Localisation robuste multi-capteurs et multi-modèles, A robust multisensors and multiple model localisation system

Alexandre Ndjeng Ndjeng

Description

Sous la direction de Didier Aubert
Thèse soutenue le 14 septembre 2009: Evry-Val d'Essonne
De nombreux travaux de recherches sont menés depuis quelques années dans le but de fournir une solution précise et intègre au problème de la localisation de véhicules routiers. Ces recherches sont en majorité fondées sur la théorie probabiliste de l’estimation. Elles utilisent la fusion multi-capteurs et le filtrage de Kalman mono-modèle, au travers de variantes adaptées aux systèmes non linéaires ; l’unique modèle complexe étant supposé décrire toute la dynamique du véhicule. Nous proposons dans cette thèse une approche multi-modèles. Cette étude dérive d’une analyse modulaire de la dynamique du véhicule, c’est-à-dire que l’espace d’évolution est pris comme un espace discret : plusieurs modèles simples et dédiés chacun à une manœuvre particulière sont générés, ce qui améliore la robustesse face aux défauts de modélisation du système. Il s’agit d’une variante de l’algorithme IMM, qui prend en compte l’asynchronisme des capteurs embarqués dans le processus d’estimation de l’état du véhicule. Pour cela, une nouvelle modélisation sous contraintes est développée, ce qui permet de mettre à jour la vraisemblance des modèles intégrés même en l’absence de mesures provenant de capteurs extéroceptifs. Toutefois, la performance d’un tel système nécessite d’utiliser des données capteurs de bonne qualité. Plusieurs opérations sont présentées, illustrant la correction du biais des capteurs, des bruits de mesures ainsi que la prise en compte de l’angle de dévers de la chaussée. La méthodologie développée est validée à travers une comparaison avec les algorithmes de fusion probabilistes EKF, UKF, DD1, DD2 et le filtrage particulaire. Cette comparaison est fondée sur des mesures courantes de précision et de confiance, puis sur l’utilisation de critères statistiques de consistance et de crédibilité, à partir de scénarios synthétiques et ensuite des données réelles.
-Fusion multi-modèles
Many research works have been devoted in the last years in order to provide an accurate and high integrity solution to the problem outdoor vehicles localization. These research efforts are mainly based on the probability estimation theory. They use multi-sensor fusion approach and a single-model based Kalman filtering, through some variants adapted to nonlinear systems. The single complex model that is used is assumed to describe the dynamics of the vehicle. We rather propose a multiple model approach in this thesis. The presented study derives from a modular analysis of the dynamics of the vehicle, ie the evolution of the vehicle is considered as a discrete process, which combines several simple models. Each model is dedicated to a particular manoeuvre of the vehicle. This evolution space discretizing will improves the system robustness to modelling defects. Our approach is a variant of the IMM algorithm, which takes into account the asynchronism of the embedded sensors. In order to achieve this goal, a new system constrained modelling is developed, which allows to update the various models likelihood even in absence of exteroceptive sensors. However, the performance of such a system requires the use of good quality data. Several operations are presented, illustrating the corrections on the sensors bias, measurements noise and taking into account the road bank angle. The developed methodology is validated through a comparison with the probabilistic fusion algorithms EKF, UKF, DD1, DD2 and particle filtering. This comparison is based on measurements of accuracy and confidence, then the use of statistical consistency and credibility measures, from simulation scenarios and then real data.
-Multiple model estimation
Source: http://www.theses.fr/2009EVRY0013/document

Informations

• Publié par: Thesee
• Nombre de lectures: 52
• Langue: Français
• Poids de l'ouvrage: 6 Mo

Extrait

´ Ecole Doctorale SciencesetIng´enierie Departement : Sciences et Technologies ´ de l’Information et de la Communication

N o d’ordre : .......................

` THESE pr´esent´eepourobtenirlegradede:

Docteurdel’Universit´ed’EvryVald’Essonne Mention Traitement du signal et des images par Alexandre NDJENG NDJENG Titredelath`ese:

Localisation robuste multi-capteursetmulti-mode`les Soutenuele14/09/2009devantlacommissiond’examencompose´ede: Patrick RIVES INRIA-Sophia Antipolis Rapporteur Roland CHAPUIS LASMEA - Univ. B.P. de Clermont Ferrand Rapporteur Vincent NIMIER ONERA-ChˆatillonExaminateur Fawzi NASHASHIBI ENSMP - Paris Examinateur Denis GINGRAS IMSI-Universite´deSherbrookeExaminateur Dominique GRUYER INRETS/LIVIC-Versailles Co-encadrant Se´bastienGLASER LCPC/LIVIC-Versailles Co-encadrant Didier AUBERT INRETS-LIVIC-VersaillesDirecteurdeth`ese L aboratoire sur les I nteractions V ´ehicule-I nfrastructures-C onducteur UM LCPC

A

mon

P`ere,

` a

ma

Me`re

et

Marthe

Aline

Remerciements

Aumomento`ujere´digecettepartie,lareconnaissanceprendenmoitoutsonsens de sentiment le plus profond de la nature humaine. En effet, je ne saurai jamais remer- cierasseztousceuxqui,depr`esoudeloin,m’ontaccompagn´edanscelongetdifficile, mais passionnant parcours du doctorat. Mon encadrement, ma famille et mes amis, m’ont constammentencourag´e,soutenuetrendul’espoirdecontinuerlorsquej’enperdaisla capacite´.Surtout,ilsontsupport´eetsansrancoeurmeshumeurs,toutenser´ejouissant detousmessucce`s.Pourleurg´en´erosit´e,leurpatienceetleursconseilssages,jeleurdois toutemareconnaissance.Lalistedespersonnesquejevoudraisremercieresttr`eslongue pourlesquelqueslignesdontjedispose.Deplusmonhabilete´a`manierlesmotsesttrop faiblepourpouvoirexprimertoutemagratitude.Toutefoisjetiensa`exprimermarecon- naissance :

–auLaboratoiresurlesInteractionsV´ehicule-Infrastructures-Conducteur(LIVIC)et l’e´coledoctoraleScience&Ing´enieriedel’universite´d’EvryVald’Essonne,pour avoirrendupossiblel’accomplissementdecegrandreˆvequefutpourmoiledocto- rat ;

– a` M. Didier Aubert, directeur de recherche au LIVIC, M. Dominique Gruyer et M. S´ebastienGlaser,tousdeuxcharg´esderechercheauLIVIC,pourm’avoirencadr´e durantcestroisdernie`resanne´es;leurguideetleurdisponibilit´eonte´t´etr`eseffi- caces,mepermettantde´velopperunegrandeautonomie;

–a`M.PatrickRives,directeurderecherchea`l’INRIAetM.RolandChapuis,Pro- fesseur`al’universit´eBlaisePascal,pourl’attentionqu’ilsontporte´ea`cetravail,en mefaisantl’honneurd’ˆetremesrapporteursdeth`ese;

–a`M.DenisGringras,professeura`l’Universit´edeSherbrooke,M.FawziNashashibi, ing´enieurderecherchea`l’ENSMPetM.VincentNimier,ing´enieurderecherch` e a l’ONERA,pouravoiraccepte´departiciperaujury,etpourleurcritiquesconstruc- tives sur mon manuscrit et son contenu ;

i

Remerciements

–aM.Sa ¨ ıdMammar,Professeura`l’Universite´d’Evry-Vald’Essonne,pourl’int´erˆet ` qu’ilamanifeste´pourcetteth`eseetsesexcellentessuggestions;

– `a tout le personnel du LIVIC pour les discussions et les remarques utiles sur mon travail, et en particulier M. Jacques Erlich, directeur du laboratoire ;

–a`M.AlainLambert,enseignant-chercheura`l’universit´edeParisXIOrsay,pourses pre´cieuxconseils,etpourm’avoirfaitgagnerenconfiancequant`anotreraisonne- ment ;

– `a ma famille : Jean-Pierre, Esther, Ruben, Marcelline, Pierre, Pierre Loti, Chantale, Maximilien, Anicet, Victorien, pour ce que j’ai de plus cher : l’amour qu’elle ne se lassedemete´moignerquoiques´epar´espardesmilliersdekilome`tres;

–a`GraˆceAdeline,poursonsoutieninconditionnel,etsagrandecapacit´`ered e a m on- nerespoirlorsquejesuisauborddud´ecouragement; Atoutescespersonneseta`beaucoupd’autres,dontlesnomsnefigurentpassurcette liste restreinte, un grand merci.

ii

Table des mati` eres

Remerciements ii Tabledesmatie`resiv Table des figures xi Re´sume´1 1 Introductionge´n´erale3 1.1ContexteG´ene´rale...............................3 1.2Moduledelocalisationpourl’aidea`laconduite...............5 1.3Situationdanslecontexteetplandelathe`se.................6 2 Lalocalisationdev´ehiculesroutiers:e´tatdel’art9 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.2Syste`mesdepositionnementparsatellites...................9 2.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.2.2Descriptiondessyst`emesdepositionnementparsatellites......10 2.2.2.1 GPS NAVSTAR . . . . . . . . . . . . . . . . . . . . . . . 10 2.2.2.2 GLONASS . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.2.2.3 GALILEO . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2.3 Principe du positionnement par satellites . . . . . . . . . . . . . . . 11 2.2.3.1 Positionnement absolu par satellites . . . . . . . . . . . . 11 2.2.3.2 Positionnement relatif par satellites . . . . . . . . . . . . . 12 2.2.3.3 Positionnement par mesure de phase . . . . . . . . . . . . 12 2.2.4Erreursdusyste`meGPS........................13 2.2.4.1Erreursdues`alage´ome´triedessatellites..........13 2.2.4.2Erreursdues`alar´efractiondansl’atmosphe`re.......14 2.2.4.3 Erreurs dues aux trajets multiples . . . . . . . . . . . . . 15

v

Tabledesmati`eres

3

Tabledesmatie`res

2.2.5Syst`emesSBASetGNSS........................15 2.3Localisationa`basedecapteursproprioceptifs................16 2.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.2 La localisation inertielle . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.2.2 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.2.3Repe`resetcoordonne´es...................18 2.3.2.4 Capteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3.2.5Avantagesetinconve´nients.................23 2.3.3L’odom´etrie...............................24 2.3.3.1De´finitionetprincipe.....................24 2.3.3.2Mode`leodome´triquedetypetricycleduve´hiculeroutier.24 2.3.3.3Avantagesetinconv´enientsdel’odome´trie.........25 2.4 Approches d’hybridation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.5 Algorithmes de fusion pour la localisation hybride . . . . . . . . . . . . . . 27 2.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.5.2 Le filtrage de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.5.2.1Pr´esentation.........................27 2.5.2.2 Implantation . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.5.2.3 Remarques et conclusion . . . . . . . . . . . . . . . . . . . 29 2.5.3FiltredeKalmane´tendu........................29 2.5.3.1Pre´sentation.........................29 2.5.3.2 Implantation . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.5.3.3 Remarques et conclusion . . . . . . . . . . . . . . . . . . . 30 2.5.4 Filtre de Kalman inodore (UKF) . . . . . . . . . . . . . . . . . . . 31 2.5.4.1 Fondement . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.5.4.2 Implantation . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.5.4.3 Remarque et conclusion . . . . . . . . . . . . . . . . . . . 32 2.5.5 Filtre DD1 & DD2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.5.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.5.5.2 L’interpolation de Stirling . . . . . . . . . . . . . . . . . . 34 2.5.5.3 Implantation . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.5.5.4 Remarques et conclusion . . . . . . . . . . . . . . . . . . . 36 2.5.6Filtrea`particules............................36 2.5.6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.5.6.2 Implantation . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.5.6.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

Fusionhybridemulti-mod`eles39 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2Estimationmulti-mod`eles...........................40 3.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.2.2Positionduproble`meetformulationdel’approche..........41 3.2.3Me´thodesd’estimationmulti-mod`eles.................42 3.2.3.1Estimationmulti-mod`elesparcommutation........42 3.2.3.2Estimationpard´etectionmulti-mod`eles..........44 3.2.3.3Estimationparfusiondemode`les..............44

vi

Tabledesmatie`res

Tabledesmati`eres

3.2.3.4Estimationpartestmulti-hypothe`ses............47 3.3 Structure de l’algorithme IMM . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.3.2 Formulation et implantation . . . . . . . . . . . . . . . . . . . . . . 49 3.3.2.1 L’interaction : . . . . . . . . . . . . . . . . . . . . . . . . . 50 3.3.2.2 Le filt ´ ifique : . . . . . . . . . . . . . . . . . . . . 51 rage spec 3.3.2.3Lecalculdesvraisemblancesetmisea`jourdesprobabilite´s:51 3.3.2.4L’estimationd’´etatglobalouFusion:............51 3.3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.4 Application de l’IMM en localisation . . . . . . . . . . . . . . . . . . . . . 52 3.4.1Mod`elescin´ematiquesduve´hiculeroutier...............52 3.4.1.1Syste`mesa`tempscontinu..................52 3.4.1.2Syst`emes`atempsdiscret..................55 3.4.1.3De´rivationdelamatricedebruitsyst`eme.........55 3.4.1.4Expressiondesmod`elesd’´evolution.............56 3.4.2Crit`eresd’activationdesmod`eles...................61 3.4.2.1Zonesd’activationsdesmode`les...............61 3.4.2.2D´etectiondelamarchearri`ere................61 3.4.2.3Expressiondelavariancedesmode`les...........63 3.4.2.4 Matrice de transition de Markov . . . . . . . . . . . . . . 64 3.4.3Mode`ledemesure............................65 3.4.4R´esultatsexp´erimentaux........................65 3.4.4.1Sce´nario1:cerclepur....................66 3.4.4.2Sce´nario2:Lignedroite,Stop&Goetmarchearri`ere...69 3.4.4.3Sce´nario3:aller-retour-allersurpistere´elle........71 3.4.5 Limites de l’approche IMM classique en localisation . . . . . . . . . 74 3.4.5.1Sce´nario4:manoeuvresdeparking.............74 3.4.5.2Sce´nario5:MasquageduGPS...............77 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 4 Nouvelleapprochedemisea`jourdesvraisem- blances dans l’IMM 81 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 4.2Mod´elisationdusyste`me............................82 4.2.1Modesetmode`lesd’e´volution.....................83 4.2.2Mod`elesdecomportementsdecapteursproprioceptifs........83 4.2.2.1Sous-mod`elesdecomportementcentr´esen0: d 0 = 0 . . . 85 4.2.2.2Sous-mode`lesdecomportementpour | d m | ≈ 0 . . . . . . . 85 4.2.2.3Sous-mod`elesdecomportementpour | d m | >> 0 . . . . . . 86 4.2.3Influenceduparam`etre α . . . . . . . . . . . . . . . . . . . . . . . . 87 4.2.4Repr´esentationd’´etatdesmod`elescontraints.............90 4.3 Calcul des vraisemblances . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 4.3.1Lesmod`elesdemesure.........................94 4.3.2Vraisemblancesdesmode`lesd’e´volutioncontraints..........95 4.3.3Strate´giedefusion...........................99 4.4Applicationa`lalocalisation..........................103 4.4.1Sc´enario4:manoeuvresdeparkingavecdescapteursasynchrones.104

vii