Ce mémoire présente une analyse des performances d'algorithmes de pistage dans le cas d'un lidar à faible résolution angulaire. Plus particulièrement, on s'intéresse à un système lidar composé de capteurs individuels couvrant chacun une région angulaire distincte. Les capteurs utilisés ont la particularité de mesurer uniquement la distance des objets rencontrés, limitant ainsi la résolution angulaire à leur faisceau. Les algorithmes ont été testés à l'aide de données de simulations basées sur le système lidar. Dans les cas de détections simples, un algorithme de pistage instantané basé sur un filtre de Kalman a été amplement suffisant. Pour des cas plus complexes, l'utilisation de la théorie des hypothèses multiples ( MHT pour multiple hypothesis theory ) a permis d'améliorer les résultats d'associations. Dans cette méthode, lorsqu'il y a une ambiguïté d'associations, les hypothèses probables sont considérées en parallèle jusqu'à ce que l'information reçue aux instants subséquents permette d'identifier l'association la plus probable. Pour le cas à l'étude, les résultats optimaux ont été obtenus pour un MHT considérant au plus 3 hypothèses à chaque instant et en attendant au plus 3 pas de temps pour prendre une décision. Globalement, les algorithmes présentés ont mieux réagi face aux fausses alarmes plutôt que face aux non détections. Une méthode permettant d'optimiser les temps de calcul des algorithmes a également été développée. Cette méthode se base sur l'algorithme de Murty et permet de passer d'une méthode d'association simple et rapide (ici l'algorithme d'associations par plus proches voisins)à une méthode d'associations plus complexe (ici par filtre de Kalman) seulement lorsqu'une ambiguïté est détectée dans l'association. Dans le cas d'une situation simple à deux cibles, des performances comparables à celle d'une association par filtre de Kalman ont été obtenues avec un temps de calcul de moins de 10% de celui nécessaire habituellement. / This thesis presents an analysis of the performance of tracking algorithms in the case of a lidar with low angular resolution. More particularly, we are interested in a lidar system composed of individual sensors each covering a distinct angular region. The sensors used have the particularity of measuring only the distance of the objects encountered, thus limiting the angular resolution to their beam. The algorithms were tested using simulation data based on the lidar system. In the case of simple detections, an instant tracking algorithm based on a Kalman filter was more than sufficient. For more complex cases, the use of multiple hypothesis theory (MHT) made it possible to improve tracking results. In this method, when there is an ambiguity in the tracking, the possible hypotheses are considered simultaneously until the information received at subsequent times makes it possible to identify the correct one. For the case under study, optimal results were obtained for an MHT considering at most 3 hypotheses at any time and waiting at most 3 time steps to make a decision. Overall, the algorithms presented reacted better to false alarms rather than to non-detections. A method for optimizing the calculation times of the algorithms has also been developed. This method is based on Murty's algorithm goes from a simple and fast tracking method (here by nearest neighbors) to a more complex association method (here using a Kalman lter) only when an ambiguity is detected. In the case of a simple situation with two targets, performances comparable to that of an association by Kalman filter were obtained with a calculation time of less than 10% of that usually required.

Ce mémoire présente une analyse des performances d'algorithmes de pistage dans le cas d'un lidar à faible résolution angulaire. Plus particulièrement, on s'intéresse à un système lidar composé de capteurs individuels couvrant chacun une région angulaire distincte. Les capteurs utilisés ont la particularité de mesurer uniquement la distance des objets rencontrés, limitant ainsi la résolution angulaire à leur faisceau. Les algorithmes ont été testés à l'aide de données de simulations basées sur le système lidar. Dans les cas de détections simples, un algorithme de pistage instantané basé sur un filtre de Kalman a été amplement suffisant. Pour des cas plus complexes, l'utilisation de la théorie des hypothèses multiples ( MHT pour multiple hypothesis theory ) a permis d'améliorer les résultats d'associations. Dans cette méthode, lorsqu'il y a une ambiguïté d'associations, les hypothèses probables sont considérées en parallèle jusqu'à ce que l'information reçue aux instants subséquents permette d'identifier l'association la plus probable. Pour le cas à l'étude, les résultats optimaux ont été obtenus pour un MHT considérant au plus 3 hypothèses à chaque instant et en attendant au plus 3 pas de temps pour prendre une décision. Globalement, les algorithmes présentés ont mieux réagi face aux fausses alarmes plutôt que face aux non détections. Une méthode permettant d'optimiser les temps de calcul des algorithmes a également été développée. Cette méthode se base sur l'algorithme de Murty et permet de passer d'une méthode d'association simple et rapide (ici l'algorithme d'associations par plus proches voisins)à une méthode d'associations plus complexe (ici par filtre de Kalman) seulement lorsqu'une ambiguïté est détectée dans l'association. Dans le cas d'une situation simple à deux cibles, des performances comparables à celle d'une association par filtre de Kalman ont été obtenues avec un temps de calcul de moins de 10% de celui nécessaire habituellement. / This thesis presents an analysis of the performance of tracking algorithms in the case of a lidar with low angular resolution. More particularly, we are interested in a lidar system composed of individual sensors each covering a distinct angular region. The sensors used have the particularity of measuring only the distance of the objects encountered, thus limiting the angular resolution to their beam. The algorithms were tested using simulation data based on the lidar system. In the case of simple detections, an instant tracking algorithm based on a Kalman filter was more than sufficient. For more complex cases, the use of multiple hypothesis theory (MHT) made it possible to improve tracking results. In this method, when there is an ambiguity in the tracking, the possible hypotheses are considered simultaneously until the information received at subsequent times makes it possible to identify the correct one. For the case under study, optimal results were obtained for an MHT considering at most 3 hypotheses at any time and waiting at most 3 time steps to make a decision. Overall, the algorithms presented reacted better to false alarms rather than to non-detections. A method for optimizing the calculation times of the algorithms has also been developed. This method is based on Murty's algorithm goes from a simple and fast tracking method (here by nearest neighbors) to a more complex association method (here using a Kalman lter) only when an ambiguity is detected. In the case of a simple situation with two targets, performances comparable to that of an association by Kalman filter were obtained with a calculation time of less than 10% of that usually required.

Actuellement, les méthodes de suivi d’objet utilisent majoritairement un capteur conventionnel doté d’une fréquence de capture limitée, par exemple : une caméra couleur RGB ou un capteur RGB-D qui fournit également la profondeur à chaque pixel. Ceux-ci ne sont pas idéaux lorsque l’objet se déplace à grande vitesse car des images floues sont produites. Augmenter la fréquence de capture est la solution naïve, mais cela a comme effet d’augmenter le nombre de données capturées et la complexité d’exécution des algorithmes. Ceci cause particulièrement problème dans un contexte de réalité augmentée qui utilise des systèmes embarqués ou mobiles qui ont des capacités de calcul limitées. D’un autre côté, la popularité des capteurs événementiels, qui mesurent les variations d’intensité dans la scène, est en augmentation dû à leur faible puissance d’utilisation, leur faible latence, leur capacité d’acquisition à grande vitesse et le fait qu’ils minimisent le nombre de données capturées. Ce mémoire présente donc une méthode d’apprentissage profond de suivi d’objet à grande vitesse en six degrés de liberté en combinant deux capteurs distincts, soit un capteur RGBD et une caméra événementielle. Pour permettre l’utilisation des capteurs conjointement, une méthode de calibration temporelle et spatiale est détaillée afin de mettre en registre les images capturées par les deux caméras. Par la suite, une méthode d’apprentissage profond de suivi d’objet est présentée. Celle-ci utilise uniquement des données synthétiques à l’entrainement et utilise les deux capteurs pour améliorer les performances de suivi d’objet en 6DOF, surtout dans les scénarios à grande vitesse. Pour terminer, un jeu de données RGB-D-E est capturé et annoté à la position réelle pour chaque trame. Ce jeu de données est accessible publiquement et peut être utilisé pour quantifier les performances de méthodes futures.

Actuellement, les méthodes de suivi d'objet utilisent majoritairement un capteur conventionnel doté d'une fréquence de capture limitée, par exemple : une caméra couleur RGB ou un capteur RGB-D qui fournit également la profondeur à chaque pixel. Ceux-ci ne sont pas idéaux lorsque l'objet se déplace à grande vitesse car des images floues sont produites. Augmenter la fréquence de capture est la solution naïve, mais cela a comme effet d'augmenter le nombre de données capturées et la complexité d'exécution des algorithmes. Ceci cause particulièrement problème dans un contexte de réalité augmentée qui utilise des systèmes embarqués ou mobiles qui ont des capacités de calcul limitées. D'un autre côté, la popularité des capteurs événementiels, qui mesurent les variations d'intensité dans la scène, est en augmentation dû à leur faible puissance d'utilisation, leur faible latence, leur capacité d'acquisition à grande vitesse et le fait qu'ils minimisent le nombre de données capturées. Ce mémoire présente donc une méthode d'apprentissage profond de suivi d'objet à grande vitesse en six degrés de liberté en combinant deux capteurs distincts, soit un capteur RGB-D et une caméra événementielle. Pour permettre l'utilisation des capteurs conjointement, une méthode de calibration temporelle et spatiale est détaillée afin de mettre en registre les images capturées par les deux caméras. Par la suite, une méthode d'apprentissage profond de suivi d'objet est présentée. Celle-ci utilise uniquement des données synthétiques à l'entrainement et utilise les deux capteurs pour améliorer les performances de suivi d'objet en 6DOF, surtout dans les scénarios à grande vitesse. Pour terminer, un jeu de données RGB-D-E est capturé et annoté à la position réelle pour chaque trame. Ce jeu de données est accessible publiquement et peut être utilisé pour quantifier les performances de méthodes futures.