Doctorant : Mathieu Labbé

Directeur de recherche : François Michaud

Président du jury : François Ferland

Résumé:

Pour être en mesure de naviguer dans des endroits inconnus et non structurés, un robot doit être en mesure de cartographier l’environnement afin de s'y localiser. Ce problème est connu sous le nom de cartographie et localisation simultanées (ou SLAM pour Simultaneous Localization and Mapping). La charge de calcul du SLAM est dépendante de la grandeur de la carte, c’est-à-dire plus la carte est grande, plus de temps est requis pour mettre à jour la carte. Puisqu’un robot a une puissance de calcul limitée, la capacité de traiter ‘en ligne’ la navigation autonome du robot tout en faisant le SLAM est donc limitée par la taille de l’environnement. Pour résoudre cette problématique, un nouvel algorithme de SLAM nommé RTAB-Map, basé sur une approche de gestion de mémoire, est présenté et évalué sur plusieurs expériences réelles avec le robot AZIMUT-3 muni d’un télémètre laser courte portée et d’une caméra Kinect. RTAB-Map est aussi comparé à d’autres systèmes de SLAM sur quatre ensembles de données populaires pour des applications de voiture autonome (KITTI), balayage à la main avec une caméra RGB-D (TUM RGB-D), de drone (EuRoC) et de navigation intérieur avec un robot PR2 (MIT Stata Center). Les résultats montrent que RTAB-Map peut être utilisé sur de longue période de temps en navigation autonome tout en respectant la contrainte de traitement ‘en ligne’ et avec une qualité de carte comparable aux approches de l’état de l’art en SLAM visuel et avec télémètre laser. Les perspectives d’utilisation de RTAB-Map vont des robots mobiles intérieurs peu coûteux aux voitures autonomes, en passant par les drones et la modélisation 3D de l’intérieur d’une maison.