Contribution au développement d'un drone autonome: Caractérisation de zones d'intérêt pour planification de relevé photométrique

par Anthony Brunel

Projet de thèse en Informatique

Sous la direction de Olivier Strauss et de Cédric Demonceaux.

Thèses en préparation à Montpellier , dans le cadre de I2S - Information, Structures, Systèmes , en partenariat avec Laboratoire d'informatique, de robotique et de micro-électronique (Montpellier) (laboratoire) et de Département Informatique (equipe de recherche) depuis le 01-11-2018 .


  • Résumé

    Contexte technico-économique : Les exploitants d'installations industrielles se tournent de plus en plus vers le prototypage numérique de celles-ci, à l'instar des acteurs de l'automobile afin d'en maîtriser l'exploitation et le démantèlement. La modélisation BIM (Building Information Modeling) d'un bâtiment ou d'une infrastructure existante rend incontournable une phase préalable de relevé de l'existant. Ce relevé se décline sous la forme de campagne de numérisation laser de l'intérieur des locaux. Aujourd'hui ces campagnes impliquent au moins deux opérateurs, pour des tâches que l'on imagine pouvoir automatiser : positionnement du scanner, lancement du relevé, attente pendant la durée du relevé (plus de 6 minutes par station). Elles sont donc coûteuses et longues. Nous souhaitons tirer parti des drones volants dont l'autonomie augmente, le coût baisse et qui peuvent embarquer de nombreux capteurs de qualité, et d'autre part de la photogrammétrie (algorithmes de génération de nuage de points 3D à partir d'images) pour restituer en 3D et en couleurs l'environnement réel. Ces nuages de points sont ensuite utilisés comme guides pour l'élaboration du modèle CAO par méthodologie de rétro conception. _______________________________________________________________________________ Objectif : L'objectif de cette thèse est de contribuer au développement d'un drone capable de naviguer en intérieur de façon autonome (et sans connaissance a priori sur l'environnement qui l'entoure). Le système devra également construire une cartographie 3D (nuage de point) de l'environnement de la manière la plus fine possible. Pour cela il faudra définir une architecture matérielle sous forme de capteurs embarqués. Assurer la fusion de données, faire une analyse qualitative de la cartographie afin de connaitre les zones occupées / non-occupées et les zones inconnus / à explorer. Il sera aussi nécessaire de définir une stratégie de relevé pour que les informations acquises par le drone permettent en offline une construction précise de l'environnement 3D. _______________________________________________________________________________ Localisation et cartographie : De nos jours il exister des méthodes permettant à un robot de se localiser tout en cartographiant son environnement (SLAM). Celle-ci peuvent utiliser divers capteurs : LiDAR, camera monoculaire, stéréo, RGB-D IMU…. Les méthodes de SLAM peuvent être réaliser de plusieurs manières, on parle alors de méthodes directes (traitement direct de l'image restitué par le capteur et génération d'une carte de profondeur) ou indirectes (passage par l'extraction de caractéristiques SIFT, SURF…), aussi la restitution du nuage de points 3D qui constitue la carte peut être dense ou éparse. Une carte dense apportera plus d'information et facilitera la reconstruction 3D mais sera plus complexe à traiter et à maintenir en temps réel. Inversement une carte éparse permettra un traitement en temps réel beaucoup plus rapide mais la phase de reconstruction sera plus complexe. Il sera nécessaire de trouver une méthode adaptée au contrainte de l'environnement (intérieur), aux capteurs choisit, à la capacité de calcul embarqué par le drone et à la quantité d'information nécessaire pour obtenir une reconstruction 3D précise afin que l'élaboration du modèle CAO soit guidée au mieux. _______________________________________________________________________________ Analyse qualitative et déplacement : Afin de permettre un déplacement optimal du drone dans son environnement, il est nécessaire de générer une carte dite d'occupation. Elles sont estimées à partir d'algorithmes probabiliste et se base sur les informations bruitées et incertaines produites par les capteurs. Celle-ci permette de connaître les zones occupées (obstacle) les zones non-occupés et les zones inconnues afin que les algorithmes de planification de chemin trouvent un passage optimal vers la position suivante. Le choix des zones à explorer sera important pour rendre l'exploration rapide et optimale, elle pourra se baser sur des méthodes de « next best view » (qui permet de connaitre la position optimale pour la restitution d'un objet 3D) et une analyse sémantique des zones d'intérêts. _______________________________________________________________________________ Modalité de suivi : Le déroulement des recherches et d'expérimentation se fera alternativement entre l'entreprise (Gambi-M) et le laboratoire (LIRMM). Un point par semaine se fera par visio-conférence ou en présentiel. Une fois par mois une réunion en présentiel avec le directeur de thèse le co-directeur et les encadrant de l'entreprise sera réalisé (modulable selon le travail réalisé). Un rapport résumant le travail réalisé sera rédigé à M+6, M+18 et M+30, ainsi qu'un rapport annuel à M+12 et M+24 comme préconisé par l'ANRT. Le planning des recherches est le suivant : M+6 états de l'art des méthodes d'acquisition d'information géométrique et radiométriques, des techniques de SLAM et de traitements de l'information incertaine et imprécise. M+12 propositions d'un système d'acquisition d'informations complémentaires et premiers essais sur site. Essai de fusion avec des techniques classiques. M+24 : Proposition d'une méthode nouvelle de cartographie, de navigation en espace inconnu, de fusion et traitement d'information 3D. M+30 : Perfectionnement de la méthodologie, rédaction du manuscrit de thèse, finalisation des articles.

  • Titre traduit

    Contribution to the development of an autonomous drone: Characterization of areas of interest for photometric survey planning


  • Résumé

    Operators of industrial installations are increasingly turning to digital prototyping of these, like the automobile industry. In order to control their operation and dismantling. The BIM (Building Information Modeling) modeling of a building or an existing infrastructure makes it essential to have a preliminary survey of the existing building. This statement comes in the form of an indoor laser scanning campaign. Nowadays, these campaigns involve at least two operators, for tasks which could be automated: positioning the scanner, launching the report, waiting for the duration of the survey (more than 6 minutes per station). Also they are expensive and time consuming. We will take advantage of flying drones which autonomy increases, cost decreases and which can wear many sensors then the photogramemetry algorithms (algorithms for generating 3D point clouds from images) to render in 3D and color the real environment. These point clouds are then used as guides for the development of the CAD model by reverse engineering methodology. _______________________________________________________________________________ The goal of this thesis is to contribute to the development of a drone able to navigate indoors independently (and without prior knowledge of the surrounding environment). The system will also make a 3D (point cloud) mapping of the environment in the finest possible way. For this it will be necessary to define a hardware architecture embedded to the drone. Ensure the data fusion, make a qualitative analysis of the environment to know the occupied / unoccupied zones and the unknown / to be explored areas. It will also be necessary to define a survey strategy so that the information acquired by the drone allows an offline construction of the 3D environment with more accuracy than online. _______________________________________________________________________________ Nowadays there are methods allowing a robot to localize itself while mapping its environment (SLAM). This one can use various sensors: LiDAR, monocular camera, stereo, RGB-D IMU... The SLAM algorithms can be done in different ways, one is called direct methods (directly processing the image captured by the sensor to track the sensor position) or indirect (with do an extraction step SIFT, SURF ORB...), also the restitution of the 3D point cloud that constitutes the map can be dense or sparse. A dense map contain more information and will make the 3D reconstruction easier but is complex and computationally expensive. It will be necessary to find a method adapted to the constraint of the environment (indoor), to the chosen sensors, to the computing capacity embedded by the drone and to the amount of information necessary to obtain an accurate 3D reconstruction. _______________________________________________________________________________ In order to do optimal displacement in the environment, it is necessary to build an occupancy map. They are estimated with probabilistic algorithms and use the noisy and uncertain information produced by the sensors. This allows to know occupancy areas, free areas and and unknown areas so that the algorithms of path planning can find an optimal way to the choosen position. To make the exploration quick and optimal the choice of areas to be explored will be important, the study will focus on "next best view" methods (which allows to know the optimal position for the reconstruction of a 3D object) and semantics analysis of areas of interest. _______________________________________________________________________________ The research and experimentation will be done alternately between the company (Gambi-M) and the laboratory (LIRMM). One meeting per week will be done by videoconference. Once a month, a face-to-face meeting with the thesis director, the co-director and the supervisor of the company will be realized (flexible according to the work done). A report summarizing the work will be written at M + 6, M + 18 and M + 30, as well as an annual report at M + 12 and M + 24 as recommended by the ANRT. The research schedule is as follows: M + 6 states of the art of geometric and radiometric information acquisition methods, SLAM and the techniques for the processing/fusion of noisy and uncertain sensors data. M + 12 first proposal of an acquiring information system and first field tests. M + 24: Proposal of a new method cartography, navigation in unknown environment, fusion and processing of 3D data. M + 30: Improvement of the methodology, writing the thesis manuscript, finalization of the papers.