Le développement de véhicules autonomes capables de se déplacer sur les routes urbaines peuvent fournir des avantages importants en matière de réduction des accidents, en augmentant le confort et aussi, permettant des réductions de coûts. Les véhicules Intelligents par exemple fondent souvent leurs décisions sur les observations obtenues à partir de différents capteurs tels que les LIDAR, les GPS et les Caméras. En fait, les capteurs de la caméra ont reçu grande attention en raison du fait de qu’ils ne sont pas cher, facile à utiliser et fournissent des données avec de riches informations. Les environnements urbains représentent des scénarios intéressant mais aussi très difficile dans ce contexte, où le tracé de la route peut être très complexe,la présence d’objets tels que des arbres, des vélos, des voitures peuvent générer des observations partielles et aussi ces observations sont souvent bruyants ou même manquant en raison de occlusions complètes. Donc, le processus de perception par nature doit être capable de traiter des incertitudes dans la connaissance du monde autour de la voiture. Tandis que la navigation routière et la conduite autonome en utilisant une connaissance préalable de l’environnement ont démontré avec succès, la compréhension et la navigation des scénarios généraux du environnement urbain avec peu de connaissances reste un problème non résolu. Dans cette thèse, on analyse ce problème de perception pour la conduite dans les milieux urbains basée sur la connaissance de l’environnement pour aussi prendre des décisions dans la navigation autonome. Il est conçu un système de perception robotique, qui permettre aux voitures de se conduire sur les routes, sans la nécessité d’adapter l’infrastructure, sans exiger l’apprentissage précédente de l’environnement, et en tenant en compte la présence d’objets dynamiques tels que les voitures.On propose un nouveau procédé basé sur l’apprentissage par la machine pour extraire le contexte sémantique en utilisant une paire d’images stéréo qui est fusionnée dans une grille d’occupation évidentielle pour modéliser les incertitudes d’un environnement urbain inconnu,en utilisant la théorie de Dempster-Shafer. Pour prendre des décisions dans la planification des chemins, il est appliqué l’approche de tentacule virtuel pour générer les possibles chemins à partir du centre de référence de la voiture et sur cette base, deux nouvelles stratégies sont proposées. Première, une nouvelle stratégie pour sélectionner le chemin correct pour mieux éviter les obstacles et de suivre la tâche locale dans le contexte de la navigation hybride, et seconde, un nouveau contrôle en boucle fermée basé sur l’odométrie visuelle et tentacule virtuel est modélisée pour l’exécution du suivi de chemin. Finalement, un système complet automobile intégrant les modules de perception, de planification et de contrôle sont mis en place et validé expérimentalement dans des situations réelles en utilisant une voiture autonome expérimentale, où les résultats montrent que l’approche développée effectue avec succès une navigation locale fiable basée sur des capteurs de la caméra. / The development of autonomous vehicles capable of getting around on urban roads can provide important benefits in reducing accidents, in increasing life comfort and also in providing cost savings. Intelligent vehicles for example often base their decisions on observations obtained from various sensors such as LIDAR, GPS and Cameras. Actually, camera sensors have been receiving large attention due to they are cheap, easy to employ and provide rich data information. Inner-city environments represent an interesting but also very challenging scenario in this context,where the road layout may be very complex, the presence of objects such as trees, bicycles,cars might generate partial observations and also these observations are often noisy or even missing due to heavy occlusions. Thus, perception process by nature needs to be able to dea lwith uncertainties in the knowledge of the world around the car. While highway navigation and autonomous driving using a prior knowledge of the environment have been demonstrating successfully,understanding and navigating general inner-city scenarios with little prior knowledge remains an unsolved problem. In this thesis, this perception problem is analyzed for driving in the inner-city environments associated with the capacity to perform a safe displacement basedon decision-making process in autonomous navigation. It is designed a perception system that allows robotic-cars to drive autonomously on roads, with out the need to adapt the infrastructure,without requiring previous knowledge of the environment and considering the presenceof dynamic objects such as cars. It is proposed a novel method based on machine learning to extract the semantic context using a pair of stereo images, which is merged in an evidential grid to model the uncertainties of an unknown urban environment, applying the Dempster-Shafer theory. To make decisions in path-planning, it is applied the virtual tentacle approach to generate possible paths starting from ego-referenced car and based on it, two news strategies are proposed. First one, a new strategy to select the correct path to better avoid obstacles and tofollow the local task in the context of hybrid navigation, and second, a new closed loop control based on visual odometry and virtual tentacle is modeled to path-following execution. Finally, a complete automotive system integrating the perception, path-planning and control modules are implemented and experimentally validated in real situations using an experimental autonomous car, where the results show that the developed approach successfully performs a safe local navigation based on camera sensors.
| Identifer | oai:union.ndltd.org:theses.fr/2014COMP2155 |
| Date | 26 September 2014 |
| Creators | Bernardes Vitor, Giovani |
| Contributors | Compiègne, Vaqueiro Ferreira, Janito, Corrêa Victorino, Alessandro |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0022 seconds