Multi-sensor perception with vector maps for autonomous vehicle localization

Perception multi-capteurs avec des cartes vectorielles pour la localisation des véhicules autonomes Pour les véhicules autonomes, il est crucial de trouver des solutions de localisation qui répondent aux exigences des tâches de navigation. Pour des raisons de sécurité, le système de localisation doit fournir des estimations de pose précises et fiables, avec une grande disponibilité et une faible latence. A cette fin, des techniques de fusion de données multicapteurs sont employées. Elles combinent généralement des récepteurs GNSS avec des capteurs proprioceptifs qui fournissent la cinématique et la dynamique du véhicule. Dans cette thèse de doctorat, nous nous concentrons particulièrement sur l’utilisation de capteurs extéroceptifs supplémentaires tels que les lidars et les caméras qui peuvent fournir des mesures sur des caractéristiques géoréférencées dans des cartes. Ces capteurs permettent de surmonter les limites du GNSS dans des environnements complexes tels que les zones urbaines, en fournissant un positionnement au niveau des voies. Diverses méthodes peuvent fournir des informations de localisation à partir de capteurs de perception. Une approche courante en robotique consiste à mettre en œuvre une méthode de localisation et cartographie simultanées avec des contraintes GNSS. Cette méthode construit une carte locale à partir des données brutes des capteurs, qui peut ensuite être utilisée pour la relocalisation avec ces mêmes capteurs. L’utilisation de cartes préalables précises offre une alternative intéressante permettant une localisation immédiate dès l’arrivée dans une nouvelle zone sans avoir à créer de carte. Dans cette thèse de doctorat, nous considérons des cartes vectorielles haute définition (HD) contenant des caractéristiques routières géoréférencées représentées sous forme de points ou de polylignes. Elles englobent un large éventail d’éléments physiques essentiels à la navigation, tels que les panneaux de signalisation ou les marquages routiers. L’objectif principal de la thèse est d’exploiter tout le potentiel offert par les cartes vectorielles HD pour améliorer la localisation, grâce à un système de perception dont les performances sont optimisées à cette fin. En guise d’étude de cas, notre recherche se concentre sur la détection d’éléments de types ”poteaux”, que l’on trouve couramment dans les environnements routiers et qui sont géoréférencés dans les cartes HD. Plus précisément, nous présentons des approches de perception par apprentissage automatique utilisant des caméras et des données de lidar. Afin d’éviter de labelliser manuellement les données, nous étudions des méthodes d’annotation automatique qui utilisent les cartes. Ces méthodes peuvent annoter automatiquement n’importe quel type de poteau cartographié. Pour améliorer la précision des annotations, nous combinons des sources d’annotation automatique supplémentaires. Nous présentons des détecteurs pour identifier les pieds des poteaux dans les images de caméras et les poteaux dans les nuages de points lidar. Cette approche garantit que les détecteurs de poteaux sont bien adaptés aux données géoréférencées dans les cartes HD. Enfin, ces approches de détection sont intégrées dans un système de fusion multi-capteurs afin d’évaluer leurs avantages pour un système de localisation. Compte tenu des approches explorées, la thèse s’appuie fortement sur des données expérimentales collectées à partir de véhicules équipés de capteurs lidar et de caméras. Ce travail a été fait en synergie avec le projet européen ERASMO qui visait à développer un système de localisation très précis et fiable pour les véhicules autonomes.