Lambda-Field : a novel framework for risk assessment in occupancy grids
Lambda-Field : une nouvelle méthode pour l'évaluation de risque dans les grilles d'occupation
Résumé
In the context of autonomous robots, one of the most contentious topics is the notion of risk. Indeed, no robot escapes from such a question, that is whether robots will not cause any harm to themselves or the living beings in the surrounding environment. Robotics arms have a finite, relatively small workspace where the risk is tackled in a way that the robot completely stops whenever a human enters its workspace. In mobile robotics, this notion is more complex and still an open problem. First, a representation of the environment is needed for the robot to navigate in it. Oftentimes, the preferred representation of the environment is the semantic one, where each obstacle is stored as a single, unique entity. However, in complex scenarios or unstructured environments, detecting such obstacles is a tedious task and missing one could lead to disastrous events. In these cases, a metric map is used where each position stores the information of occupancy. The most common type of metric map is the Bayesian occupancy map. However, this type of map is not well-fitted to perform risk assessment for continuous paths due to its discrete nature. Hence, we introduce in this thesis a novel type of map called Lambda-Field, specially designed for risk assessment. The Lambda-Fields are a counterpart of the classical Bayesian occupancy grid. Instead of storing the probability of occupancy at each position, the Lambda-Field stores the intensity that a collision will occur at this position: the higher the intensity, the higher the probability of collision. Using this novel formulation, the Lambda-Fields are able to assess a generic risk over a path. Contrary to the Bayesian occupancy grid, the use of intensity instead of directly the probability of collision allows the risk assessment framework to produce physic-based metrics that conserve their physical units. Throughout this thesis, we present how to construct and use the Lambda-Field in both static and dynamic environments. We demonstrate that the Lambda-Field also possesses interesting mapping properties that induce more accurate maps of unstructured environments. Using this risk definition and the Lambda-Field, we show that our framework is capable of doing classical path planning but also cross unstructured environments where a Bayesian occupancy grid would not find any path.
Dans le contexte des robots autonomes, l'un des sujets les plus controversés est la notion de risque. En effet, aucun robot n'échappe à une telle question, à savoir si ce robot ne causera aucun dommage à lui-même ou aux êtres vivants dans l'environnement qui l'entoure. Les bras robotiques ont un espace de travail fini et relativement petit, où le risque est abordé de telle sorte que le robot s'arrête complètement dès qu'un humain pénètre dans son espace de travail. En robotique mobile, cette notion est plus complexe et reste un problème ouvert. Souvent, la représentation préférée de l'environnement est la représentation sémantique, où chaque obstacle est stocké comme une entité unique. Cependant, dans des scénarios complexes ou des environnements non structurés, la détection de tels obstacles est une tâche fastidieuse et en manquer un peut conduire à des événements désastreux. Dans ces cas, une carte métrique est utilisée, où chaque position stocke l'information d'occupation. Le type le plus courant de carte métrique est la carte d'occupation bayésienne. Cependant, ce type de carte n'est pas bien adapté pour calculer l'évaluation du risque pour les chemins continus en raison de sa nature discrète. Par conséquent, nous introduisons dans cette thèse un nouveau type de carte appelé Lambda-Field, spécialement conçu pour l'évaluation du risque. Les Lambda-Fields sont une contrepartie de la grille d'occupation bayésienne classique. Au lieu de stocker la probabilité d'occupation à chaque position, le Lambda-Field stocke l'intensité de la probabilité qu'une collision se produise à cette position : plus l'intensité est élevée, plus la probabilité de collision est élevée. Grâce à cette nouvelle formulation, les Lambda-Fields sont capables d'évaluer un risque générique sur un chemin. Contrairement à la grille d'occupation bayésienne, l'utilisation de l'intensité au lieu de la probabilité directe de collision permet à la méthode d'évaluation de risque de produire des métriques basées sur la physique qui conservent leurs unités physiques. Tout au long de cette thèse, nous présentons comment construire et utiliser le Lambda-Field dans des environnements statiques et dynamiques. Nous montrons que le Lambda-Field possède également des propriétés cartographiques intéressantes qui induisent des cartes d'environnements non structurés plus précises. En utilisant cette définition du risque et le Lambda-Field, nous montrons que notre méthode est capable de faire de la planification de chemin classique mais aussi de traverser des environnements non structurés où une grille d'occupation bayésienne ne trouverait pas de chemin.
Origine : Version validée par le jury (STAR)