No description available.

This thesis project is part of an internship at Visual Behavior. The company aims at producing computer vision models for robotics, helping the machine to better understand the world through the camera eye. The image holds many features that deep learning models are able to extract: navigable area, depth inference and object detection. Example of recent advances are the RAFTstereo model [1] to infer or refine depth features from stereo images, or the end-to-end Object detection model DETR [2]. The field of autonomous navigation can then benefit from these advanced features to propose better path planning methods. In particular, to help the deployment of ground robots in human crowded environments, the robots behavior must not only be safe but it must also look smart so as to inspire trust. This thesis proposes a local path planner based on the Dynamic Window Approach [3] using a scoring function inspired from the Velocity Obstacle method [4] so as to benefit from the flexibility of the first and the long-term anticipation of the second. The proposed method can induce a smart behavior by setting the robot on safe tracks from a long time horizon without increasing the time to reach a positional goal, compared to a closer-ranged strategy inspired from the DW4DO method [5]. This improves the robot’s ability to deal with several moving obstacles and to avoid engaging in already occupied corridors. The code produced in this thesis uses ROS and the gazebo simulator and is available in the following git page https://github.com/FloCoic oi/fc_thesis along with the minimal instructions to run the install and get started to quickly run a demo. / Detta examensarbete är en del av en praktik på Visual Behavior. Företaget har som mål att ta fram modeller för datorseende för robotar som hjälper maskinen att bättre förstå världen genom kamerans öga. Bilden innehåller många egenskaper som modeller för djupinlärning kan extrahera: navigerbart område, djupinferens och objektsdetektering. Exempel på nya framsteg är RAFT-stereo-modellen [1] för att härleda eller förfina djupegenskaper från stereobilder, eller ”end-to-end” objektdetektering modellen DETR [2]. Inom området autonom navigering kan man sedan dra nytta av dessa avancerade funktioner för att föreslå bättre metoder för vägplanering. För att underlätta användningen av markrobotar i miljöer med mycket människor måste robotarnas beteende inte bara vara säkert utan också se smart ut så att de väcker förtroende. I den här avhandlingen föreslås en lokal vägplanerare som bygger på Dynamic Window Approach [3] och som använder en poängfunktion inspirerad av Velocity Obstacle metoden [4] för att dra nytta av flexibiliteten hos den första metoden och den långsiktiga förutsebarheten hos den andra. Den föreslagna metoden kan framkalla ett smart beteende genom att sätta roboten på säkra spår på lång sikt utan att öka tiden för att nå ett positionsmål, jämfört med en strategi med närmare avstånd som inspirerats av DW4DOmetoden [5]. Detta förbättrar robotens förmåga att hantera flera rörliga hinder och att undvika att gå in i redan upptagna korridorer. Koden som produceras i denna avhandling använder ROS och gazebosimulatorn och finns tillgänglig på följande git-sida https://github.c om/FloCoicoi/fc_thesis tillsammans med minimala instruktioner för att köra installationen och komma igång för att snabbt köra en demo.