouges
Les capteurs tactiles.
Les systmes de vision (Camras)
1.7. Navigation
Les sections prcdentes ont permis de mettre en place les outils ncessaires pour
faire naviguer un robot mobile dans un environnement dintrieur : comprhension du mode
de locomotion et localisation de ce robot dans son environnement. Il sagit maintenant
dutiliser au mieux la motricit du robot et sa localisation pour accomplir la tache de
navigation de manire autonome.
Un mouvement est une application dfinie en fonction du temps t, reliant un point initial
linstant t 0 un point final linstant t f . Une trajectoire est le support dun mouvement. Il
sagit donc dune courbe paramtre par une variable s quelconque, par exemple labscisse
curviligne normalise (s [0; 1]) de la courbe sur laquelle se dplace le robot. Lvolution
du paramtre s en fonction du temps t est appele mouvement sur la trajectoire. Le problme
de navigation dun robot mobile consiste de la manire la plus gnrale trouver un
mouvement dans lespace des configurations sans collisions, traditionnellement not Cfree.
Ce mouvement amne le robot dune configuration initiale q 0 = q (t 0 ) une configuration
10
Chapitre 1
1.8. Conclusion
Les robots mobiles roues sont les robots les plus rpandus, vu leurs structure
mcanique simple et leurs commande relativement plus facile que les autres robots mobiles
qui diffrent par leurs moyens de locomotion.
11
Chapitre 2
2.1. Introduction
Le robot mobile, pour accomplir sa tche correctement, doit tre dot de capteurs
permettant dapprhender, en temps rel, son environnement. Ces capteurs constituent une
source dinformations qui tait rserve lhomme, savoir un sens de la vue, du toucher, de
lodorat, de louie et du got. Lensemble des informations perues par les capteurs et relative
lenvironnement doit ensuite tre analys par le robot afin den dduire certaines valeurs
prises comme modle. Elles seront ensuite utilises comme base de rfrence dans
lvaluation de laction engendrer par le robot pour raliser la tche qui lui est spcifie.
2.2. Dfinition dun capteur
Le capteur est un instrument qui permet de dceler linformation contenue dans un
objet ou issue dun phnomne. Ce dispositif est soumis laction dune mesurante non
lectrique, et fournit un signal lectrique sa sortie. Il va assurer la mesure permanente des
grandeurs relles en question.
2.3. Classification des capteurs
En robotique mobile, on classe traditionnellement les capteurs en deux catgories
selon quils mesurent ltat du robot lui-mme ou ltat de son environnement.
Dans le premier cas, limage de la perception chez les tres vivants, on parle de
proprioception et donc de capteurs proprioceptifs.
On trouve par exemple dans cette catgorie les capteurs de position ou de vitesse des roues et
les capteurs de charge de la batterie. Les capteurs renseignant sur ltat de lenvironnement,
donc de ce qui est extrieur au robot lui-mme, sont eux appels capteurs extroceptifs. Il
sagit de capteurs donnant la distance du robot lenvironnement, la temprature, signalant la
mise en contact du robot avec lenvironnement, etc.
Nous prsentons dans cette section les capteurs les plus couramment utiliss en robotique
mobile pour les besoins de la navigation.
12
Chapitre 2
13
Chapitre 2
Chapitre 2
Ce systme prsente lavantage dtre beaucoup plus prcis que la mesure passant par les
roues, et dtre indpendant des drapages possibles de ces roues [3], mais est en gnral plus
cher et encombrant. Il est de plus trs rare sur les petites plates-formes car il ne peut mesurer
de faibles vitesses de dplacement.
2.3.1.3. Les systmes inertiels
La mesure de dplacement potentiellement la plus fiable provient de la mesure des
acclrations de la plate-forme par des capteurs inertiels. Cette mesure est potentiellement
fiable car elle ne dpend pas de la nature locale de lenvironnement, cependant les capteurs
inertiels sont tous entachs de bruit de mesure qui produit une drive de lestimation de la
position au cours du temps [3].
La qualit des mesures inertielles dpend trs fortement du type de capteurs utiliss.
Historiquement, les premiers capteurs ont t raliss base de systmes mcaniques et
peuvent fournir des mesures extrmement prcises, au prix dun cot et dune masse trs
levs. Ces dernires annes ont vu apparatre de nouvelles technologies de capteurs,
notamment bass sur les techniques de microlectronique, qui ont permis la ralisation de
capteurs inertiels bas cot et lapparition de ces capteurs dans des produits grand public.
La prcision de ces capteurs est toutefois de quelques ordres de grandeur plus faible, ce qui
rend leur utilisation isole quasiment impossible. Ces capteurs fournissent toutefois un trs
bon complment lodomtrie, notamment pour lestimation de la direction.
Lacclration en translation de la plate-forme est mesure par des acclromtres linaires.
On dispose en gnral deux acclromtres pour prendre des mesures dans deux directions
perpendiculaires du plan de dplacement du robot. Un troisime peut tre dispos
verticalement afin de mesurer la position en trois dimensions.
Lacclration angulaire est mesure par des gyromtres. On dispose en gnral un gyromtre
selon laxe vertical, qui permet ainsi de mesurer langle de lacet du robot.
Deux autres gyromtres peuvent tre positionns selon deux axes du plan de dplacement afin
destimer la direction en trois dimensions.
Il est galement possible de mesurer la rotation du robot par rapport un axe de rfrence en
utilisant un gyroscope. Cette mesure seffectue en gnral par rapport un axe de rfrence
mis en rotation et isol mcaniquement le plus possible du robot, ce qui rend sa direction
indpendante de la direction du robot. Cette mesure peut tre moins bruite que lintgration
du signal dacclration mais dpend trs fortement de la qualit de la ralisation mcanique
du systme, qui dpend trs directement du prix du gyroscope.
15
Chapitre 2
Lensemble de ces lments (3 acclromtres et 3 gyromtres) peut tre runi pour former
une centrale inertielle qui permet destimer compltement les six degrs de liberts de la
position dans un espace 3 dimensions. Les centrales inertielles bas cot sont cependant
aujourdhui de qualit insuffisante pour une utilisation isole, tandis que les centrales de
qualit correcte restent trs chres. Ce domaine est cependant en volution rapide avec
larrive de nouvelles technologies et lapparition de centrales bas cot de qualit correcte
devrait se faire dans les prochaines annes.
Lutilisation des donnes fournies par ce type de senseurs passe aussi en gnral par un
modle probabiliste, qui peut tre du type de celui prsent pour lodomtrie.
2.3.2 .Les capteurs extroceptifs
Les capteurs extroceptifs permettent de percevoir le milieu dvolution du robot. Ils sont
gnralement le complment indispensable aux capteurs prsents prcdemment. Des
mthodes de fusion de donnes seront alors utiliss pour conditionner et traiter les
informations sensorielles de natures diffrents [1]. Deux familles de capteurs extroceptifs
embarqus peuvent tre identifies : les capteurs tlmtriques et les systmes de vision.
2.3.2.1. Les capteurs tlmtriques
Il existe diffrents types de tlmtres, qui permettent de mesurer la distance
lenvironnement, utilisant divers principes physiques.
a)- Tlmtres ultrasons
Les tlmtres ultrason sont historiquement les premiers avoir t utiliss. Il utilisent la
mesure du temps de retour dune onde sonore rflchie par les obstacles pour estimer la
distance (Figure 2. 3). Ces tlmtres sont trs simple et peu cher, et sont donc trs rpandus,
mais possdent de nombreux inconvnients.
Chapitre 2
En premier lieu, deux tlmtres voisins ne peuvent tre utiliss simultanment, car il est
impossible de savoir par lequel des deux tlmtres une onde rflchie a t mise
(phnomne de crosstalk). Un robot possdant plusieurs tlmtres doit donc les activer
lun aprs lautre, ce qui entrane un taux de rafrachissement global des mesures relativement
faible. Ces tlmtres possdent une zone aveugle, de quelques dizaines de centimtres, en
dessous de laquelle ils ne peuvent dtecter les obstacles. Cette zone est due a une
temporisation entre lmission de londe sonore et le dbut de la dtection de londe rflchie
qui est ncessaire pour ne pas perturber cette mesure. De plus, londe rflchie est trs
sensible aux conditions environnementales locales. Ainsi, si langle entre lobstacle et la
direction de londe sonore est trop faible, il ny aura pas de retour de londe sonore et
lobstacle ne sera pas peru. Londe de retour dpend galement de la texture de lobstacle.
Un mur couvert de moquette pourra par exemple ne pas tre dtect.
Les tlmtres ultrason dtectent les obstacles se situant dans un cne relativement large
(dangle au sommet denviron 30 degrs). Cette caractristique peut tre la fois un avantage
et un inconvnient. Cest un inconvnient car un obstacle dtect nest pas localis en angle
lintrieur du cne de dtection, et on obtient donc une mesure de la position relativement
imprcise. Cest par contre un avantage car des lments relativement fins (les pieds de table
ou de chaise par exemple) sont dtects dans ce cne, alors quils pourraient ne pas tre
dtects par des tlmtres ayant un angle douverture trs fin.
b)- Tlmtres infrarouges
Ces tlmtres possdent lavantage davoir un cne de dtection beaucoup plus restreint. Il
utilisent une lumire infrarouge au lieu dune onde sonore pour la dtection et peuvent tre
bass sur diffrentes techniques qui permettent de recueillir plus ou moins dinformation. Il
est possible de mesurer simplement le retour ou le non-retour dune impulsion code, ce qui
permet de dtecter la prsence ou labsence dun obstacle dans une certaine portion de
lespace.
Il est galement possible de raliser une triangulation sur le faisceau de retour de londe
lumineuse, ce qui permet davoir une mesure de la distance de lobstacle.
Les inconvnients de ces tlmtres sont lis leur porte, en gnral relativement restreinte,
et leur sensibilit aux fortes sources de lumires qui contiennent un fort rayonnement
infrarouge. Un projecteur du type de ceux utiliss pour la tlvision point sur le robot, par
exemple, sature en gnral compltement le rcepteur et empche toute dtection dobstacle.
Ils sont galement trs sensibles la couleur et la nature de la surface de lobstacle (par
exemple, ils dtectent difficilement les vitres).
17
Chapitre 2
18
Chapitre 2
que le plan de mesure du tlmtre laser reste horizontal et hauteur constante, ce qui nest
plus vrai en cas de sol irrgulier ou, dans la majorit des cas, en extrieur.
A lheure actuelle, des tlmtres laser balayant lespace selon deux axes commencent
apparatre. Ils permettent ainsi dobtenir une image de distance selon un angle solide de
lordre de quelques dizaines de degrs dans les deux dimensions. Ces tlmtres restent
toutefois chers et fragile du fait de la mcanique ncessaire au balayage. De plus, la frquence
dacquisition est relativement faible (de lordre de quelques Hertz), ce qui pose problme
lorsque le robot est en mouvement.
Des systmes sans balayage permettant dobtenir une image de profondeur sont galement en
cours de dveloppement. Il restent aujourdhui du domaine de la recherche mais sont dun trs
grand intrt potentiel pour la robotique mobile.
d)- Modle probabiliste
Les modles probabilistes associs ces capteurs permettent de donner la probabilit de la
mesure en fonction de la distance relle de lobstacle. Les probabilits sont estimes pour
chacune des mesures individuelles prises depuis une position, puis agglomres par produit :
M
P (Scan|Obstacles) =
i =1
Chapitre 2
Lorsque le robot est en mouvement, il est galement possible de tirer parti du flot optique
(le mouvement apparent des objets dans limage, voir figure 2-6), afin davoir une estimation
de la distance des objets. En effet, les objets les plus proches ont un dplacement apparent
plus important que les objets lointains. Cette mthode permet notamment de raliser un
vitement dobstacles ou de raliser une reconstruction tridimensionnelle de lenvironnement
(par des techniques connues sous le nom de structure from motion).
20
Chapitre 2
Chapitre 2
la direction du robot. En effet, pour une position donne et pour deux orientations diffrentes,
la mme image sera forme par la camra, une rotation autour du centre prs, tandis que
pour une camra standard, oriente horizontalement, la scne serait diffrente.
Ces camras sont donc trs pratiques lorsque lon caractrise une position de manire globale,
mais peuvent aussi tre utilises pour dtecter des amers ou pour estimer le flux optique. Dans
ce cas, toutefois, comme la gomtrie de limage forme est relativement complexe et comme
la rsolution obtenue varie normment selon la direction observe, les algorithmes doivent
tre adapts, ce qui pose un certain nombre de problmes. Concernant le flux optique,
cependant, les camras panoramiques possdent lavantage de contenir toujours le point
dexpansion et le point de contraction dans limage, ce qui rend lestimation du mouvement
beaucoup plus aise.
2.3.2.3. Autres capteurs
a)- Les capteurs tactiles
Les robots peuvent tre quips de capteurs tactiles, qui sont le plus souvent utiliss pour des
arrts durgence lorsquil rencontre un obstacle qui navait pas t dtect par le reste du
systme de perception [3].
Ces capteurs peuvent tre de simples contacteurs rpartis sur le pourtour du robot. Il ne
dtecte alors le contact quau dernier moment. Il est galement possible dutiliser des petites
tiges arques autour du robot pour servir dintermdiaire ces contacteurs, ce qui permet une
dtection un peu plus prcoce et donne ainsi plus de marge pour arrter le robot.
b)- Les boussoles
Les boussoles permettent, par la mesure du champ magntique terrestre, de dduire la
direction du nord. Ces capteurs peuvent utiliser diffrentes technologies et ont lavantage de
fournir une direction de rfrence stable au cours du temps (au contraire des gyroscopes qui
drivent). Ces capteurs sont toutefois trs dlicats utiliser en intrieur car ils sont trs
sensibles aux masses mtalliques prsentes dans la structure des btiments. En pratique, on les
utilise donc principalement en extrieur en apportant le plus grand soin leur positionnement
sur le robot pour viter les influences des composants du robot, notamment les moteurs
lectriques.
22
Chapitre 2
23
Chapitre 3
3.1. Introduction
La connaissance du milieu dans lequel volue le robot mobile nest tablie en gnral
quaprs avoir effectu une compagne de mesures de lensemble des lments constituants
lenvironnement. Cette procdure fastidieuse peut tre vite si le robot construit lui-mme
son modle denvironnement de manire dynamique [6].
Donc cest par la construction de modles de lenvironnement que le robot structure et rend
exploitable lensemble des donnes quil peroit. Ce problme a t normment tudi dans
la communaut des roboticiens, de nombreuses mthodes de construction de cartes de
lenvironnement ont t proposes.
Le problme de la construction des cartes est dterminant pour la localisation de certaines
entits, telles que des amers ou des obstacles dans une rfrence globale.
3.2. Modlisation
Une dfinition du robot pourrait tre : Systme automatique mcanis capable
d'effectuer une ou plusieurs tches, dans un environnement donn, de manire autonome, par
l'excution d'un programme. Le terme robot correspond donc un type bien prcis de
systme. Ainsi, si certaines caractristiques ne sont pas prsentes, une machine, mme trs
complexe, ne peut tre qualifie de robot. Bien videment, l'autonomie est un caractre
intrinsque li au robot. Un robot autonome est un systme capable d'agir et de ragir seul
face un vnement imprvu. L'autonomie suppose que le robot prvoit l'occurrence de
certains vnements, puis les ractions appropries ceux-ci. Ainsi, pour que le robot atteigne
un degr suprieur d'autonomie, il doit tre dot de moyens pour apprhender
l'environnement, construire et mettre jour des reprsentations internes de cet environnement,
dcider des actions adquates et ragir aux vnements imprvus.
En robotique mobile, nous rencontrons en gnral deux types d'environnements : statique et
dynamique. Dans un environnement statique, tous les objets (obstacles) sont immobiles : seul
le robot se dplace. Les objets peuvent se dplacer ou tre dplacs dans un environnement
24
Chapitre 3
dynamique ou volutif. Raliser des tches avec un robot dans un environnement dynamique
est beaucoup plus ambitieux que dans un milieu statique. Nous ne considrons dans notre
travail que les environnements statiques. Pour un robot mobile autonome, tre capable de se
dplacer dans un environnement non prpar est la fois indispensable et extrmement
complexe. Avoir un modle, plus ou moins dtaill de son environnement, est essentiel pour
assurer l'excution de ses missions. Un modle de l'environnement donne au robot les
capacits de ralisation des tches suivantes :
Planification de mouvements et dplacements. En fait, sans avoir un modle de son
environnement, le robot ne peut planifier un chemin pour aller d'un point de dpart un point
d'arrive. De plus, le modle permet au robot d'valuer et de quantifier les actions de
dplacement qu'il effectue.
Ralisation des mouvements. Le modle permet de dtecter des lments sur lesquels le
robot s'appuie pendant son dplacement, que ce soit des amers qui lui permettent de se
localiser, ou des buts successifs atteindre dans un enchanement de commandes rfrences
capteur.
Localisation. Un bon modle est indispensable pour le robot afin de se localiser. En effet, la
localisation du robot chaque instant assure l'excution du chemin planifi.
Planification et excution des tches en contexte multi-robots. Un modle commun donne
les moyens un ensemble de robots pour planifier et excuter des tches communes et
complmentaires.
Historiquement, le problme de modlisation en robotique mobile est trait comme un
problme de construction d'une carte (Cartographie ou Mapping).
La cartographie est l'ensemble des tudes et des oprations, scientifiques, artistiques et
techniques, intervenant partir des rsultats d'observations directes ou de l'exploitation d'une
documentation, en vue de l'laboration et de l'tablissement de cartes, plans et autres modes
d'expression, ainsi que dans leur utilisation .
La cartographie est considre comme l'un des plus importants problmes dans la construction
d'un robot mobile quasi autonome. En dpit des progrs remarquables raliss dans ce
domaine, il reste l'un des sujets les plus ambitieux. Actuellement, sur le march de la
robotique, on a seulement des mthodes pour la cartographie des environnements statiques,
structurs et de tailles limites. Cartographier des environnements non structurs, dynamiques
ou de grandes tailles reste un sujet de recherche ouvert.
La cartographie en robotique mobile est habituellement divise en deux grands types
d'approches : mtrique et topologique. Les cartes mtriques capturent les proprits
25
Chapitre 3
26
Chapitre 3
27
Chapitre 3
estimer les positions relatives des lieux visits, mais seulement pour reconnatre un lieu. Ces
donnes peuvent tre des informations sur les positions relatives des noeuds, ou des
informations sur les actions effectuer pour parcourir cette arte.
Chapitre 3
sur les positions des obstacles. Ainsi, elles sont souvent utilises lorsque l'application vise
repose sur la connaissance de l'espace libre, en particulier pour la planification de trajectoires
( partir de transformations en distance ou de champs de potentiels par exemple). Elles sont
en gnral relativement faciles interprter par l'homme.
Figure 3.2: Exemple d'une grille d'occupation 2D. Les valeurs d'occupation sont codes
comme suit : (Vert : inconnu ; blanc : libre ; bleu : occup)
La superficie est (10 x 10m), une cellule correspond (5 x 5cm)
Le principal inconvnient des grilles d'occupation rside dans leur manque de compacit :
elles sont plutt adaptes la reprsentation d'environnements encombrs mais s'avrent
particulirement inefficaces dans les grands espaces vides. De plus, la finesse de la
discrtisation tant prdfinie, elles ne sont pas capables de s'adapter automatiquement la
densit ou la taille des obstacles. En consquence, si les grilles d'occupation se prtent bien
certains algorithmes de planification, elles peuvent cependant se rvler inefficaces du fait
du manque d'adaptation l'chelle de l'environnement (en raison de la multiplication des
cellules libres dans les espaces ouverts par exemple). Les approches hirarchiques telles que
les quadtrees peuvent toutefois limiter ces problmes de compacit et d'adaptation l'chelle.
On peut galement reprocher aux reprsentations de type grille, le processus de
positionnement complexe et coteux qu'elles entranent pour le vhicule (notamment par
rapport une carte de balises o les objets comparer sont moins nombreux) ; vis vis du
29
Chapitre 3
SLAM, ce type de reprsentation est inadapte, puisqu'elles ne peuvent pas tre corriges
lorsque la position du robot s'amliore. De plus, elles paraissent peu appropries,
contrairement aux cartes topologiques par exemple, aux algorithmes de rsolution de
problmes exprims de manire symbolique.
3.3.4. Modle de primitives
Les primitives ou les amers sont des parties distinctives de l'environnement que l'on
peut facilement extraire via un type de capteur donn et qui admettent une description
paramtrique : notons qu'on parle gnralement de balises quand il s'agit d'amers artificiels.
Un amer gomtrique pour la localisation doit vrifier plusieurs critres : pouvoir
discriminant, domaine de visibilit important, stabilit, invariance et bonne adaptation la
mtrologie. Et afin de maintenir une reprsentation cohrente de l'environnement, les cartes
d'amers doivent de plus modliser les incertitudes sur ces primitives gomtriques.
En gnral, comme nous le verrons, ces incertitudes sont reprsentes par des distributions
gaussiennes sur les paramtres gomtriques de la primitive (positions cartsiennes ou
polaires, longueurs, etc.).
La reprsentation par amers fournit un cadre de travail mieux adapt pour rsoudre le
problme de la cartographie et localisation simultanes (SLAM), travers les approches
bases sur le filtre de Kalman tendu : la fermeture de boucles est gre de manire
transparente via la matrice de covariance. Le nombre des amers tant limit, les mises en
correspondance sont souvent moins coteuses que dans une grille d'occupation par exemple.
Par ailleurs, les cartes d'amers offrent une description plus compacte des larges espaces
ouverts que les grilles d'occupation. Mais elles sont moins adaptes aux environnements
encombrs de petits objets o les amers se multiplient. Cependant, les cartes d'amers peuvent
en principe atteindre une meilleure prcision que les grilles d'occupation car les objets sont
localises selon des coordonnes en nombres flottants alors que dans les grilles, l'espace est
discrtis.
En revanche, les cartes d'amers sont souvent peu denses et contrairement aux grilles
d'occupation, elles ne contiennent pas les informations d'encombrement ncessaires pour la
planification de trajectoires. En effet, les amers ponctuels renseignent peu sur la position des
obstacles continus de grande dimension et les amers de type segment ne sont gnralement
pas jointifs : le contour des obstacles est rarement continu et ferm, ce qui gnre des
ambiguts (par exemple, on peut se demander si l'on a observ une ouverture dans l'interstice
entre deux murs non jointifs). En gnral, les reprsentations base d'amers de haut niveau
30
Chapitre 3
sont faciles apprhender par l'homme. Les cartes d'amers constitues par des amers
gomtriques structurs (segments, plans, etc.) voire par des objets, sont plus faciles
comprendre que celles avec des amers trs basiques (notamment des points).
Les cartes d'amers gomtriques sont peu adaptes pour reprsenter l'environnement
d'extrieur. Cependant, ce type de reprsentations est relativement bien adapt aux
environnements structurs tels que l'intrieur des btiments, mais, elle est souvent limite
des rgions pouvant tre dcrites sous forme d'lments gomtriques simples (points,
segments, plans, etc.). Les approximations polygonales sont mal adaptes aux environnements
prsentant des courbes, et donc sont difficilement ajoutes la carte. Thrun suggre une
solution ce problme : ajouter la carte des modles d'objets. On constate que les cartes
d'amers sont gnralement capables de s'adapter automatiquement la densit des objets et
aux changements d'chelle, ce qui constitue un avantage par rapport aux grilles d'occupation.
3.3.5. Cartes hybrides
L'ide des cartes hybrides est d'utiliser deux ou plusieurs types de reprsentation
ensemble, ce qui va permettre de profiter des points forts de chaque reprsentation, et pourrait
aider surmonter les points faibles. Par exemple, plusieurs auteurs ont propos des mthodes
hybrides mtriques-topologiques dans l'intention de combiner la prcision des cartes
mtriques avec l'extensibilit des cartes topologiques [[2],[32], [33], [34], [35] ].
Par exemple, afin d'obtenir une reprsentation dense de l'environnement, les grilles
d'occupation peuvent tre utilises pour reprsenter les informations denses, un algorithme de
SLAM bas sur les primitives est utilis pour estimer les positions du robot. Mais, si les deux
cartes sont indpendantes, la carte globale sera incohrente. Un exemple d'incohrence peut
tre illustre lors de la fermeture de boucle. L'algorithme feature-based SLAM est capable de
propager l'incertitude en arrire pour toute la carte, ce qui permet d'avoir une carte cohrente.
Mais, si les deux cartes sont indpendantes, les corrections ralises par l'algorithme SLAM
ne seront pas propages dans la carte d'occupation. Cela donne par exemple qu'un objet se
trouve dans deux positions diffrentes dans les deux cartes.
La solution est de maintenir les corrlations entre la carte d'amers et la grille d'occupation.
Maintenir toutes ces corrlations rsout le problme de cohrence, mais cette solution est
envisageable seulement pour les petits environnements.
Nieto et al [28] ont propos une solution ce problme par la construction d'une carte
mtrique et hybride (Hybrid Metric Maps : HyMMs) qui combine les lments de la carte
avec d'autres informations sensorielles. Les auteurs prsentent comment combiner
31
Chapitre 3
efficacement un algorithme SLAM bas sur les primitives et une carte sous forme d'une grille
d'occupation. La carte globale est partitionn en un ensemble de rgions triangulaires locales
connectes, qui fournit un repre pour une description multi -chelles de l'environnement.
Pour eux, la carte hybride est reprsente par un graphe de systmes de coordonnes, telle que
chaque sommet dans le graphe reprsente un repre local, et les artes reprsentent les
transformations entre les repres adjacents.
Bien que les cartes hybrides offrent plus d'avantages que les cartes individuelles, elles
possdent des problmes qui n'apparaissent pas dans les cartes simples. Un problme vident
est la complexit introduite par les synergies. Par exemple, la sortie de localisation provenant
d'une composante va tre utilise comme l'entre d'un capteur virtuel, et donc on doit dfinir
un modle sensoriel pour cette entre, ce qui n'est pas toujours vident. D'autre part, on risque
d'avoir une propagation de l'erreur via les diffrentes composantes.
3.3.6. Remarques sur les mthodes de modlisation
Les deux grands types de mthodes de modlisation que nous avons prsentes ont des
avantages et des inconvnients. Les approches mtriques dites probabilistes, sont robustes et
relativement efficaces. En outre elles permettent de rpondre au problme de divergence li
lutilisation du filtrage de Kalman tendu dans des approches dites gomtriques. En revanche
elles possdent le gros dsavantage dtre lourdes en temps de calcul et limites en prcision.
Lautre problme de ces mthodes est leurs niveaux smantiques faibles qui globalement se
limitent une certitude sur lexistence dune cellule. La deuxime approche (approche
topologique) quant elle permet justement dintgrer une description de plus haut niveau que
dans les approches mtriques, ceci en intgrant la notion de places significatives au sens de la
navigation. Ces lieux caractristiques, ainsi que les liens entre ces lieux sont gnralement
grs dans un graphe, do une combinatoire moindre et une optimisation du paramtre
mmoire pour le stockage des donnes. En outre la quantification prcise des contraintes
gomtriques entre ces places significatives, par exemple pour des petits dplacement du
robot, savre tre un problme.
Nous pouvons finalement constater que ces deux approches sont complmentaires. Il est donc
intressant de pouvoir associer ces deux types de reprsentation dans un module de gnration
de carte. Cette approche complmentaire, que lon peut qualifier dapproche hybride, est de
plus en plus intgre dans des travaux rcents. Les rsultats obtenus montrent clairement
lefficacit dune telle approche.
32
Chapitre 3
33
Chapitre 3
algorithme a t modifi pour donner naissance au SLAMMOT (Slam and Mobile Object
Tracking) avec lequel un robot peut apprhender un environnement dynamique.
La figure suivante prsente les diffrentes tapes du SLAM :
Perception (tlmtre
laser, vision,..)
Robot
Association de
donnes
Environnement
Proprioception (odometrie,
Centrale inertielle)
Estimation
(EKF, EIF,)
Position du robot
Carte
Chapitre 3
Association de donnes : tant donn une observation, on doit dcider si cette observation
correspond un amer dj prsent dans la carte, et de quel amer il sagit, ou bien alors si cest
un nouvel amer ajouter la carte.
Proprioception : Les donnes proprioceptives sont des mesures internes au systme, et
renseignent sur lvolution de son tat. Pour le SLAM, nous nous intressons la position du
robot dont lvolution est typiquement fournie par des capteurs odomtriques ou une centrale
inertielle.
Estimation : Lalgorithme destimation doit intgrer les donnes issues de la perception ainsi
que de la proprioception afin de fournir une estime de la position du robot et des positions
des amers, ainsi que les incertitudes associes ces estimes.
3.5. Travaux de simulation
3.5.1. Introduction
Les problmes de la modlisation d'environnement et de la localisation sont
intimement lis, et peuvent par consquent tre rsolus de manire unifie. Lalgorithme
utilis repose sur le filtrage de Kalman pour estimer les dplacements du robot et pour reobserver les amers prcdemment cartographis qui sont les points d'intrt dtects lors de
lvolution du robot mobile. Plusieurs simulations ont t effectues, en changeant chaque
fois le nombre ditrations.
3.5.2. Algorithme labor utilisant le filtrage de kalman
Fonction [ x k , a ] = Slam [ x k 1 , z k , a ]
e01: x k / k 1 = f ( x k 1 / k 1 , uk )
f
( x k 1 / k 1 , u k )
e02 : Fx =
x
f
e03: Fu = ( x k 1 / k 1 , u k )
u
T
T
e04 : Pk / k 1 = Fx .Pk 1 / k 1 .Fx + Fu .Pk 1 / k 1 .Fu
e05 : z ( k ) capteurObs ( x ( k ))
e06 : z(k ) h( x k / k 1 ).
e07 : k = z(k ) z(k )
e08 : R z k
h
e09 : H x = ( x k / k 1 )
x
T
e10 : S = H x Pk / k 1 H x + R
Prdiction
Jacobienne
Jacobienne
Prdiction
Observation
Prdiction Observation
Innovation
Covariance dObservation
Jacobienne
Covariance de linnovation
35
Chapitre 3
e11: K k = H x Pk / k 1 S 1
e12 : x k / k = xk / k 1 + K k . k
e13: Pk / k = Pk / k 1 K k SKk
Gain de Kalman
Mise jour de ltat
T
x k / k
e14 : x k / k =
g ( x k / k , z k )
g
e15 : Gx = ( xk / k , z k )
x
g
e16 : Gz = ( xk / k , z k )
z
T
e17 : Pva = Pk / k .Gx
e18 : Paa = Gx Pk / k .Gx + Gz RGz
T
Pva
P
e19 : Pk / k = k /Tk
Matrice de Covariance augment
Pva Paa
e20 : k = k + 1.......................................................................................................................................
3.5.3. Rsultats de simulation
100
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
50
100
36
Chapitre 3
100
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
50
100
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
50
100
Chapitre 3
100
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
50
100
100
80
60
40
20
0
-20
-40
-60
-100
-80
-60
-40
-20
20
40
60
80
100
Chapitre 3
3.6. Conclusion
La localisation sans connaissance a priori ncessite dintgrer un module de
construction incrmentale de carte. Nous avons pu remarquer que quelque soit la catgorie de
mthode de modlisation employe, ltape de localisation est indissociable de celle de mise
jour. En dautres termes, toute erreur sur lestimation de la configuration du robot aura une
influence sur celle commise lors de la mise jour. Cette forte interaction est dailleurs la
base du constat, souvent fait dans les travaux portant sur cette problmatique, qui souligne les
phnomnes derreurs cumulatives sur des longs trajets. Les travaux de simulations entrepris
montrent que plus longuement le robot inspecte son milieu dvolution mieux est la prcision
de sa localisation et de la localisation des amers aperus.
39
Chapitre 4
4.1. Introduction :
Le domaine de la robotique est relativement rcent et a connu une volution rapide qui
a bnfici de la puissance croissante des calculateurs. Les robots sont alors capables de
raliser des taches de plus en plus complexes, comme les robots gologues envoys sur Mars.
Ces taches de haut niveau reposent nanmoins sur des capacits de base que doit avoir un
robot : Se localiser dans son environnement et sy dplacer [5].
Un robot autonome introduit dans un environnement inconnu doit tre capable de construire
un modle de ce monde et de se localiser afin de pouvoir excuter une mission. Nous allons
mettre en oeuvre une mthode qui nous permettra de construire une carte dun environnement
priori inconnu du robot mobile et destimer en permanence sa position au sein de cette carte.
Le robot dispose de deux types dinformations :
Une information sur son dplacement qui provient par exemple de son odomtrie,
cest dire de lestimation de la distance quil a parcourue en mesurant le nombre de
tours effectus par chacune de ses roues.
Une information qui provient de la perception des amers se trouvant dans son
environnement, par un tlmtre.
Ces deux sources dinformation sont videment bruites : lodomtrie devient rapidement peu
fiable car les roues du robot peuvent glisser au sol et les perceptions fournissent une mesure
entache derreur.
Lobjectif est destimer simultanment, partir de ces deux types dinformation, la position
des amers (la carte de lenvironnement) et la trajectoire du robot. Ce problme est connu sous
le nom de SLAM (Simultaneous Localization And Mapping).
Loutil que nous allons utiliser pour rsoudre le problme du SLAM est le filtre de Kalman
tendu. Ce filtre permet destimer ltat du systme partir dune prdiction (bruite) de son
volution au cours du temps et des mesures (bruites) de cet tat. Pour le SLAM en robotique
mobile, ltat du systme est la position du robot et des amers. La prdiction de lvolution
40
Chapitre 4
provient des donnes odomtriques lors du dplacement du robot et les mesures proviennent
de la perception des amers par le robot.
Dans notre travail, ltat sera donc un vecteur compos de la position ( x, y ) , de lorientation
du robot et des n amers. Le filtre de Kalman permet destimer cet tat ainsi que lincertitude
sur cette estimation. Dans le cadre du filtre de Kalman, toutes les erreurs sur les diffrentes
grandeurs sont supposes gaussiennes. Lincertitude dune estimation est donc reprsente par
la variance de cette gaussienne.
En plus du vecteur dtat, le filtre de Kalman utilise aussi une matrice de covariance. Ainsi le
filtre donne chaque instant une estimation X k / k de la valeur de ltat rel X k / k du systme,
ainsi quune estimation de la prcision de cette estimation sous forme de matrice de
covariance Pk / k .
Prdiction
X k / k 1 = Fk . X k 1 / k 1 + B k .U k 1 (tat prdit)
(4.1)
(4.2)
Avec
U k : entre de commande.
41
Chapitre 4
Mise jour
Yk = Yk H k . X k / k 1 (Innovation)
(4.3)
(4.4)
K k = Pk / k 1 .H k .S k
T
Avec
(4.5)
(4.6)
(4.7)
La formule de la mise jour de la covariance est valide uniquement pour un gain de Kalman
optimal. L'utilisation d'autres valeurs de gains ncessite des formules plus complexes.
4.2.2. Les systmes non linaires
Le filtre de Kalman est limit aux systmes linaires. Cependant, la plupart des
systmes physiques sont non linaires. Le filtre n'est donc optimal que sur une petite plage
linaire osculatrice des phnomnes rels. La non linarit peut tre associe au modle du
processus, au modle d'observation ou bien aux deux.
pas besoin d'tre des fonctions linaires de l'tat mais peuvent tre des fonctions
diffrentiables.
X k = f ( X k 1 , U k , Wk )
(4.8)
Z k = h( X k , Vk )
(4.9)
La fonction f peut tre utilise pour calculer l'tat prdit partir de l'tat estim prcdent et,
semblablement, la fonction h peut tre employe pour calculer l'observation prdite de l'tat
prdit. Cependant f et h ne peuvent pas tre appliques directement au calcul de la
covariance : une matrice des drives partielles, la Jacobienne est calcule.
42
Chapitre 4
chaque instant, la Jacobienne est value avec les tats estims courants. Ces matrices
peuvent tre employes dans les quations du filtre de Kalman. Ce processus linarise
essentiellement la fonction non linaire autour de l'estimation courante.
Ceci donne les quations du filtre de Kalman tendu suivantes :
Prdiction
X k / k 1 = f ( X k 1 / k 1 ,U k ,0)
(4.10)
Pk / k 1 = Fk .Pk 1 / k 1 .Fk + Qk
(4.11)
~
Yk = Z k h( X k / k 1 ,0)
(4.12)
S k = H k .Pk / k 1 .H k + Rk
(4.13)
Mise jour
K k = Pk / k 1 .H k .S k
T
(4.14)
~
X k / k = X k / k 1+ K k Yk
(4.15)
Pk / k = ( I K k .H k ).Pk / k 1
(4.16)
O les matrices de transition et d'observation sont dfinies comme tant les Jacobiennes
suivantes :
Fk =
f
value en X k 1 / k 1 ; U k
x
Hk =
h
x
value en X k 1 / k 1 .
(4.17)
(4.18)
(4.19)
)+
w (k )
(4.20)
y v + r sin ( + v )
Avec : Z i (k ) = [r ]
lobservation, v k et w
(4.21)
43
Chapitre 4
Le premier modle est caractris par une fonction f (.) qui caractrise lvolution du
robot. Il utilise les connaissances de la dynamique du robot pour la projection de ltat.
Le troisime modle utilise les observations capteurs pour estimer la position dun
nouvel amer qui doit tre ajout la carte.
Y
Yu
yu
yv
u
k+1 X
xu
Xu
xv
44
Chapitre 4
X v (k ) = [x v
yv v ]
(4.22)
Le dplacement du robot entre les instants k et k + 1 est mesur grce lodomtrie donne
dans le repre du robot linstant k :
U ( k ) = [x u
u ]T
yu
(4.23)
xv + xu cos( v ) y u sin( v )
X v (k + 1) = f ( X v (k ), u (k )) = y v + xu sin( v ) + y u cos( v )
v + u
(4.24)
(4.25)
j ,k
X j ,i = X i , j
(4.26)
yv
v ]T et
X 2 = [x u
yu
x1 + x 2 . cos(1 ) y 2 . sin(1 )
X 1 X 2 = y1 + x 2 . sin(1 ) + y 2 . cos(1 )
1 + 2
(4.27)
45
Chapitre 4
x1 . cos(1 ) y1 . sin(1 )
X 1 = x1 . sin(1 ) y1 . cos(1 ) : Transformation inverse
(4.28)
Ces quations permettent de dcrire le mouvement dun point ou dun vhicule dans un repre
par rapport un autre. On peut utiliser cette notation pour expliquer la composition des
mesures dodomtrie.
Soit la position prcdente x0 (k 1) dun vhicule, le processus de rotations des roues entre
deux lectures successives dodomtrie a montr une transformation relative de vhicule.
Posons u (k ) le vecteur de dplacement donn par lodomtrie entre deux instants successifs
(k-1) et k, la tche de combiner ce nouveau dplacement u (k ) avec la position prcdente
x0 (k 1) servira pour estimer le nouvel tat (position) du vhicule x0 (k ) ,et a par linsertion
de loprateur donc :
x0 (k ) = x0 (k 1) u (k )
(4.29)
Nous avons expliqu une faon dans laquelle les mesures de rotation des roues peuvent tre
utilises pour estimer une position du vhicule. Cependant on rencontre des situations o on
doit utiliser une entre de contrle ou des mesures dun systme de navigation.
les
dplacements
lmentaires
du
vhicule
sont
exprims
par
la
squence x0 (1), x0 (2)......x0 (k ) , pour calculer u (k ) , on peut invertir lquation (4.29) pour
obtenir :
u (k ) = x0 (k 1) x0 (k )
(4.30)
On utilise cette astuce pour dcrire lvolution de ltat de notre robot mobile comme suit :
xv (k + 1) = x v (k ) [x0 (k 1) x 0 (k )]
(4.31)
46
Chapitre 4
(4.32)
1 0 x 2 sin(1 ) y 2 cos(1 )
( x1 x 2 )
J 1 ( x1 , x 2 ) =
= 0 1 x 2 cos(1 ) y 2 sin(1 )
x1
0 0
(4.33)
cos(1 ) sin(1 ) 0
( x1 x 2 )
J 2 ( x1 , x 2 ) =
= sin(1 ) cos(1 ) 0
x 2
0
0
1
(4.34)
de ces
nouvelles Jacobiennes
T
dans lquation
, on obtient
02x
Avec U 0 = 0
0
02y
0
(4.35)
X a (k ) = X a (k 1)
(4.36)
47
Chapitre 4
dintrieurs, structurs, comportant des formes rgulires et statiques comme des murs, qui
par ailleurs, possdent gnralement de bonnes proprits de rflexion.
4.3.3.2. Modle dobservation
Les perceptions fournissent des mesures de la distance et de langle de direction dun
amer de position connu, mesur par rapport au robot, figure (4.4). On suppose quon a m
amers dans lenvironnement situs en des points connus.
On suppose aussi que le capteur tlmtrique laser se situe la verticale du milieu de lessieu
des roues, car cette hypothse permet de simplifier les quations et ltude de l'algorithme.
y ai
ai
R robot
yv
k
xv
i
a
i
a
= a tan 2 ( y ai y v , x ai x v )
rk =
( y ai y v ) 2 + ( x ai x v ) 2
(4.37)
(4.38)
La fonction "atan2(x, y) " est analogue la fonction "arc tan(y/x) ", mais possde deux
arguments et renvoie ainsi un nombre compris entre et + .
Lquation prcdente sera note de faon symbolique :
= h(X
(4.39)
48
Chapitre 4
r ( k ) ( y ai y v ) 2 + ( x ai x v ) 2
Z i ,k =
=
( k ) a tan 2 ( y ai y v , x ai x v ) v
(4.40)
y ai y
r
x ai x
r2
(4.41)
ai
yi
xi
x + r. cos( + )
Xa i (k ) = g ( X (k ), Z i (k )) =
y + r. sin( + )
(4.42)
49
Chapitre 4
g 1 0 r. sin( + )
=
:
X 0 1 + r. cos( + )
G z =
g cos( + ) r. sin( + )
=
: Jacobien par rapport la mesure
Z sin( + ) r. cos( + )
(4.43)
(4.44)
estimations de la position du robot et des amers en utilisant les mesures relatives la position
du robot. Nous utilisons le formalisme du filtre de Kalman tendu.
Pendant ses mouvements, le robot utilise ses capteurs pour observer les amers dans son
entourage. L'tat du systme l'instant k, X (k ) est compos du vecteur X v reprsentant l'tat
du robot, et de n a vecteurs dcrivant les amers observs X i (k ) avec i = 1,.........., n a .
Xv
X1
X (k ) = X 2
.
X
na
(4.45)
50
Chapitre 4
O X i
est l'tat d'un amer par rapport au repre global RG , tous les tats sont exprims par
X
X (k ) = v
X a
(4.46)
Notre robot se dplace dans un environnement d'intrieur suppos inconnu, compos dun
ensemble dobjets ponctuels que nous allons prendre comme amers dans l'algorithme de
SLAM. L'tat du robot l'instant k peut tre dtermin par sa position et son orientation dans
l'espace, le vecteur d'tat du robot est dfini par :
xv
X v = y v
v
(4.47)
x
y
Rrobot
RGlobal
yv
xv
Chaque amer est considr comme un point dfini par ces coordonns: X i = [xi
y i ] .Le
T
vecteur d'tat des amers dans la carte est la concatnation des vecteurs dcrivant chacun d'eux
X 1 (k )
..
X a (k ) =
..
X na (k )
(4.48)
51
Chapitre 4
X a i +1 (k ) = g X (k / k ) , Z i +1 (k )
X a i + 1 (k ) = g
(X
(k
/ k ), Z
i+1
(k )) =
x v + r cos
y + r sin
v
(
(
+ v )
+ v )
(4.49)
Ce nouvel amer est introduit dans la carte par expansion du vecteur dtat X (k / k ) et de la
covariance P (k / k ) comme suit [21] :
X (k / k )
X (k / k )
X
a
(
k
)
i +1
(4.50)
X (k / k )
g ( x ( k ), Z ( k )) X ( k / k )
(4.51)
X (k / k )
x + r cos( + ) X ( k / k )
v
y v + r sin( + )
(4.52)
Pvai (k / k )
Pvai +1 (k / k )
Pvv(k / k )
Pa v(k / k )
Pai ai (k / k )
Pai ai +1 (k / k ) P(k / k )
i
Pai +1v(k / k ) Pai +1 ai (k / k ) Pai +1 ai +1 (k / k )
Pai +1ai +1 (k / k ) = G x P (k / k ) G x + G z R (k ) G z
T
(4.53)
Pva (k / k )
[Pai+1v(k / k ) Pai +1ai (k / k )] = i +1
= Gx.P (k / k )
Pa i a i +1 (k / k )
52
Chapitre 4
4.4.2. Prdiction
L'tape de prdiction du filtre de Kalman tendu utilise le modle de mouvement du
robot pour produire une estimation de la position du robot X v (k / k 1) l'instant k sachant les
informations disponibles jusqu' l'instant k 1 comme :
X v (k / k 1) = f ( X v (k 1 / k 1), u (k ))
(4.54)
X a (k / k 1) = X a (k 1 / k 1)
(4.55)
X v (k / k 1) f ( X v (k 1 / k 1, u (k ))
X a (k 1 / k 1)
X a (k / k 1)
(4.56)
(4.57)
Pour l'algorithme SLAM, le calcul de la matrice de covariance sur l'tat, se rduit au calcul
seulement de la matrice de variance associe l'tat du robot et aux matrices de covariances
entre le robot et chaque amer [2]comme suit :
du robot
(4.58)
53
Chapitre 4
(4.59)
(4.60)
=
P
k
k
P
k
k
(
/
1
)
(
/
1
)
va
(J1.Pvm(k 1/ k 1))T
Pmm(k 1/ k 1)
aa
(4.61)
4.4.3. Observation
La fusion de l'observation avec l'tat estim est accomplie d'abord par le calcul de la
prdiction de lobservation Z (k 1 / k 1) ; utilisant le modle de l'observation h :
Z (k / k 1) = h( X (k / k 1))
(4.62)
Lorsque les observations sont reues depuis les capteurs du robot, elles doivent tre
associes des amers dj perus, donc dj intgrs dans la carte de l'environnement : c'est
la phase dite de Data association. La diffrence entre les observations actuelles Z (k ) , et les
observations prdites Z (k / k 1) est connue comme linnovation
v = Z (k ) Z (k / k 1)
(4.63)
S (k ) = h X (k ) P (k / k 1)h X (k ) + R (k )
T
(4.64)
L'innovation et sa matrice de covariance peuvent tre utilises pour valider les mesures
avant d'tre intgres dans le calcul des tats estims [2]. Le calcul de la matrice de
covariance de l'innovation peut aussi tre simplifi en notant que chaque observation est
seulement dpendante de l'amer observ.
54
Chapitre 4
(4.65)
P (k / k ) = P (k / k 1) W (k ).S (k )W T (k )
(4.66)
Avec W (k ) = P (k / k 1) X h T S 1 (k )
(4.67)
4.4.5. Estimation :
Fond sur le modle du vhicule et sur le modle des observations, le processus de
Localisation et Cartographie consiste gnrer les meilleures estimations pour l'tat du
systme en utilisant les informations disponibles. Ceci peut tre accompli par une procdure
rcursive trois tapes, prdiction, observation et mise jour connue comme le Filtre de
Kalman tendu (EKF) [2],[31]. Le filtre de Kalman est un estimateur rcursif et produit
l'instant i l'estimation optimale (qui minimise la somme des erreurs quadratiques) X (i / j ) de
l'tat X (i ) tant donn les observations jusqu' linstant j , Z j = {Z (1).............Z ( j )}
Pour l'algorithme SLAM, le EKF est utilis pour estimer la position du vhicule X v (k / k )
avec les paramtres de n a amers observs X i (k / k ) , i = 1. . . n a . Le vecteur d'tat augment
montre que ce vecteur est compos de l'tat estim du vhicule et des estimations des amers
observs :
55
Chapitre 4
X (k / k ) = X 2 (k / k )
.
X (k / k )
na
(4.68)
Pv1 (k / k )
Pvv (k / k )
P T (k / k ) P (k / k )
11
v1
.
.
P(k / k ) =
.
.
T
Pvn (k / k ) P1na (k / k )
a
. Pvn a (k / k )
. P1na (k / k )
.
.
.
.
. Pna na (k / k )
.
.
.
.
.
(4.69)
La matrice de covariance globale peut tre crite en notant Paa (k / k ) la matrice de covariance
de la carte, et Pva (k / k ) la matrice de covariance entre le vhicule et la carte :
Pvv (k / k ) Pva (k / k )
P(k / k ) = T
Pva (k / k ) Paa ( k / k )
(4.70)
4.5.Travaux de simulations :
Premier cas : Environnement constitu de 10 amers
Exemple 1
80
60
amer
40
20
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
56
Chapitre 4
80
trajet du robot
60
40
20
0
-20
-40
amer
-60
ellipse
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
Figure 4.8 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 1 1500
amer
80
60
40
20
robot
ellipse
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
57
Chapitre 4
80
trajet du robot
60
40
20
amer
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
Figure 4.10 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 1 3000
robot
80
60
40
20
0
ellipse
-20
-40
-60
-80
-120 -100
-80
-60
-40
-20
20
40
60
80
58
Chapitre 4
Exemple 2 :
80
60
40
20
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
80
60
40
20
0
-20
-40
trajet du robot
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
Figure 4.13 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 1 1500
59
Chapitre 4
80
amer
60
40
20
robot
ellipse
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
80
60
40
20
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
60
Chapitre 4
80
60
40
20
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
0
x
50
100
61
Chapitre 4
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
0
x
50
100
Figure 4.18 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 1 1500
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
0
x
50
100
62
Chapitre 4
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
0
x
50
100
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
0
x
50
100
63
Chapitre 4
100
80
amer
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
100
80
trajet du robot
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
Figure 4.23 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 1 1500
64
Chapitre 4
100
amer
80
60
robot
ellipse
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
100
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
Figure 4.25 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 1 3000
65
Chapitre 4
100
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
66
Chapitre 4
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
Figure 4.28 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 1 1500
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
67
Chapitre 4
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
Figure 4.30 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 0 3000
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
68
Chapitre 4
Exemple 2 :
100
80
60
40
20
0
-20
-40
-60
-80
-60
-40
-20
20
40
60
80
100
100
80
60
40
20
0
-20
-40
-60
-80
-60
-40
-20
20
40
60
80
100
Figure 4.33 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 1 1500
69
Chapitre 4
100
80
60
40
20
0
-20
-40
-60
-80
-60
-40
-20
20
40
60
80
100
100
80
60
40
20
0
-20
-40
-60
-80
-60
-40
-20
20
40
60
80
100
Figure 4.35 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 1 3000
70
Chapitre 4
100
80
60
40
20
0
-20
-40
-60
-80
-60
-40
-20
20
40
60
80
100
71
Conclusion gnrale
Conclusion gnrale
diffrentes possibles de positionnement damers. Plusieurs cartes ont t construites pour
illustrer toutes ces configurations.
On a constat que le nombre damers dtects et leurs estimations dpendent de la dure
dexploration du robot. Plus le nombre dexplorations est important mieux est la prcision de
lemplacement de lamer dans le milieu dvolution du robot. Ainsi la carte ralise est
beaucoup plus prcise et plus correcte. On a constat aussi une grande influence du filtre de
kalman sur la correction de la position des amers, elle est reflte par le rtrcissement des
ellipsodes derreurs chaque nouvelle observation de lamer considr.
Finalement, on peut dire que le sujet abord est trs vaste et trs rcent par rapport dautres
sujets de la robotique mobile. Cependant, on peut dire que nous avons atteint le but planifi
auparavant avec succs.
Le travail dvelopp nous a permis de voir et de proposer un certain nombre de perspectives
intressantes que nous rsumons par les directives suivantes :
Les techniques proposes dans le cadre de ce travail ont t dveloppes pour des
environnements statiques. Toutefois, dans certaines applications concrtes, il serait galement
pertinent de s'affranchir de cette hypothse et de modliser des environnements volutifs.
Ce sujet peut tre orient aussi vers la modlisation denvironnement 3 D, en introduisant le
traitement dimage et en remplaant, au niveau du systme de perception, le tlmtre par une
camra omnidirectionnelle ou deux camras en utilisant la strovision par exemple.
73
Bibliographie
mobiles .Thse de
[7] Marie-Josie ALDON Capteurs et mthodes pour la localisation des robots mobiles .
Charge de recherche au CNRS, Universit de Montpellier II.
[8] Rapport La perception et la fusion de donnes Pour vhicules intelligents . Fvrier 1998
(version provisoire), Groupe thmatique 6 : FUSION Opration thmatique 6.3 : Vhicules
intelligents.
[9] Richard j, Rikoski, John J. Leonard, and Paul M Newman Stochastic Mapping
Frameworks .Marine Robotics Laboratory Massachusetts Institute of Technology
[10] Thomas LEMAIRE Robotique mobile : Localisation et Cartographie Simultanes .
LAAS-CNRS 7, avenue du Colonel Roche, 31077 Toulouse Cedex 4 ,29 mars 2004
[11] David FILLIAT IN 103-Introduction Matlab : Projet Robotique Cartographie el
localisation simultanes Filtrage de Kalman
[12] Hans Jacob S. Feder 1 , John J. Leonard1, and Christopher M. Smith 2 Adaptive Mobile
Robot Navigation and Mapping.
1. Massachusetts Institute of Technology, 77 Mass Ave., Cambridge, MA 02139
2. Charles Stark Draper Laboratory, 555 Technology Square, Cambridge, MA 02139
[13] Jos Neira, Juan D. Tardos, Data Association in Stochastic mapping using the Joint
Compatibility Test.
[14] Paul Michael Newman
74
Bibliographie
[16] Cang Ye and Johann Borenstein, A new terrain mapping method for mobile robots
obstacle negotiation . Advanced Technologies Lab, The University of Michigan 1101 Beal
Ave, Ann Arbor, MI, USA 48109-2110
[17] Joan SOLA. Initialisation sans retard damers SLAM par mesures angulaires .
Directeurs de thse : Andr MONIN et Michel DEVY, Laboratoire daccueil : LAAS - CNRS
Etablissement dinscription : Institut National Polytechnique de Toulouse
[18] Castellanos, J., Montiel, J., Neira, J. et Tardos, J. (1999). The spmap a probabilistic
framework for simultaneous localization and map building. In IEEE Transactions on
Robotics and Automation, pages 948-952. 5.2.2
[19] Philippe BONNIFAIT. Localisation prcise en position et attitude des robots mobiles
d'extrieur volutions lentes . Thse de DOCTORAT 1997 .Ecole Doctorale Sciences Pour
lIngnieur de Nantes
[20] Stphane Betg-Brezetz. Modlisation incrmentale et localisation par amers pour la
navigation dun robot mobile autonome en environnement naturel .Thse de doctorat 1996
CNRS Toulouse
[21] John J. Leonard, Richard J. Rikoski, Paul M. Newman, and Michael Bosse Mapping
Partially Observable Features from Multiple Uncertain Vantage Points .MIT Dept. of Ocean
Engineering Cambridge, MA 02139, U.S.A
[22] Tim BAILEY and Hugh DURRANT-WHYTE Simultaneous Localization and Mapping
(SLAM): Part 1
TUTORIAL
[23] Tim BAILEY and Hugh DURRANT-WHYTE Simultaneous Localization and Mapping
(SLAM): Part 2
TUTORIAL
[24] M.W.M.G. Dissanayake, P.Newman, S. Clark, H.F. Durrant-Whyte and M. Csorba, A
Solution to the Simultaneous Localisation and Map Building (SLAM) Problem. Australian
Centre for Field Robotics Department of Mechanical and Mechatronic Engineering .The
University of Sydney NSW 2006, Australia
[25] Smith, R., Self, M. et Cheeseman, P. (1988). A stochastic map for uncertain spatial
relationships. In The fourth international symposium, pages 467-474. MIT Press. 2.3
[26] Ayache, N. et Faugeras, O. (1988). Maintaining representations of the environment of a
mobile robot. In The fourth international symposium, pages 337-350. MIT Press. 2.3
[27] Chatila, R. et Laumond, J. P. (1985). Position referencing and consistent world
modelling for mobile robots. In Proceedings of the IEEE International Conference on
Robotics and Automation (ICRA), pages 138-145. 2.3
[28] Nieto, J. I., Guivant, J. E. et Nebot, E. M. (2004). The hybrid metric maps (hymms) : A
novel map representation for denseslam. In Proceedings of the IEEE International
Conference on Robotics and Automation (ICRA), pages 391-396. 2.4.5
75
Bibliographie
[29] Tim Bailey, Juan Nieto, Jose Guivant, Michael Stevens and Eduardo Nebot Consistency
of the EKF-SLAM Algorithm .Australian Centre for Field Robotics
University of Sydney, NSW, Australia
[30] Smith, R., Self, M. et Cheeseman, P. (1990). Estimating uncertain spatial relationships
in robotics. Autonomous robot vehicles.
[31] DISSANAYAKE G., NEWMAN P., DURRANT-WHYTE H.F., CLARK S. et
CSORBA M., An experimental and theoretical investigation into simultaneous localisation
and map building. In The Sixth International Symposium on Experimental Robotics VI,
pages 265-274. Springer- Verlag. 2000
[32] Chong, K. S. et Kleeman, L. (1997). Large scale sonarray mapping using multiple
connected local maps. In International Conference on Field and Service Robotics, pages 538545, ANU, Canberra, Australia. 2.4.5
[33] Simhon, S. et Dudek, G. (1998). A global topological map formed by local metric maps
In Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems,
pages 1708-1714, Victoria, BC, Canada. 2.4.5
[34] Gass, J. a. (1999).Integrating fuzzy geometric maps and topological maps for robot
navigation. In roc of the 3rd International Symposium on Soft Computing. 2.4.5
[35] Bosse, M., Newman, P., Leonard, J., Soika, M., Feiten, W. et Teller, S. (2003). An atlas
framework for scalable mapping .Laboratory of Computer Science and Ocean Engineering
Massachusetts Institute of Technology, siemens Corporate Technology.
76