Affinement de nuages de points par correction de la tra jectoire

Dans les chapitres 3 et 4, nous avons présenté deux algorithmes d’optimisation des paramètres extrinsèques et intrinsèques avec comme objectif l’affinement de nuages de points par optimisation des paramètres de calibrage. Dans les deux cas, nous supposions que la trajectoire du véhicule mobile d’acquisition était parfaitement connue et correcte, ce qui n’est pas certain notamment en environnement urbain où les capteurs GNSS ne sont pas capables de mesurer en permanence la position du véhicule. Si on se réfère à la figure 2.6, nous avons traité l’optimisation des paramètres de deux calibrages différents, qui représentent les transformations des données brutes acquises par le système mobile vers le repère body dont le centre est la position du véhicule dans un repère monde à tout instant.Dans ce chapitre, nous allons nous intéresser à l’optimisation de la dernière transformation nécessaire au géo-référencement : il s’agit de l’optimisation de la trajectoire du véhicule mobile. Le but est toujours d’aller dans le sens de ce qui a été présenté jusqu’à maintenant : nous reprenons la même approche, avec la même fonctionnelle à minimiser. La solution que l’on va proposer dans ce chapitre est applicable dans la méthodologie à l’optimisation de la trajectoire d’un système mobile équipé soit d’un LIDAR multi-couches, soit de plusieurs LIDARs ; en effet, nous allons aussi utiliser la redondance de données entre fibres du même capteur, et les résultats seront présentés pour des données acquises avec un capteur LIDAR Velodyne HDL-32E.

Etat de l’art sur l’optimisation de trajectoire

Pour la cartographie mobile, la connaissance de la trajectoire est indispensable pour correctement construire des cartes 3D de l’environnement. Nous avons vu dans le chapitre 2 que le géoréférence- ment des données est très important dans de nombreux cas d’application, et les systèmes mobiles d’acquisition embarquent de nombreux capteurs pour connaître leur position par rapport à une référence de façon très précise : GPS, centrale inertielle, odomètres, et les données de ces différents capteurs sont fusionnées pour avoir le positionnement du véhicule.Un domaine de recherche pour lequel le positionnement du véhicule est très important est le SLAM : en effet, pour de la « Localisation et Cartographie Simultanée », la localisation précise du véhicule est un des résultats espérés, en plus de la cartographie précise. Ces algorithmes peuvent être sépa- rés en plusieurs catégories, comme le fait Gérossier dans sa thèse [Gérossier, 2012]. Nous pouvons réaliser une classification de ces algorithmes similaire : à chaque instant de contrôle contient les positions du véhicule et les positions des amers. C’est un SLAM très utilisé pour des applications temps réel, notamment grâce à l’utilisation de l’EKF pour la fusion de données issues des capteurs du véhicule. Tim Bailey et Hugh Durrant-Whyte, dans deux articles publiés la même année [Bailey et Durrant-Whyte, 2006a], [Bailey et Durrant-Whyte, 2006b], proposent un historique très complet sur le SLAM proba- biliste, basé amers. Plusieurs solutions au problème du SLAM sont proposées, dont l’EKF, et un autre filtre, le filtre particulaire. Pour résumer la méthodologie de ce type d’approche, on peut distinguer deux temps dans l’algorithme de SLAM avec une carte d’amers : tout d’abord, le vecteur d’état du véhicule est estimé à l’aide des capteurs de mesure, puis, grâce au filtre de Kalman (par exemple), les données issues des capteurs et les amers extraits des cartes produites sont fusionnés pour affiner la localisation, et la précision des cartes dans le même temps.

Le SLAM orienté trajectoire. Dans cette dernière approche, on cherche à estimer les positions successives du véhicule lors de la campagne d’acquisition, mais sans estimation de la trajectiore en s’appuyant sur des amers comme dans le SLAM avec une carte d’amers. Cette fois-ci, le vecteur d’état à chaque instant de contrôle ne contient que les positions du véhicule, qui sont au nombre de six : trois positions et trois rotations. Historiquement, dans ce genre d’approche, on ne cherchait à trouver un vecteur d’état composé que de trois paramètres, en supposant que le véhicule n’avait que trois degrés de libertés, qui sont les deux positions dans le plan de déplacement du véhicule et la rotation autour de l’axe vertical. Cependant, grâce à l’évolution des systèmes d’acquisitions mobiles, et surtout pour répondre à de nouvelles problématiques de cartographie comme l’explique Nüchter [Nüchter et al., 2004], le vecteur d’état est maintenant composé de six paramètres : c’est ce que l’on appelle notamment le 6D-SLAM. En effet, dans son article de 2004, Nüchter présente le 6D-SLAM, qui voit deux méthodes d’optimisation distinctes : d’une part, on a le recalage en tant que problème d’optimisation. C’est le « scan matching », tel qu’il a été introduit par Besl et Mckay en 1992 [Besl et McKay, 1992], et qui consiste à trouver le vecteur d’état entre deux scans qui minimise l’énergie qu’ils définissent. D’autre part, on a aussi une optimisation orientée « scan matching », mais basée sur l’extraction d’amers : cette fois-ci, le problème à résoudre consiste à recaler les scans concernés sur la base du recouvrement de points d’intérêts extraits de chacun des scans.