Return to search

Autolocalisation d'un véhicule de transport collectif dans un environnement urbain à partir de données télémétriques

Titre de l'écran-titre (visionné le 5 septembre 2023) / Ce mémoire porte sur la localisation d'un véhicule de transport collectif dans un milieu urbain. L'approche proposée se fait en 2 phases : une phase de construction de la carte globale du trajet d'intérêt et une phase de localisation. Lors de la phase de construction de la carte, la carte est construite à partir des données de localisation de vérité terrain et de keypoints Intrinsic Shape Signature extraits des nuages de points locaux obtenus à l'aide d'un LiDAR monté sur le véhicule. Les keypoints sont mis en registre avec la méthode du plus proche voisin pour construire la carte. Lors de la phase de localisation, les données récoltées sont les données d'odométrie et les nuages de points obtenus par un LiDAR. Pour localiser le véhicule, on exploite un filtre à particules. Dans un premier temps, les keypoints Intrinsic Shape Signature sont extraits du nuage de points. Ensuite, les particules sont déplacées selon les mesures d'odométrie. Ensuite, l'algorithme Iterative Closest Point avec une erreur point à point sur les keypoints est appliqué sur chaque particule pour raffiner la pose de celles-ci. Puis le poids de chaque particule est mis à jour avec un calcul d'erreur basé sur les plus proches voisins entre la carte et les keypoints du scan local. Finalement, la pose du véhicule est estimée par un moyenne pondérée des 10% des particules ayant les poids les plus élevés. La méthode proposée est validée expérimentalement sur 2 sessions du jeu de données North Campus Long-Term. Ce jeu de données est récolté sur le campus de l'Université du Michigan en 27 sessions étalées sur 15 mois. Les résultats obtenus démontrent une erreur de 0.106 m et de 0.229 m pour les sessions "2012-01-08" et "2012-08-04". / This thesis is about the localization of a collective transportation vehicle in an urban setting. The proposed approach is done in two stages: a mapping stage and a localization stage. During the mapping stage, the map is built from ground truth pose data and from Intrinsic Shape Signature keypoints extracted from a point cloud obtained with a LiDAR mounted on the vehicle. The keypoints are registered with the closest neighbors method to build the map. During the localization stage, the data used are odometry measure and point cloud obtained with a LiDAR. To locate the vehicle, we make use of a particle filter. First, we extract the keypoints from the local scan. Then, the particles are moved based on the odometry measurements. Then, the Iterative Closest Point algorithm with a point to point error on the keypoints is applied to each particle to refine its pose. The particle's weight is updated with an error based on the nearest neighbours between the map and the keypoints from local scan. Finally, the vehicle's pose is estimated by a weighted mean of the 10% of the particles with the greater weights. The proposed method is validated on 2 sessions from the dataset North Campus Long-Term. This dataset was taken on the campus of University of Michigan on 27 sessions over the course of 15 months. The results show an error of 0.106 m and of 0.229 m on the sessions "2012-01-08" and "2012-08-04".

Identiferoai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/124288
Date25 March 2024
CreatorsLe Houx, Geneviève
ContributorsLaurendeau, Denis, Yaddaden, Yacine
Source SetsUniversité Laval
LanguageFrench
Detected LanguageFrench
TypeCOAR1_1::Texte::Thèse::Mémoire de maîtrise
Format1 ressource en ligne (ix, 46 pages), application/pdf
Rightshttp://purl.org/coar/access_right/c_abf2

Page generated in 0.0023 seconds