Filtre d’estimation/prédiction de la vitesse d’obstacles sur plateforme embarquée à l’aide de la fusion de capteurs de distances.

Sensors fusion for predicting the obstacles velocity in an open in-vehicle platform.

• Auteur / Autrice : Roxana Dia
• Direction : Suzanne Lesecq
• Type : Projet de thèse
• Discipline(s) : Automatique - productique
• Date : Inscription en doctorat le 24/10/2016
• Etablissement(s) : Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble)
• Partenaire(s) de recherche : Laboratoire : CEA/LETI

Mots clés

Mots clés libres

Fusion

Capteurs de distances

Prédiction

Fusion

Sensors

Prediction

Résumé

Dans le contexte des véhicules autonomes, la perception consiste à modéliser l’environnement à l’aide de multiples capteurs de distance. Elle permet de localiser l’emplacement des obstacles potentiels. L’objectif de la thèse est de proposer une méthode embarquée d’estimation de la dynamique de ces obstacles pour permettre in fine leur évitement. La perception en robotique interprète et modélise l’environnement à l’aide de multiples capteurs de profondeur. Leurs imperfections sont prises en compte et fusionnées à l'aide de modèles probabilistes. La dynamique de l'environnement est ensuite évaluée avec des filtres nécessitant un important besoin en calcul. Au sein du département Architecture Conception Logiciel Embarqué (DACLE) du CEA, le contexte de la thèse se situe à l’interface entre le logiciel et le matériel, au sein d’une équipe travaillant sur l’intégration système. L’objectif de la thèse est de formuler un filtre d’estimation prédiction de la vitesse des obstacles parcimonieux, nécessitant des ressources en calcul et en mémoire les plus limitées possible. Pour modéliser l’environnement et estimer sa dynamique l’état de l’art académique et industriel exploite le modèle théorique des Grilles d’Occupation [1,2]. L’estimation de la vitesse est faite à l’aide de filtres Bayésiens [3,4,5], intégrant optionnellement des informations a priori sur l’environnement [6], comme pour la Google car [7]. La preuve de concept de ces techniques a été réalisée par différentes équipes universitaires [8,10] ou privées [9,11] des prototypes de véhicules embarquant des moyens de calculs encore trop importants pour permettre des applications industrielles réalistes. L’enjeu pour la décennie à venir est l’intégration de ces techniques dans des systèmes embarqués répondant aux exigences du secteur automobile en termes de coût, encombrement et consommation. Or le besoin actuel en calcul et en mémoire de ces méthodes empêche leur intégration dans des produits finaux à destination du grand public. L’objectif de la thèse est de formuler une nouvelle approche pour l’estimation de vitesse dans les grilles d’occupations, permettant l’intégration dans un système embarqué réaliste tout en garantissant les propriétés théoriques des approches de l’état de l’art. Pour ce faire, les contraintes matérielles seront étudiées et prises en compte en amont de la réflexion pour garantir les exigences d’intégration. La prise en compte a priori de ces contraintes impose de formuler des algorithmes et des modes de calculs parcimonieux, pouvant aller jusqu’à la formulation de techniques théoriques nouvelles. Références 1. Occupancy grids: a stochastic spatial representation for active robot perception, in Sixth Conference on Uncertainty in AI, 1990. 2. Sensor fusion in certainty grids for mobile robots, H. Moravec in AI Mag, vol 9. n°2, July 1988. 3. C. Coué, C. Pradalier, C. Laugier, T. Fraichard, and P. Bessiere, “Bayesian occupancy filtering for multitarget tracking: An automotive application,”Int. J. Robot. Res., vol. 25, no. 1, pp. 19–30, Jan. 2006. 4. T. Weiss, B. Schiele, and K. Dietmayer, “Robust driving path detection in urban and highway scenarios using a laser scanner and online occupancy grids,” in Proc. IEEE Intell. Veh. Symp., 2007, pp. 184–189. 5. S. Pietzch, T. D. Vu, J. Burtlet, O. Aycard, T. Hackbarth, N. Appenrodt, J. Dickmann, and B. Radig, “Results of a precrash application based on laser scanner and short range radars,” IEEE Trans. Intell. Transp. Syst., vol. 10, no. 4, pp. 584–593, Dec. 2009. 6. T. Gindele, S. Brechtel, J. Schroeder, and R. Dillmann, “Bayesian occupancy grid filter for dynamic environments using prior map knowledge,” in Proc. IEEE Intell. Veh. Symp., 2009, pp. 669–676. 7. IEEE Spectrum. Url : http://spectrum.ieee.org/automaton/robotics/artificial-intelligence/how-google-self-driving-car-works 8. Standford Autonomous Driving Team. Url : http://driving.stanford.edu/ 9. Google Self-Driving Car Project. Url : https://www.google.com/selfdrivingcar/where/ 10. Inria CyCab. Url : http://www.inria.fr/actualite/actualites-inria/cycab 11. Audi Piloted Driving. Url : http://www.audi.com/com/brand/en/vorsprung_durch_technik/content/2015/10/Audi-AI-IAA.html

In the context of autonomous vehicles, the environment is perceived thanks to multiple range sensors. The perception aims at localizing the position of potential obstacles. The objective of this thesis is to propose an embedded method for the estimation of the velocity of these obstacles in order to allow their avoidance In robotic applications, perception helps to understand and model the surrounding using multiple range sensors. To fuse and manage their imprecise output, probabilistic models are used. The dynamic of the environment is estimated thanks to prediction/estimation filters, which require an important amount of computation. In the Architecture, IC Design, and Embedded Software Department (DACLE) of the CEA, the thesis context is at the border of hardware and software, in a team working on system integration. The objective of the thesis is to propose a low-cost estimation/prediction filter, which require minimal computation power and memory. To model the environment and estimate its dynamic, academic and industrial state of art use the popular Occupancy Grid framework. The estimation of the speed is obtained thanks to filters that may also integrate a priori information on the environment, as in the Google car. The proof of concept of these techniques is now done. The challenge for the next decade is their integration in embedded systems suitable for industrial applications. Their important demand in both memory and computation power is the current bottleneck. The objective of this thesis is to propose a novel approach for the estimation of obstacles speed in occupancy grids. This approach will target realistic industrial embedded systems, and guarantee formal properties of current state of practice. To do so, hardware constraints will be taken into account at the beginning of the thesis to enforce industrial requirements on the envisioned solution.