Fusion de données multi-capteurs à l'aide d'un réseau bayésien pour l'estimation d'état d'un véhicule
Résumé
This thesis presents a multi-sensor fusion strategy for a novel road-matching based on Bayesian Network. %Localization sensors are generally imperfect and provide only uncertain information. A localization method that seeks to be reliable must use a methodology able to handle uncertain and ambiguous information. An outdoor vehicle equipped with a GPS receiver is faced with a pose-tracking problem since the probability of not having a GPS fix for a long distance is very low, even though the GPS system can be intermittent in urban environments for example. Therefore, the work reported in this thesis concerning the mono-vehicle localization is motivated by the need to build a robust pose tracking system based on road-matching module.\\ Road-matching is a technique that attempts to locate an estimated vehicle position on road network. Many road-matching algorithms have been developed and widely incorporated into GPS/DR vehicle navigation systems for both commercial and experimental ITS applications. However, simply combining GPS and DR cannot provide an accurate vehicle positioning system. In that case, we use the digital map as an observation to improve the reliability of road-matching. \\ In many cases, when a vehicle is in front ambiguous situations (close roads, junction roads...), we try to identify the most likely segment. Inevitably, this identification is closely related to the accuracy of sensors and therefore the identification of the most likely segment remains a real problem. To resolve these ambiguous situations, this work presents a multi-sensor fusion and multi-modal estimation realized using Bayesian Network. The strategy presented in this work doe not keep only the most likely segment. When approaching an intersection, several roads can be good candidates for this reason we manage several hypotheses until the situation becomes unambiguous.\\ Multi-vehicle localisation method presented in this work can be seen like an extension of the method presented above. In the sense that we have duplicate the Bayesian Network used to fuse measurements sensors to localize one vehicle for several ones. Than, we have added vehicles inter-connexion to represent finally the platoon of vehicles in the context of Bayesian Network. This kind of platoon representation for vehicles poses estimations permits additionally to implement control law based on near-to-near approach, which can only be seen as a first step in platoon control design. \\ The use of Extended Kalman Filter has been extensively used for localizing such a vehicle from multi-sensors data fusion. The non-linearity of the vehicle kinematic model gave raise to several extensions of classical Kalman filters such as Extended Kalman Filter and Unscented Kalman Filter. In order to avoid the linearization process, we propose to take advantage of the possibility of transforming the kinematic system in chained form using an appropriate feedback transformation. With the linear form (chained form), an exact inference computation on the Bayesian network can be performed. Real data are used (ABS sensors, a differential GPS receiver and an accurate digital roadmap) to illustrate the performance of our approach.
Cette thèse présente la fusion multi-capteurs par un réseau Bayésien appliqué au problème de localisation d'un véhicule sur une carte. La mise en correspondance d'une estimation sur un segment de route ou Road-matching consiste à trouver le segment sur lequel le véhicule roule et la position de ce véhicule sur ce segment. Plusieurs algorithmes utilisent la fusion des estimations données par l'odométrie et le GPS pour traiter le problème du road-matching. Cependant, une simple combinaison du GPS et de l'odométrie ne permet pas de se localiser de manière précise et sans interruption de service. La précision et la continuité de service peuvent être améliorées si on utilise des informations cartographiques qui permettent en particulier de contraindre les positions possibles aux seuls segments correspondants à des voies de circulation autorisées.\\ Dans de nombreux cas, lorsqu'un véhicule se trouve devant des situations ambiguës comme les routes parallèles, les jonctions de routes,... plusieurs auteurs cherchent à sélectionner le segment le plus probable. Cette phase est souvent une source d'erreurs. Dans cette thèse nous proposons de traiter tous les segments candidats jusqu'à la levée de l'ambiguïté. \\ Le problème de la localisation devient encore plus compliqué quand il s'agit d'une localisation multi-véhicules pour une navigation autonome des véhicules suiveurs. Pour un train de véhicules dont seul le premier est piloté par un opérateur humain et dont les véhicules suiveurs sont en mode autopilotage, une géo-localisation précise d'ordre centimétrique de chaque véhicule est plus que nécessaire pour les modules de contrôle pour le suivi de trajectoire du véhicule de tête. \\ Un train de véhicule peut être vu comme la généralisation du modèle de réseau Bayésien pour la localisation d'un véhicule sur une carte. Nous dupliquons le réseau autant de fois qu'on a de véhicule. Nous rajoutons des liens de connexions entre les véhicules afin de concevoir le train de véhicule.\\ Le filtre de Kalman et sa version étendue sont très utilisés en robotique, principalement pour traiter le problème de la non linéarité. Cependant, la linéarisation du système autour de l'estimée courante peut introduire des erreurs sur la moyenne et la covariance calculées \textit{a posteriori} et peut même dans d'autres cas faire diverger le filtre. \\ La transformation du système non linéaire d'un véhicule sous forme chaînée permet de représenter son équation cinématique sous forme linéaire. Par conséquent, cette transformation nous évite de faire appel aux méthodes d'inférence approximatives.