Présentation

Article

1 - REPRÉSENTATIONS DE L’ENVIRONNEMENT

2 - PRINCIPAUX ALGORITHMES POUR LE SLAM

3 - APPLICATIONS SPÉCIFIQUES EN FONCTION DES CAPTEURS

  • 3.1 - Télémètres laser
  • 3.2 - Vision monoculaire
  • 3.3 - Caméra stéréoscopiques et RGB-D

4 - CONCLUSION

Article de référence | Réf : S7785 v1

Principaux algorithmes pour le SLAM
Cartographie et localisation simultanées en robotique mobile

Auteur(s) : David FILLIAT

Date de publication : 10 mars 2014

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

RÉSUMÉ

Planifier les déplacements d'un robot nécessite une carte et une méthode de localisation. Les algorithmes de SLAM (Simultaneous Localisation and Mapping) permettent de construire ces cartes de manière autonome. Les techniques employées sont variées, tant au niveau des représentations produites, des techniques algorithmiques que des capteurs utilisés. Cet article présente les grandes classes d'algorithmes et les méthodes courantes de corrélation de données, de filtrage et d'optimisation ainsi que leurs applications concrètes.

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

ABSTRACT

Planning trajectories for a mobile robot requires a map and a localization algorithm. Simultaneous Localization and Mapping (SLAM) algorithms make it possible to construct these maps autonomously. The underlying approaches are varied, both in terms of constructed representations, algorithmic techniques and sensors. We present the main algorithms used for SLAM and the most common methods of data correlation, filtering and optimization as well as their practical applications.

Auteur(s)

  • David FILLIAT : Professeur, Responsable de l’équipe Robotique et Vision - Unité informatique et ingénierie des systèmes (U2IS), ENSTA ParisTech, Palaiseau, France

INTRODUCTION

Il existe une très large palette de méthodes de navigation pour la robotique mobile. Les plus simples sont des méthodes réactives qui vont permettre de se déplacer aléatoirement ou de suivre une cible, mais pour accomplir une tâche complexe, il est souvent nécessaire de connaître la position du robot dans son environnement et de disposer d’une carte qui permette de planifier les déplacements pour atteindre un but précis en évitant les obstacles connus. Un robot aspirateur peut très bien fonctionner avec une stratégie de navigation aléatoire, mais si l’on imagine un robot de service pouvant par exemple apporter des objets à une personne handicapée, des capacités de planification de déplacement et de localisation précise sont nécessaires.

Lorsque l’on souhaite naviguer en utilisant une carte, il faut résoudre deux problèmes : celui de la cartographie pour créer cette carte et celui de la localisation pour estimer la position du robot. Pour des applications pouvant se permettre une mise en place assez lourde, la cartographie peut être simplifiée en étant réalisée par un opérateur humain, ou en modifiant l’environnement par l’ajout de balises par exemple. Cependant, pour des applications à très large diffusion, typiquement des robots de service à la personne, il est souhaitable que le robot puisse réaliser sa carte de manière autonome, sans adaptation de l’environnement et sans connaissances particulières de l’utilisateur. C’est également le cas pour des applications où l’homme ne peut pas accéder à l’environnement, comme dans un contexte militaire ou de catastrophe naturelle. Dans ces cas, les problèmes de cartographie et de localisation sont interdépendants et il faut les résoudre ensemble, ce qui a donné naissance à un domaine de recherche très actif depuis les années 1990 : celui de la cartographie et localisation simultanées, désigné par son acronyme anglais SLAM (Simultaneous Localization and Mapping).

Le SLAM a déjà des applications grand-public, notamment avec les robots aspirateurs, dont certains modèles utilisent des caméras ou des télémètres laser pour construire une carte, se localiser et planifier leurs déplacements. Cependant, cela reste un domaine de recherche très actif et des progrès constants sont accomplis pour permettre de fournir des cartes plus précises ou de fonctionner dans des environnements plus grands, plus complexes ou sur des périodes de temps plus longues. Dans le cadre de cet article, nous nous focaliserons sur des applications de robotique de service en environnement intérieur, même si la plupart des concepts et techniques peuvent s’utiliser directement ou s’adapter en milieu extérieur ou à d’autres types d’application tels que les véhicules intelligents. Dans ces contextes cependant, il est en général utile de mettre en œuvre le système GPS qui, s’il n’a pas la précision suffisante pour construire directement une carte de l’environnement, permet néanmoins d’avoir une estimation de position absolue et de limiter la dérive à long terme de la localisation.

Nous présenterons tout d’abord les capteurs et les grands types de cartes utilisés pour le SLAM. Nous détaillerons ensuite les grandes classes d’algorithmes et présenterons rapidement les méthodes les plus courantes de corrélation de données, de filtrage et d’optimisation. Enfin, nous analyserons plusieurs algorithmes déjà exploités dans des applications industrielles, qui partent de méthodes éprouvées et dépendent des types de capteurs disponibles sur le robot, et présenterons les méthodes les plus récentes issues de la recherche. Sans pouvoir développer en détail les différentes méthodes dans le cadre de ce texte, nous souhaitons donner une vue suffisamment large et claire du domaine pour permettre de choisir le type d’approche le mieux adapté en fonction des contraintes d’un projet.

Cet article est réservé aux abonnés.
Il vous reste 92% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

KEYWORDS

optimization   |   Correlation   |   Filtering   |   vision   |   range sensing   |   Mobile Robotics

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-s7785


Cet article fait partie de l’offre

Robotique

(60 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

2. Principaux algorithmes pour le SLAM

2.1 Difficultés de la cartographie

La principale difficulté de la cartographie est de pouvoir intégrer dans une carte en cours de construction de nouveaux éléments avec une position la plus précise possible. Pour cela, il existe trois grandes catégories de méthodes que nous allons détailler dans la suite de cette section.

Un premier ensemble de méthodes permet d’estimer la position de ces nouveaux éléments par rapport aux éléments acquis précédemment à partir d’une corrélation des mesures. Ces méthodes supposent que les perceptions sont suffisamment rapprochées pour qu’elles aient des éléments communs permettant de les recaler entre elles. Leur résultat ne dépend que des perceptions et elles peuvent donc se passer de données proprioceptives, même si ces données sont parfois utiles pour initialiser l’algorithme. Ces méthodes supposent de plus que les perceptions soient suffisantes pour définir la position du robot de manière non ambigüe.

Quand ce n’est pas le cas, par exemple dans le cas du SLAM 3D à partir d’images 2D, il faut utiliser une méthode de filtrage qui permettra d’estimer la position à partir de mesures de son évolution par les données proprioceptives et de corriger cette estimation à partir des perceptions. Cette correction peut se réaliser même si l’information fournie par les perceptions n’est que partielle et ne permet pas d’estimer complètement la position du robot. Les méthodes de filtrage ont, comme les méthodes de corrélation, la capacité à fournir une estimation de la carte après chaque nouvelle donnée proprioceptive ou perception.

Enfin, plutôt que d’intégrer progressivement les mesures par une méthode de filtrage, il est possible d’utiliser une méthode d’optimisation afin d’estimer les positions des éléments qui respectent le mieux les contraintes issues des corrélations de mesures et des données proprioceptives. L’estimation fournie n’est plus incrémentale car elle prend en compte l’ensemble des données acquises par le robot pour fournir la carte la plus vraisemblable. Ces dernières méthodes sont plus complexes mais permettent d’exploiter au mieux toute l’information disponible.

Dans tous les cas, la cartographie d’une zone inconnue introduit toujours des erreurs de position, qui ne peuvent être corrigées que lorsque le robot revisite une zone connue. Ce problème...

Cet article est réservé aux abonnés.
Il vous reste 93% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Robotique

(60 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Principaux algorithmes pour le SLAM
Sommaire
Sommaire

BIBLIOGRAPHIE

  • (1) - EL HAMZAOUI (O.), CORSINO ESPINO (J.), STEUX (B.) -   Autonomous Navigation and Mapping with CoreSLAM  -  Recent Advances in Robotics and Automation (Springer – Verlag) (2012).

  • (2) - GRISETTI (G.), STACHNISS (C.), BURGARD (W.) -   Improved Techniques for Grid Mapping with Rao-Blackwellized Particle Filters  -  IEEE Transactions on Robotics, Volume 23, pages 34-46 (2007).

  • (3) - LU (F.), MILIOS (E.) -   Globally Consistent Range Scan Alignment for Environment Mapping  -  Auton. Robots 4, 4, 333-349 (1997).

  • (4) - KUEMMERLE (R.), GRISETTI (G.), STRASDAT (H.), KONOLIGE (K.), BURGARD (W.) -   g2o : A General Framework for Graph Optimization  -  IEEE International Conference on Robotics and Automation (ICRA) (2011).

  • (5) - JEONG (W.Y.), LEE (K.-M.) -   CV-SLAM : a new ceiling vision-based SLAM technique  -  Intelligent Robots and Systems, 2005. (IROS 2005). 2005 IEEE/RSJ International Conference on, vol., n°, pp. 3195, 3200 (2-6 Aug. 2005).

  • ...

1 Sites Internet

Cyrill Stachniss, Udo Frese, Giorgio Grisetti OpenSLAM

http://www.openslam.org (page consultée le 1er novembre 2013)

Site Internet regroupant des implémentations logicielles de la plupart des techniques décrites dans cet article

Open Source Robotics Foundation Robot Operating System (ROS)

http://www.ros.org (page consultée le 1er novembre 2013)

Outils et bibliothèques pour la robotique incluant notamment plusieurs implémentations de SLAM

HAUT DE PAGE

Cet article est réservé aux abonnés.
Il vous reste 94% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Robotique

(60 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS