De nombreux travaux de recherches sont menés depuis quelques années dans le but de fournir une solution précise et intègre au problème de la localisation de véhicules routiers. Ces recherches sont en majorité fondées sur la théorie probabiliste de l’estimation. Elles utilisent la fusion multi-capteurs et le filtrage de Kalman mono-modèle, au travers de variantes adaptées aux systèmes non linéaires ; l’unique modèle complexe étant supposé décrire toute la dynamique du véhicule. Nous proposons dans cette thèse une approche multi-modèles. Cette étude dérive d’une analyse modulaire de la dynamique du véhicule, c’est-à-dire que l’espace d’évolution est pris comme un espace discret : plusieurs modèles simples et dédiés chacun à une manœuvre particulière sont générés, ce qui améliore la robustesse face aux défauts de modélisation du système. Il s’agit d’une variante de l’algorithme IMM, qui prend en compte l’asynchronisme des capteurs embarqués dans le processus d’estimation de l’état du véhicule. Pour cela, une nouvelle modélisation sous contraintes est développée, ce qui permet de mettre à jour la vraisemblance des modèles intégrés même en l’absence de mesures provenant de capteurs extéroceptifs. Toutefois, la performance d’un tel système nécessite d’utiliser des données capteurs de bonne qualité. Plusieurs opérations sont présentées, illustrant la correction du biais des capteurs, des bruits de mesures ainsi que la prise en compte de l’angle de dévers de la chaussée. La méthodologie développée est validée à travers une comparaison avec les algorithmes de fusion probabilistes EKF, UKF, DD1, DD2 et le filtrage particulaire. Cette comparaison est fondée sur des mesures courantes de précision et de confiance, puis sur l’utilisation de critères statistiques de consistance et de crédibilité, à partir de scénarios synthétiques et ensuite des données réelles. / Many research works have been devoted in the last years in order to provide an accurate and high integrity solution to the problem outdoor vehicles localization. These research efforts are mainly based on the probability estimation theory. They use multi-sensor fusion approach and a single-model based Kalman filtering, through some variants adapted to nonlinear systems. The single complex model that is used is assumed to describe the dynamics of the vehicle. We rather propose a multiple model approach in this thesis. The presented study derives from a modular analysis of the dynamics of the vehicle, ie the evolution of the vehicle is considered as a discrete process, which combines several simple models. Each model is dedicated to a particular manoeuvre of the vehicle. This evolution space discretizing will improves the system robustness to modelling defects. Our approach is a variant of the IMM algorithm, which takes into account the asynchronism of the embedded sensors. In order to achieve this goal, a new system constrained modelling is developed, which allows to update the various models likelihood even in absence of exteroceptive sensors. However, the performance of such a system requires the use of good quality data. Several operations are presented, illustrating the corrections on the sensors bias, measurements noise and taking into account the road bank angle. The developed methodology is validated through a comparison with the probabilistic fusion algorithms EKF, UKF, DD1, DD2 and particle filtering. This comparison is based on measurements of accuracy and confidence, then the use of statistical consistency and credibility measures, from simulation scenarios and then real data.
| Identifer | oai:union.ndltd.org:theses.fr/2009EVRY0013 |
| Date | 14 September 2009 |
| Creators | Ndjeng Ndjeng, Alexandre |
| Contributors | Evry-Val d'Essonne, Aubert, Didier |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text, Image, StillImage |
Page generated in 0.0014 seconds