Contribution à la modélisation d'environnements par vision monoculaire dans un contexte de robotique aéro-terrestre
Résumé
This thesis mainly deal with planar areas detection from monocular images and low-budget sensors. These works allow safe landing area detection for UAV and ground/air coopération with traversability maps fusion. In using homographies' properties, we segment the regions of images that are the projections of a plane surface. An extensive study has been made on robust linear estimators in a context of homography estimation from matched points. Synthesis datas were used in order to highlight the influence of the parameters of the environment on the quality of estimated homographies. These results were confronted thereafter with real data. These techniques allow the segmentation of matched points belonging to a plane zone. In order to produce a dense description (continues) of planar zones, we proposed an improvement of the Zero-mean Normal Cross Correlation score. By considering an adaptive model of the influence of the luminosity variances on the scores of correlation, we introduced an automatic segmentation method of planar zones which offer good results. The introduction of probabilistic models enabled us to fuze iteratively the observations, and to build local grids which represent the probability of flatness on zones. Finally with the aim of the co-operation between air and terrestrial robots, we extended this work to the context of terrestrial robotics and the fusion of aéro-terrestrial models.
Les travaux de cette thèse s'articulent principalement autour de la détection de surfaces planes à partir de séquences d'images faiblement calibrées. La détection de telles surfaces offre des possibilités pour l'atterrissage autonome de drones, la coopération air/sol par la fusion de modèles de traversabilité ou encore la cartographie aérienne. Considérant d'abord le contexte d'images aériennes faiblement localisées (GPS métrique, centrale inertielle bas coût...), nous exploitons les propriétés des homographies, qui définissent le déplacement entre deux images de points appartenant à un même plan du monde. Nous avons utilisé cette propriété pour segmenter les régions des images contenant la projection d'un plan. Un soin particulier à été donné à l'évaluation de différents algorithmes d'estimation linéaire robuste dans le cadre de l'estimation d'homographie à partir de points appariés. Des données de synthèse ont été utilisées afin de mettre en évidence l'influence des paramètres de l'environnement sur la qualité des estimées. Ces résultats ont été par la suite confrontés à des données réelles. Ces techniques permettent de segmenter les points appariés selon qu'ils appartiennent ou non à une zone plane. Afin de produire une description dense (continue) des zones détectées, nous avons proposé une amélioration du score de corrélation normalisée croisée. En considérant un modèle adaptatif de l'influence des variances des niveaux de gris sur les scores de corrélation, nous avons introduit une méthode de segmentation automatique de zones planes offrant de bons résultats. L'introduction de modèles probabilistes nous a permis de fusionner les observations au fur et à mesure du déplacement de la caméra, et de construire des grilles locales qui représentent la probabilité de planéité sur des zones. Enfin dans l'optique de la coopération entre robots aériens et terrestres, nous avons étendu ces travaux au contexte de la robotique terrestre et de la fusion de modèles aéro-terrestres.
Loading...