Perception pour véhicule intelligent : localisation, mapping avec détection, classification et suivi des objets mobiles
Auteur / Autrice : | Trung-Dung Vu |
Direction : | Christian Laugier, Olivier Aycard |
Type : | Thèse de doctorat |
Discipline(s) : | Mathématiques. Informatique |
Date : | Soutenance en 2009 |
Etablissement(s) : | Grenoble INPG |
Ecole(s) doctorale(s) : | École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble199.-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'informatique de Grenoble - Institut national de recherche en informatique et en automatique. Centre de recherche de l'université Grenoble Alpes (France) |
Equipe de recherche : E-Motion, Geometry and Probability for Motion and Action/INRIA (Grenoble) | |
Jury : | Président / Présidente : Augustin Lux |
Examinateurs / Examinatrices : Cédric Pradalier | |
Rapporteurs / Rapporteuses : Michel Devy, Fawzi Nashashibi |
Résumé
La perception de l'environnement dynamique d'un véhicule est une étape très importante dans la construction d'un système d'assistance à la conduite automobile. Le travail de thèse aborde les problèmes associés de localisation, de cartographie (appelé « mapping »), de détection, de classification, et de suivi des objets mobiles perçus à l'aide des capteurs embarqués. Les modèles et algorithmes développés se concentrent sur l'utilisation de capteurs télémétriques à balayage laser. Dans un premier temps, nous proposons une méthode basée sur une grille d'occupation pour résoudre le problème de « mapping » avec détection des objets mobiles. Afin de corriger les données odométriques du véhicule qui sont toujours entachées d'erreurs, une nouvelle méthode rapide de « scan matching » est introduite, apte à fonctionner de manière fiable dans des environnements dynamiques. Cela permet de localiser correctement le véhicule, et ainsi de mettre à jour de manière incrémentale la carte courante et de détecter les objets mobiles. La deuxième contribution est une méthode simultanée de détection, classification et suivi des objets mobiles. Une approche fondée sur les modèles d'objets est introduite permettant d'interpréter la séquence de données laser par des hypothèses de trajectoires d'objets mobiles. La technique de « Data-Driven Markov chain Monte Carlo » (DDMCMC) est utilisée pour résoudre de manière efficace le problème d'association des données dans un espace « spatio-temporel » et fournir la solution la plus probable. La méthode a été validée sur des données réelles avec des résultats très prometteur. Les travaux sont valorisés à travers une collaboration industrielle avec Daimler AG dans le cadre du projet européen PREVENT. Le module de perception a été intégré sur un véhicule réel dans une application automobile particulière, appelée le « Pre-Crash ». Celle-ci a donné lieu à des démonstrations lors des journées de présentation des résultats du projet