La reconnaissance du terrain est essentielle pour la mobilité autonome. La forêt boréale étant un des plus grands biomes terrestres de la planète, il est attendu que les véhicules autonomes soient capables de manœuvrer dans les conditions difficiles d'un environnement forestier. Cela induit un besoin de considérer la reconnaissance de terrains qui la caractérisent. Ce mémoire aborde la problématique de l'analyse de terrains, dont ceux de la forêt boréale, à partir de données de capteurs proprioceptifs à travers des approches théoriques et empiriques. Les capteurs proprioceptifs ont l'avantage de fournir des informations directes sur les caractéristiques physiques d'un sol, via les effets de ces derniers sur la dynamique d'un véhicule terrestre sans pilotes (en anglais, UGV). Dans le Chapitre 3, nous détaillons une méthode pour caractériser les terrains en exploitant les modèles de puissance des véhicules mobiles à roues non directionnelles (en anglais, SSMR) à partir des données d'un véhicule Warthog. Le 4 présente les résultats de l'utilisation de classificateurs basés sur l'apprentissage automatique pour déduire le terrain à partir des données acquises avec un véhicule Husky. Le 5 introduit l'ensemble de données BorealTC et démontre l'utilisation de deux modèles de classification basés sur l'apprentissage profond, un réseau de neurones convolutifs (CNN) et Mamba, pour classifier des terrains à partir de données de capteurs proprioceptifs. Ce chapitre est adapté d'un article soumis à l'édition 2024 de la conférence IEEE International Conference on Intelligent Robotsand Systems (IROS). Enfin, nous discutons des résultats et des limites de chaque approche, tout en proposant quelques pistes de réflexion à explorer pour une caractérisation autonome et en temps réel du terrain. / Terrain awareness is key for autonomous mobility. As autonomous vehicles are expected tobe deployed in complex environments, such as boreal forests, terrainawareness should bestudied for a variety of environments. This thesis tackles the problem of terrain analysisfrom proprioceptive sensor data through theoretical and empirical approaches. Proprioceptive sensors have the benefit of providing direct information about the physical characteristics of a surface, through their effect on the dynamics of a Uncrewed Ground Vehicle (UGV).In Chapter 3, we detail a method to characterize terrains by leveraging skid-steering mobilerobot (SSMR) power models with data from a Warthog UGV. Chapter 4 presents the results of using Machine Learning (ML) classifiers to infer the terrain from Husky data. Chapter 5 introduces the BorealTC dataset and demonstrates the use of two Deep Learning (DL) classifiers, a Convolutional Neural Network (CNN) and Mamba, for proprioceptive-based terrainclassification (TC). This chapter is adapted from a paper submitted to the 2024 IEEE Inter-national Conference on Intelligent Robots and Systems (IROS). Lastly, we discuss the resultsand limits of each approach, by providing some leads to explore for autonomous online terrain characterization
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/147024 |
| Date | 17 July 2024 |
| Creators | Larocque, Damien |
| Contributors | Pomerleau, François, Giguère, Philippe |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | COAR1_1::Texte::Thèse::Mémoire de maîtrise |
| Format | 1 ressource en ligne (xviii, 93 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0052 seconds