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’articleAuteur(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.
DOI (Digital Object Identifier)
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
Présentation
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
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).
-
...
ANNEXES
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 PAGECet 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