Reconstruction Incrémentale de Cartes D'environnement en Robotique Mobile

:
:
:
3821/82/82 -

+831)8(7730820780.8 :
benaissa.inf@gmail.com :
benaissa.inf@hotmail.com :MSN
http://www.facebook.com/benaissa.inf :
benaissa20082:
....
..
:

....

-
8831
Rpublique Algrienne Dmocratique et Populaire

Ministre de lenseignement suprieur et de la recherche scientifique
Universit de Batna
Facult de Technologie
Dpartement de Gnie Electrique
Mmoire
Prsent par
BENCHELOUI Mohamed
Ingnieur dtat en lectronique
En vue de lobtention du diplme de

Magister en Electronique
Option : Robotique
Thme
Reconstruction Incrmentale de Cartes

dEnvironnement en Robotique Mobile
Soutenu le : 06/12/2011 devant le jury compos de :
Dr. ABDESSEMED Yassine
Prsident
(M .C. A Universit de Batna)
Dr. SLIMANE Noureddine
Rapporteur
(M.C. A Universit de Batna)
Dr. BOUKABOU Abdelkrim
Examinateur
(M.C. A Universit de Jijel)
Dr. AMEDDAH Djamel-Eddine Examinateur
(M.C. A Universit de Batna)
En premier lieu, je remercie Dieu de mavoir donn la force, le courage et la volont

pour achever ce modeste travail.
Jexprime toute ma gratitude monsieur SLIMANE Noureddine, mon professeur et
mon rapporteur, pour mavoir efficacement encadr, pour tous ses conseils et ses directives
durant toutes les tapes de ce travail.
Je remercie monsieur ABDESSEMED Yassine, matre de confrences luniversit de
Batna, davoir accept la prsidence de ce jury de mmoire de magistre.
Je remercie sincrement monsieur BOUKABOU Abedelkrim, matre de confrences

luniversit de Jijel, pour avoir accepter de participer ce jury en tant quexaminateur, malgr un
emploi du temps trs charg.
Je tiens aussi remercier monsieur AMEDDAH Djamel-Eddine davoir accept

dexaminer mon travail ainsi que pour les grandes qualits quil possde : honntet et
simplicit.
Enfin, je tiens remercier tous ceux qui mont soutenu, et plus particulirement ma
femme qui ma toujours encourag poursuivre cette voie et soutenu dans les moments les
plus difficiles.
Je ddie ce modeste travail :

La mmoire de ma grande - mre Merzaka ;
La mmoire de mon grand-pre Ammar ;
Mes parents et surtout ma mre ;
Ma femme ;
Mes enfants le symbole de lespoir Nour-el-isslam et Aridj ;
Introduction Gnrale ....................................................................................................... 1

Chapitre 1
Aperus sur la robotique mobile
1.1. Introduction ....................................................................................................................... 3
1.2. Dfinitions .......................................................................................................................... 3
1.3. Les robots mobiles roues ............................................................................................... 4
1.4. Types de robot mobile roues ........................................................................................ 4
1.4.1. Robot mobile roues diffrentielles ........................................................................ 4
1.4.2. Les robots mobiles de type tricycle .......................................................................... 4
1.4.3. Les robots mobiles de type voiture .......................................................................... 5
1.5. Localisation ........................................................................................................................ 5
1.5.1. Localisation relative ou lestime.............................................................................6
1.5.1.1. La mthode odomtrique................................................................................... 6
1.5.1.2. Localisation inertielle......................................................................................... 7
1.5.2. Localisation absolue................................................................................................... 7
1.5.2.1. Repres artificiels............................................................................................... 8
a. Balises actives et GPS............................................................................................. 8
b. Balises passives...................................................................................................... 9
1.5.2.2. Repres naturels ................................................................................................ 9
1.6. La perception ................................................................................................................... 10
1.7. La navigation ................................................................................................................... 10
1.8. Conclusion ........................................................................................................................11
Chapitre 2
Capteurs en robotique mobile
2.1. Introduction ..................................................................................................................... 12
2.2. Dfinitions dun capteur ................................................................................................. 12
2.3. Classification des capteurs ............................................................................................. 12
2.3.1. Les capteurs proprioceptifs .................................................................................... 13
2.3.1.1. Lodometrie ...................................................................................................... 13

2.3.1.2. Les systmes radar doppler ............................................................................ 14
2.3.1.3. Les systmes inertiels .......................................................................................15
2.3.2. Les capteurs extroceptifs .......................................................................................16
2.3.2.1. Les capteurs tlmtriques ............................................................................ 16
a. Tlmtre ultrasons .......................................................................................... 16
b. Tlmtre infrarouges ...................................................................................... 17
c. Tlmtre laser ..................................................................................................... 18
d. Modle probabiliste ............................................................................................. 19
2.3.2.2. Les systmes de vision ..................................................................................... 20
a. Les camras simples ............................................................................................ 20
b. Les camras stroscopiques .............................................................................. 21
c. Les camras panoramiques ................................................................................ 21
2.3.2.3. Autre capteurs ................................................................................................. 22
a. Les capteurs tactiles ............................................................................................ 22
b. Les boussoles ........................................................................................................ 22
c. Les balises ............................................................................................................. 23
d. Le GPS .................................................................................................................. 23
2.4. Conclusion ........................................................................................................................23
Chapitre 3
Mthodes de modlisation de lenvironnement
3.1. Introduction . 24
3.2. Modlisation 24
3.3. Reprsentation 2D dun environnement dintrieur ... 26
3.3.1. Cartes mtriques ......................................................................................................26
3.3.2. Cartes topologiques ................................................................................................. 27
3.3.3. Grilles doccupation ........ 28
3.3.4. Modle de primitives ....... 30
3.3.5. Cartes hybrides ........ 31
3.3.6. Remarques sur les mthodes de modlisation .............. 32
3.4. Localisation et modlisation simultanes de lenvironnement (SLAM) 33
3.5. Travaux de simulation ........ 35
3.5.1. Introduction .. 35
3.5.2. Algorithme labor utilisant le filtrage de kalman ..35
3.5.3. Rsultat de simulation ....36
3.6. Conclusion 39
Chapitre 4
Construction incrmentale de cartes denvironnement
4.1. Introduction ..................................................................................................................... 40
4.2. Rappel sur le filtrage de Kalman .................................................................................. 41
4.2.1. Les systmes linaires ..............................................................................................41
4.2.2. Les systmes non linaires ...................................................................................... 42
4.3. Descriptions des modles utilises ................................................................................... 43
4.3.1. Modle dvolution du robot mobile ......................................................................44
4.3.2. Modle des amers .................................................................................................... 47
4.3.3. Observation extroceptive ...................................................................................... 47
4.3.3.1. Tlmtrie ......................................................................................................... 47
4.3.3.2. Modle dobservation ...................................................................................... 48
4.3.4. Modle de cartographie des amers ........................................................................ 49
4.4. Construction incrmentale de la carte denvironnement .......................................... 50
4.4.1. Initialisation dun amer .......................................................................................... 52
4.4.2. Prdiction ................................................................................................................. 53
4.4.3. Observation .............................................................................................................. 54
4.4.4. Mise jour ............................................................................................................... 55
4.4.5. Estimation ................................................................................................................ 55
4.5. Travaux de simulations ................................................................................................. 56
4.6. Conclusion 71
Conclusion Gnrale
Conclusion Gnrale .. 72
Bibliographie
Bibliographie .......................................................................................................................... 74
Introduction
Lavancement technologique de notre poque simpose petit petit dans notre vie pour
rsoudre tous nos problmes professionnels et quotidiens. Aujourdhui, il nous propose
daccepter de nouvelles entits artificielles intelligentes, pour quelles soient intgres dans
notre socit humaine. Ces nouvelles machines qui essaient de copier nos capacits
perceptuelles, intellectuelles et parfois physiques sont les robots. Lexistence des robots dans
notre univers nous invite savoir de plus en plus comment il faut interagir avec eux. En
revanche, notre existence dans leur univers exige quils soient capables de nous percevoir,
nous comprendre et interagir avec nous. Pour quun robot assume toutes ces fonctions, il doit
exploiter tous ses capteurs qui reprsentent pour lui une approximation de certains sens de
ltre humain.
Les robots sont intgrs dans notre vie quotidienne grce la multitude d'applications
qu'ils pourraient accomplir. Dot de nombreux capteurs, capable de se dplacer en vitant les
obstacles et d'aller se recharger en nergie sans intervention humaine, le robot mobile prsente
surtout l'avantage d'tre une plate-forme ouverte toute technologie. Robot mnager, gardien
d'appartement, aide aux personnes handicapes, explorateur des plantes lointaines, support
de recherches pour les laboratoires ou simple jouet, tous les espoirs sont donc permis avec ce
petit bijou de la robotique.
Lautonomie dun robot mobile est mesure par sa capacit achever une mission sans
intervention humaine. Une carte bien tablie sera indispensable pour quun robot puisse
naviguer dans son environnement. Un robot qui ne possde priori aucune information sur
lenvironnement dans lequel il doit se dplacer et agir, doit tre capable de modliser son
environnement grce lensemble de ses capteurs. Ce modle est indispensable pour sa
localisation ainsi que pour planifier ses mouvements afin daccomplir des missions. Dans
certaines applications robotiques, une carte de lenvironnement peut tre fournie par des
sources extrieures comme les images ariennes ou satellitaires, mais dans la plupart des cas,
ces donnes sont insuffisantes pour les applications qui ont besoin de perception prcise dans
une zone dactivit locale du robot. Dautre part, un robot autonome doit tre capable de
ragir des modifications inattendues dans son environnement. La construction dune telle
carte devra tre incrmentale, en fusionnant les perceptions successives acquises par les
capteurs du robot au cours de son dplacement.
1
Introduction
Lorsque la carte est donne au pralable au robot pour quil suive un chemin, cest le
problme de localisation : le robot doit chaque instant connatre sa position sur la carte.
Le deuxime cas est la cartographie : le robot fait des dplacements connus afin de construire
une carte de lenvironnement. Dans ce cas, on suppose que les positions successives du robot
sont bien connues. Enfin, le dernier cas est le combinaison entre les deux cas prcdents; le
robot se dplace dans un environnement inconnu et fait diffrentes mesures pour se localiser
et construire la carte en mme temps, ce qui est connu dans la littrature sous le nom de
Localisation et Cartographie simultanes (Simultaneous Localisation And Mapping : SLAM).
Le problme du SLAM est un objet de recherches depuis des annes. La reprsentation
peut tre topologique base sur les relations topologiques des diffrents lieux de
lenvironnement dvolution du robot (typiquement des couloirs), ou mtrique base sur la
gomtrie de lenvironnement. Les mthodes actuelles se sont focalises sur la construction
de reprsentations bidimensionnelles partir des donnes tlmtriques.
Dans le cadre de ce travail, nous allons aborder le problme de la construction
incrmentale de carte denvironnement pour un robot mobile en utilisant lapproche mtrique
et en se basant sur la technique du SLAM.
Pour cela, notre travail est organis comme suit :
Pour une prsentation aussi claire que possible de notre travail, on a t emmen voir, au
premier chapitre, les diffrents types de robots mobiles et tudier les deux types de
localisations existantes savoir la localisation relative et la localisation absolue.
Le deuxime chapitre est ddi dcrire les diffrents types de capteurs, utiliss en robotique
mobile, qui sont trs importants en navigation et qui permettent au robot mobile dvaluer son
environnement et dvoluer dune manire sre. Le troisime chapitre est entirement
consacr aux mthodes de modlisation denvironnements avec quelques exemples de
simulation. Dans le quatrime chapitre nous prsentons les diffrentes tapes de construction
de la carte incrmentale, de lalgorithme utilis ainsi que les
diffrents rsultats de
simulations.
Nous terminons notre travail par une conclusion gnrale et des perspectives.
Chapitre 1
1.1. Introduction
De manire gnrale, on regroupe sous lappellation robots mobiles lensemble des
robots base mobile [4], par opposition notamment aux robots manipulateurs.
Lusage veut nanmoins que lon dsigne le plus souvent par ce terme les robots mobiles
roues. Les autres robots mobiles sont en effet le plus souvent dsigns par leur type de
locomotion, quils soient marcheurs, sous marins ou ariens.
On peut estimer que les robots mobiles roues constituent la grande partie des robots
mobiles. Historiquement, leur tude est venue assez tt, suivant celle des robots
manipulateurs. Leur faible complexit en a fait de premiers sujets dtudes pour les
roboticiens intresss par les systmes autonomes. Cependant, malgr leur simplicit
apparente, ces systmes ont soulev un grand nombre de problmes difficiles. De ce fait, les
applications industrielles utilisant des robots mobiles sont rares. Contrairement aux robots
manipulateurs qui travaillent exclusivement dans des espaces connus et de manire rptitive,
les robots mobiles sont destins voluer de manire autonome dans des environnements qui
peuvent ne pas tre connus.
1.2. Dfinitions
En gnral, on peut dfinir un robot mobile [3] comme tant une machine quipe de
capacits de perception, de dcision et daction qui lui permettent dagir de manire autonome
dans son environnement en fonction de la perception quil en a.
En particulier, un robot mobile autonome est un systme mcanique, lectronique et
informatique complexe mettant en oeuvre:
un ensemble de capteurs. Ils peuvent tre de deux types diffrents :
- Extroceptifs (tlmtres, camras, etc.).
- Introceptifs (odomtres par exemple).
Les capteurs extroceptifs ont pour objectif d'acqurir des informations sur l'environnement
proche du vhicule. Les capteurs introceptifs fournissent des donnes sur l'tat interne du
robot (telles que sa vitesse ou sa position).
un ensemble d'effecteurs.
Chapitre 1
L'objectif du robot est d'atteindre un objectif dans son environnement en vitant les obstacles.
Le problme que l'on doit rsoudre est de dterminer en fonction des donnes capteurs quelles
commandes doivent tre envoyes chaque instant au robot pour atteindre cet objectif. Ces
effecteurs permettent donc au robot dvoluer dans son environnement.
1.3. Les robots mobiles roues
Les roues sont le moyen de locomotion le plus rpandu en matire de robotique mobile
[5]. En fait, les robots mobiles roues sont faciles raliser et prsentent de grandes
possibilits de dplacement et de manoeuvrabilit avec une vitesse et une acclration
importantes. Bien videmment, pour un ensemble donn de roues, toute disposition ne
conduit pas une solution viable. Un mauvais choix peut limiter la mobilit du robot ou
occasionner dventuels blocages. Par exemple, un robot quip de deux roues fixes non
parallle ne pourrait pas aller en ligne droite ! Pour quune position de roues soit viable et
nentrane pas de glissement des roues sur le sol, il faut quil existe pour toutes ces roues un
unique point de vitesse nulle autour duquel tourne le robot de faon instantan. Ce point
lorsquil existe, est appel centre instantan de rotation (CIR).
1.4. Type de robots mobiles roues : On distingue trois types
1.4.1. Les robots mobiles roues diffrentielles
Les robots roues diffrentielles possdent deux roues motrices conventionnelles non
orientables et une ou deux roues folles pour assurer la stabilit du robot ; les roues motrices
ont des angles de rotation indpendants et des axes de rotation confondus. Leur degr de
mobilit est de deux. Ce type de robot est trs rpandu en raison de sa simplicit de
construction et de ses proprits cinmatiques intressantes.
Figure 1-1 : Robot roues diffrentielles

1.4.2. Les robots mobiles de type tricycle : sont quips dun essieu arrire fixe muni
de deux roues non orientables et dune roue avant centre orientable. Ils nont quun degr de
mobilit et un degr de directionnalit. Ce type de robot est trs connu dans les applications
des AGV pour leur simplicit inhrente. Pour la commande et la localisation de ce type de
4
Chapitre 1
robot, un capteur dorientation est associ la roue orientale, et deux encodeurs sont associs
aux roues motrices.
Figure 1-2 : Robot de type tricycle

1.4.3. Les robots mobiles de type "voiture" : possdent, de manire classique, l'arrire
un essieu non orientable muni de deux roues non orientables et libres en rotation et, l'avant
deux roues centres orientables (quivalentes une simple roue centre orientable). Ceci leur
confre un degr de mobilit et un degr de directionnalit.
Figure 1-3: Robot de type voiture

1.5. Localisation
On trouve dans la littrature une dfinition trs gnrale de la localisation : "fonction
consistant dterminer, dans un repre de travail donn, certains paramtres de position et/ou
dattitude du robot qui sont ncessaires laccomplissement de sa mission"[6]. Il est noter
limportance du repre et du lieu entre les paramtres estimer et la mission.
La localisation dun robot mobile seffectue par des capteurs proprioceptifs et/ou
extroceptifs. Cette localisation est dautant plus ncessaire que le lieu dvolution est
encombr et complexe. Le comportement de ltre vivant illustre bien ces propos, en effet il
doit toujours connatre sa situation pour se dplacer dun point un autre, soit en identifiant
des repres artificiels, on parle de localisation absolue, soit tout simplement en mesurant les
distances parcourues et les directions empruntes depuis sa position initiale. Un robot mobile
Chapitre 1
doit connatre ses coordonnes de position pour tre autonome vis -- vis de lespace et de
lintervention humaine.
Pour les robots mobiles navigant sur un plan (2-D), ce qui englobe une trs large partie des
systmes existants, localiser le robot revient alors dterminer trois paramtres : deux
coordonnes cartsiennes pour la position et un angle pour lorientation.
Plusieurs techniques et mthodes ont t dveloppes pour assurer la connaissance exacte et
de faon autonome de la position dun robot mobile dans son environnement. A ce jour, ces
techniques peuvent tre regroupes en deux catgories principales : Les mthodes de
localisation relative et les mthodes de localisation absolue.
1.5.1. Localisation relative ou lestime
La position du robot est calcule en incrmentant sa position prcdente de la variation
mesure de ses dplacements grce des capteurs proprioceptifs.
Les erreurs dues cette mthode peuvent tre importantes car cumulatives avec la distance et
fonction du type de trajectoires .On distingue deux mthodes principales de localisation
relative : La mthode odomtrique et la mthode inertielle.
1.5.1.1. La mthode odomtrique
La technique dodomtrie est trs utilise pour localiser les robots mobiles, elle
prsente lavantage dtre simple demploi et dun cot faible. Lide fondamentale de cette
mthode est lintgration de lincrment de la position, calcul grce des encodeurs monts
sur les roues, par rapport au temps. Les dplacement dU g et dU d des roues droite et gauche
permettent de calculer la variation de lorientation ainsi que la variation de la position dU
entre ltat n et ltat n+1 (figure 1.4).
Il en rsulte malheureusement une accumulation non borne de lerreur. Lerreur en
orientation induit dimportantes erreurs en position et les deux erreurs croissent en fonction de
la distance parcourue. Les erreurs peuvent tre regroupes en deux catgories selon leur
source. Les erreurs systmatiques rsultent des imperfections du modle gomtrique du robot
(diamtres des roues diffrents, incertitude sur les dimensions des axes de la base,).
Les erreurs non systmatiques rsultent de linteraction entre le robot et son environnement
telle que les glissements des roues avec le sol.
Chapitre 1
Figure 1-4 : Calcul de la position grce lodomtrie [6]

1.5.1.2. Localisation inertielle
Cette technique utilise des acclromtres pour calculer lacclration subie par la
base mobile et des gyroscopes pour calculer la variation de sa rotation. Lintgration de cette
mesure (ou la double intgration dans le cas de lacclromtre) permet de calculer la
variation de la position. Les capteurs utiliss dans ce type de localisation prsentent
lavantage dtre auto-suffisants puisquils ne ncessitent aucune rfrence externe.
Cependant, une erreur mme minime est amplifie par lintgration. De plus, le rapport
signal/bruit nest pas trs lev. Dans le cas des acclromtres, lenvironnement de travail
doit tre parfaitement horizontal sous peine de dtecter une composante de la gravitation
terrestre comme tant due un dplacement du robot.
1.5.2. Localisation absolue
La localisation absolue est une technique qui permet un robot de se reprer
directement dans son milieu dvolution, que ce soit en environnement extrieur (mer, espace,
terre), ou en environnement intrieur (ateliers, immeubles, centrales nuclaires...). Ces
mthodes de localisation sont bases sur lutilisation de capteurs extroceptifs.
Pour rpondre la problmatique quest la localisation dun robot dans son environnement,
deux types de stratgies sont utilisables : la premire consiste utiliser des points de repre
naturels et la deuxime utiliser des points de repre artificiels.
Il est noter que quelque soit le cas de figure, la localisation absolue ncessite toujours une
reprsentation de lenvironnement. Le robot possde donc une banque de donnes regroupant
les caractristiques des rfrences externes qui est appele carte de lenvironnement.
Chapitre 1
1.5.2.1. Repres artificiels

Les repres artificiels sont des balises caractristiques qui sont ajoutes au milieu
dvolution du robot et dont les positions sont connues. Linconvnient de ce type de
techniques rside essentiellement dans son manque de souplesse et dans sa lourdeur
dutilisation. En effet un domaine dvolution vaste ncessitera un investissement lourd en
quipement. En outre tout changement de configuration de lenvironnement impliquera une
remise en cause du rseau de balises. En revanche cette technique a le gros avantage dtre
prcise, robuste et surtout de satisfaire la contrainte temps relle. Prcisons ce niveau que
cette approche ne pourra rpondre la problmatique de modlisation incrmentale et
localisation simultane.
Les balises artificielles peuvent tre de deux types :
1. Actives : elles mettent des signaux.
2. Passives : elles ne peuvent pas mettre.
a)- Balises actives et GPS
Les balises actives sont gnralement interactives avec le systme de perception de
lengin mobile puisque ce sont elles qui mettent londe capte par lquipement de mesure.
Les deux principaux types dorganes de transmission utiliss sont les metteurs de sources
lumineuses (infrarouge par exemple) et les antennes mettrices hyperfrquences. Ces ondes
peuvent tre mises en continu ou tre dclenches par ordre provenant de lquipement
embarqu sur le mobile. Les systmes balises actives sont le moyen de navigation le plus
communment utilis pour les bateaux et les avions.
Figure 1-5 : Systme de localisation par reprage de balises actives [1].

Le systme GPS est finalement un systme de localisation en environnement extrieur bas
sur le reprage de balises actives que sont les satellites.
Ce systme, dvelopp par le Dpartement de La Dfense des Etats-Unis, est compos de
vingt-quatre satellites [1]. En utilisant des mthodes avances de trilatration, le rcepteur
terrestre peut calculer une position en mesurant le temps de vol des ondes renvoyes par les
Chapitre 1
satellites. En thorie, trois satellites peuvent permettre de calculer la latitude, la longitude et

l'altitude du rcepteur.
b)- Balises passives
On appelle balises passives des repres artificiels nchangeant pas de signaux avec le
systme de perception [1]. Comme prcdemment ce type de mthode est bas sur le reprage
de balises artificielles places des positions connues dans le milieu dvolution du robot. La
diffrence se situe au niveau de lidentification de la balise qui doit tre faite par le systme de
perception. Ainsi le problme de la mise en correspondance est gnralement facilit par un
codage au niveau du marquage de la balise. Ces systmes ont lavantage dtre moins lourd
installer que les systmes prcdents.
Figure 1-6 : Balises passives [1]

1.5.2.2. Repres naturels
Cette technique consiste utiliser les lments caractristiques de lenvironnement
pour estimer la position du robot. Lintrt de ces mthodes est donc sa souplesse dutilisation
puisquelles ne ncessitent pas damnager le milieu dvolution du robot. Pour la
problmatique de localisation, une connaissance de lenvironnement sera ncessaire. Il sagira
dune reprsentation cartographique qui intgrera la position des amers qui serviront
localiser le robot. Suivant le niveau smantique adopt pour dcrire lenvironnement,
plusieurs types de reprsentations cartographiques pourront tre grs.
La fonction localisation peut se dcliner en deux tapes :
la construction du modle sensoriel : elle consiste conditionner les mesures capteur.
la mise en correspondance de ce modle avec la carte de lenvironnement : elle
consiste apparier les observations avec des primitives cartographique. Il sagit l de
ltape prpondrante permettant destimer la configuration du robot.
Chapitre 1
1.6. La perception :
La notion de perception en robotique mobile est relative la capacit du robot
recueillir, traiter et mettre en forme des informations qui lui sont utiles pour agir et ragir dans
lenvironnement qui lentoure [3], [4]. Elle est donc la facult de dtecter et /ou apprhender
lenvironnement proche ou loign du robot.
Alors que pour des taches de manipulation, on peut considrer que lenvironnement du robot
est relativement structur, ce nest plus le cas lorsquil sagit de naviguer de manire
autonome dans des lieux trs partiellement connus. Aussi, pour extraire les informations utiles
laccomplissement de sa tache, il est ncessaire que le robot dispose de nombreux capteurs
mesurant aussi bien son tat interne que ltat de lenvironnement dans lequel il volue. Le
choix des capteurs dpend bien videment de lapplication envisage.
La perception est ncessaire pour la scurit du robot, la modlisation de lenvironnement et
lvitement et le contournement dobstacles.
Les moyens utiliss pour la perception de lenvironnement sont nombreux et varis, parmi
ceux-ci nous pouvons citer :
Les tlmtres laser et ultrasonores
Les capteurs optiques et infrarouges
Les capteurs tactiles.
Les systmes de vision (Camras)
1.7. Navigation
Les sections prcdentes ont permis de mettre en place les outils ncessaires pour
faire naviguer un robot mobile dans un environnement dintrieur : comprhension du mode
de locomotion et localisation de ce robot dans son environnement. Il sagit maintenant
dutiliser au mieux la motricit du robot et sa localisation pour accomplir la tache de
navigation de manire autonome.
Un mouvement est une application dfinie en fonction du temps t, reliant un point initial
linstant t 0 un point final linstant t f . Une trajectoire est le support dun mouvement. Il
sagit donc dune courbe paramtre par une variable s quelconque, par exemple labscisse
curviligne normalise (s [0; 1]) de la courbe sur laquelle se dplace le robot. Lvolution
du paramtre s en fonction du temps t est appele mouvement sur la trajectoire. Le problme
de navigation dun robot mobile consiste de la manire la plus gnrale trouver un
mouvement dans lespace des configurations sans collisions, traditionnellement not Cfree.
Ce mouvement amne le robot dune configuration initiale q 0 = q (t 0 ) une configuration
10
Chapitre 1
finale q f = q (t f ) . On peut nanmoins donner des dfinitions diffrentes de la tache de

navigation accomplir, selon le but recherch : par exemple on peut souhaiter seulement
placer le robot dans une zone donne ou relcher la contrainte dorientation, etc. La tache de
navigation ainsi dfinie est donc limite un seul mouvement.
Il existe nanmoins une trs grande varit de travaux et de mthodes permettant daborder ce
problme difficile. Pour diffrencier les techniques de navigation, on peut de manire
classique (et grossire) distinguer deux approches :
la premire consiste planifier le mouvement dans lespace des configurations et
lexcuter par asservissement du robot sur le mouvement de consigne (Schma
planification- excution) ;
la seconde consiste offrir un ensemble de primitives plus ractives. Elles
correspondent alors des sous tches (suivre un mur, viter un obstacle) dont on
estime que lenchanement est du ressort dun planificateur de taches ayant dcompos
la tache globale.
1.8. Conclusion
Les robots mobiles roues sont les robots les plus rpandus, vu leurs structure
mcanique simple et leurs commande relativement plus facile que les autres robots mobiles
qui diffrent par leurs moyens de locomotion.
11
Chapitre 2
2.1. Introduction
Le robot mobile, pour accomplir sa tche correctement, doit tre dot de capteurs
permettant dapprhender, en temps rel, son environnement. Ces capteurs constituent une
source dinformations qui tait rserve lhomme, savoir un sens de la vue, du toucher, de
lodorat, de louie et du got. Lensemble des informations perues par les capteurs et relative
lenvironnement doit ensuite tre analys par le robot afin den dduire certaines valeurs
prises comme modle. Elles seront ensuite utilises comme base de rfrence dans
lvaluation de laction engendrer par le robot pour raliser la tche qui lui est spcifie.
2.2. Dfinition dun capteur
Le capteur est un instrument qui permet de dceler linformation contenue dans un
objet ou issue dun phnomne. Ce dispositif est soumis laction dune mesurante non
lectrique, et fournit un signal lectrique sa sortie. Il va assurer la mesure permanente des
grandeurs relles en question.
2.3. Classification des capteurs
En robotique mobile, on classe traditionnellement les capteurs en deux catgories
selon quils mesurent ltat du robot lui-mme ou ltat de son environnement.
Dans le premier cas, limage de la perception chez les tres vivants, on parle de
proprioception et donc de capteurs proprioceptifs.
On trouve par exemple dans cette catgorie les capteurs de position ou de vitesse des roues et
les capteurs de charge de la batterie. Les capteurs renseignant sur ltat de lenvironnement,
donc de ce qui est extrieur au robot lui-mme, sont eux appels capteurs extroceptifs. Il
sagit de capteurs donnant la distance du robot lenvironnement, la temprature, signalant la
mise en contact du robot avec lenvironnement, etc.
Nous prsentons dans cette section les capteurs les plus couramment utiliss en robotique
mobile pour les besoins de la navigation.
12
Chapitre 2
2.3.1. Les capteurs proprioceptifs

Les capteurs proprioceptifs permettent une mesure du dplacement du robot. Ce sont
les capteurs que lon peut utiliser le plus directement pour la localisation, mais ils souffrent
dune drive au cours du temps qui ne permet pas en gnral de les utiliser seuls.
2.3.1.1. Lodomtrie
Lodomtrie permet destimer le dplacement partir de la mesure de rotation des
roues. La mesure de rotation est en gnral effectue par un codeur optique dispos sur laxe
de la roue ou sur le systme de transmission. Le problme majeur de cette mesure est que
lestimation du dplacement fournie dpend trs fortement de la qualit du contact entre la
roue et le sol. Elle peut tre relativement correcte pour une plate-forme deux roues motrices
sur un sol plan de qualit uniforme, mais est en gnral quasiment inutilisable seule pour un
robot chenille par exemple. Notons cependant que lerreur de ces mthodes se retrouve en
gnral principalement sur lestimation de la direction du robot, tandis que la mesure de la
distance parcourue est souvent de meilleure qualit.
La majorit des modles de localisation et de cartographie font appel un modle probabiliste
de cette mesure. Ces modles vont donner, en fonction de la mesure ralise, la probabilit du
dplacement rel. Il existe divers types de modles, mais les plus simples et les plus utiliss
sont des modles de bruit gaussiens sur la direction et la longueur du dplacement, ainsi que
sur le changement de direction du robot. Les carts types de ces diffrentes gaussiennes
dpendent de la valeur de la mesure : lerreur sur la longueur du dplacement est par exemple
proportionnelle cette longueur (Figure 2-1).
Figure 2-1 : Exemple de modle probabiliste simple de lodomtrie [3].
13
Chapitre 2
Le niveau de gris reprsente la probabilit de la position aprs un dplacement rectiligne vers

la droite. Le modle utilise un bruit gaussien sur la longueur du dplacement et sur la
direction du dplacement.
Il est bien sr possible dutiliser des modles beaucoup plus fins de lodomtrie, par exemple
en faisant une hypothse de bruit gaussien sur la mesure de rotation de chaque roue, et en en
dduisant lerreur de dplacement du robot. Ces modles probabilistes peuvent tre utiliss
pour gnrer des positions possibles du robot selon la distribution de probabilit dduite de la
mesure de lodomtrie. Lapplication successive de plusieurs modles probabilistes dduits de
plusieurs mesures dodomtrie permet de les combiner et destimer la distribution de
probabilit de position finale du robot (Figure 2-2).
Figure 2-2 : Exemple de combinaison de mesures pour les modles probabilistes de

lodomtrie.
2.3.1.2. Les systmes radar doppler
Au lieu de mesurer le dplacement par des mesures sur les roues, il est possible dutiliser un
petit radar point vers le sol qui permet de mesurer la vitesse du vhicule par effet Doppler.
Le principe est de diriger un faisceau lectromagntique de frquence F vers le sol avec une
inclinaison par rapport la direction de dplacement du vhicule. Le faisceau reu aprs
rediffusion sur le sol prsente un dcalage de frquence F proportionnel la vitesse V du
dplacement relatif du vhicule par rapport au sol [1]. Lintgration de la mesure de vitesse
fournira une estimation du dplacement du mobile. Ce capteur est le plus souvent utilis en
milieu extrieur.
14
Chapitre 2
Ce systme prsente lavantage dtre beaucoup plus prcis que la mesure passant par les
roues, et dtre indpendant des drapages possibles de ces roues [3], mais est en gnral plus
cher et encombrant. Il est de plus trs rare sur les petites plates-formes car il ne peut mesurer
de faibles vitesses de dplacement.
2.3.1.3. Les systmes inertiels
La mesure de dplacement potentiellement la plus fiable provient de la mesure des
acclrations de la plate-forme par des capteurs inertiels. Cette mesure est potentiellement
fiable car elle ne dpend pas de la nature locale de lenvironnement, cependant les capteurs
inertiels sont tous entachs de bruit de mesure qui produit une drive de lestimation de la
position au cours du temps [3].
La qualit des mesures inertielles dpend trs fortement du type de capteurs utiliss.
Historiquement, les premiers capteurs ont t raliss base de systmes mcaniques et
peuvent fournir des mesures extrmement prcises, au prix dun cot et dune masse trs
levs. Ces dernires annes ont vu apparatre de nouvelles technologies de capteurs,
notamment bass sur les techniques de microlectronique, qui ont permis la ralisation de
capteurs inertiels bas cot et lapparition de ces capteurs dans des produits grand public.
La prcision de ces capteurs est toutefois de quelques ordres de grandeur plus faible, ce qui
rend leur utilisation isole quasiment impossible. Ces capteurs fournissent toutefois un trs
bon complment lodomtrie, notamment pour lestimation de la direction.
Lacclration en translation de la plate-forme est mesure par des acclromtres linaires.
On dispose en gnral deux acclromtres pour prendre des mesures dans deux directions
perpendiculaires du plan de dplacement du robot. Un troisime peut tre dispos
verticalement afin de mesurer la position en trois dimensions.
Lacclration angulaire est mesure par des gyromtres. On dispose en gnral un gyromtre
selon laxe vertical, qui permet ainsi de mesurer langle de lacet du robot.
Deux autres gyromtres peuvent tre positionns selon deux axes du plan de dplacement afin
destimer la direction en trois dimensions.
Il est galement possible de mesurer la rotation du robot par rapport un axe de rfrence en
utilisant un gyroscope. Cette mesure seffectue en gnral par rapport un axe de rfrence
mis en rotation et isol mcaniquement le plus possible du robot, ce qui rend sa direction
indpendante de la direction du robot. Cette mesure peut tre moins bruite que lintgration
du signal dacclration mais dpend trs fortement de la qualit de la ralisation mcanique
du systme, qui dpend trs directement du prix du gyroscope.
15
Chapitre 2
Lensemble de ces lments (3 acclromtres et 3 gyromtres) peut tre runi pour former
une centrale inertielle qui permet destimer compltement les six degrs de liberts de la
position dans un espace 3 dimensions. Les centrales inertielles bas cot sont cependant
aujourdhui de qualit insuffisante pour une utilisation isole, tandis que les centrales de
qualit correcte restent trs chres. Ce domaine est cependant en volution rapide avec
larrive de nouvelles technologies et lapparition de centrales bas cot de qualit correcte
devrait se faire dans les prochaines annes.
Lutilisation des donnes fournies par ce type de senseurs passe aussi en gnral par un
modle probabiliste, qui peut tre du type de celui prsent pour lodomtrie.
2.3.2 .Les capteurs extroceptifs
Les capteurs extroceptifs permettent de percevoir le milieu dvolution du robot. Ils sont
gnralement le complment indispensable aux capteurs prsents prcdemment. Des
mthodes de fusion de donnes seront alors utiliss pour conditionner et traiter les
informations sensorielles de natures diffrents [1]. Deux familles de capteurs extroceptifs
embarqus peuvent tre identifies : les capteurs tlmtriques et les systmes de vision.
2.3.2.1. Les capteurs tlmtriques
Il existe diffrents types de tlmtres, qui permettent de mesurer la distance
lenvironnement, utilisant divers principes physiques.
a)- Tlmtres ultrasons
Les tlmtres ultrason sont historiquement les premiers avoir t utiliss. Il utilisent la
mesure du temps de retour dune onde sonore rflchie par les obstacles pour estimer la
distance (Figure 2. 3). Ces tlmtres sont trs simple et peu cher, et sont donc trs rpandus,
mais possdent de nombreux inconvnients.
Figure 2-3 : Principe du tlmtre ultrasons

16
Chapitre 2
En premier lieu, deux tlmtres voisins ne peuvent tre utiliss simultanment, car il est
impossible de savoir par lequel des deux tlmtres une onde rflchie a t mise
(phnomne de crosstalk). Un robot possdant plusieurs tlmtres doit donc les activer
lun aprs lautre, ce qui entrane un taux de rafrachissement global des mesures relativement
faible. Ces tlmtres possdent une zone aveugle, de quelques dizaines de centimtres, en
dessous de laquelle ils ne peuvent dtecter les obstacles. Cette zone est due a une
temporisation entre lmission de londe sonore et le dbut de la dtection de londe rflchie
qui est ncessaire pour ne pas perturber cette mesure. De plus, londe rflchie est trs
sensible aux conditions environnementales locales. Ainsi, si langle entre lobstacle et la
direction de londe sonore est trop faible, il ny aura pas de retour de londe sonore et
lobstacle ne sera pas peru. Londe de retour dpend galement de la texture de lobstacle.
Un mur couvert de moquette pourra par exemple ne pas tre dtect.
Les tlmtres ultrason dtectent les obstacles se situant dans un cne relativement large
(dangle au sommet denviron 30 degrs). Cette caractristique peut tre la fois un avantage
et un inconvnient. Cest un inconvnient car un obstacle dtect nest pas localis en angle
lintrieur du cne de dtection, et on obtient donc une mesure de la position relativement
imprcise. Cest par contre un avantage car des lments relativement fins (les pieds de table
ou de chaise par exemple) sont dtects dans ce cne, alors quils pourraient ne pas tre
dtects par des tlmtres ayant un angle douverture trs fin.
b)- Tlmtres infrarouges
Ces tlmtres possdent lavantage davoir un cne de dtection beaucoup plus restreint. Il
utilisent une lumire infrarouge au lieu dune onde sonore pour la dtection et peuvent tre
bass sur diffrentes techniques qui permettent de recueillir plus ou moins dinformation. Il
est possible de mesurer simplement le retour ou le non-retour dune impulsion code, ce qui
permet de dtecter la prsence ou labsence dun obstacle dans une certaine portion de
lespace.
Il est galement possible de raliser une triangulation sur le faisceau de retour de londe
lumineuse, ce qui permet davoir une mesure de la distance de lobstacle.
Les inconvnients de ces tlmtres sont lis leur porte, en gnral relativement restreinte,
et leur sensibilit aux fortes sources de lumires qui contiennent un fort rayonnement
infrarouge. Un projecteur du type de ceux utiliss pour la tlvision point sur le robot, par
exemple, sature en gnral compltement le rcepteur et empche toute dtection dobstacle.
Ils sont galement trs sensibles la couleur et la nature de la surface de lobstacle (par
exemple, ils dtectent difficilement les vitres).
17
Chapitre 2
c)- Tlmtres laser

Les tlmtres les plus utiliss lheure actuelle pour des applications de cartographie et de
localisation sont les tlmtres laser balayage. Ils utilisent un faisceau laser mis en rotation
afin de balayer un plan, en gnral horizontal, et qui permet de mesurer la distance des objets
qui coupent ce plan (Figure 4). Cette mesure peut tre ralise selon diffrentes techniques
(mesure du temps de retour, interfromtrie...).
Figure 2-4 : Illustration dun tlmtre Laser.

Les tlmtres les plus courant ont une bonne rsolution angulaire car ils permettent dobtenir
une mesure de distance tout les demi degrs, sur une zone de 180 ou 360 degrs selon les
modles. La mesure est de plus relativement prcise (avec un bruit de lordre de quelques
centimtres) une distance relativement grande (plusieurs dizaines de mtres). La frquence
dacquisition est en gnral de lordre de la dizaine de Hertz, voire proche de la centaine pour
certains modles.
Ces tlmtres sont trs utiliss en environnement intrieur car ils fournissent des donnes
abondantes et prcises sur la position des objets caractristiques de lenvironnement tels que
les murs. Ils possdent toutefois un certain nombre dinconvnients. En premier lieu, leur
zone de perception est restreinte un plan et ne permet donc pas de dtecter les obstacles
situs hors de ce plan (un petit objet pos au sol par exemple).
Ils ne peuvent pas non plus dtecter les objets ne rflchissant pas correctement la lumire du
laser (en premier lieu les vitres, mais aussi certains objets trs rflchissants, tels que les
objets chroms). Pour limiter ces inconvnients, il est possible de les utiliser en conjonction
avec des capteurs ultrason qui ont un cne de dtection plus large et qui peuvent dtecter les
vitres. Enfin, la plupart des algorithmes de cartographie et de localisation existants supposent
18
Chapitre 2
que le plan de mesure du tlmtre laser reste horizontal et hauteur constante, ce qui nest
plus vrai en cas de sol irrgulier ou, dans la majorit des cas, en extrieur.
A lheure actuelle, des tlmtres laser balayant lespace selon deux axes commencent
apparatre. Ils permettent ainsi dobtenir une image de distance selon un angle solide de
lordre de quelques dizaines de degrs dans les deux dimensions. Ces tlmtres restent
toutefois chers et fragile du fait de la mcanique ncessaire au balayage. De plus, la frquence
dacquisition est relativement faible (de lordre de quelques Hertz), ce qui pose problme
lorsque le robot est en mouvement.
Des systmes sans balayage permettant dobtenir une image de profondeur sont galement en
cours de dveloppement. Il restent aujourdhui du domaine de la recherche mais sont dun trs
grand intrt potentiel pour la robotique mobile.
d)- Modle probabiliste
Les modles probabilistes associs ces capteurs permettent de donner la probabilit de la
mesure en fonction de la distance relle de lobstacle. Les probabilits sont estimes pour
chacune des mesures individuelles prises depuis une position, puis agglomres par produit :
M
P (Scan|Obstacles) =
P (mesure i|distance obstacles).
i =1
Figure 2-5 : Modle probabiliste de tlmtre.

Pour estimer la probabilit dune mesure individuelle, il est possible dutiliser une simple loi
gaussienne comme modle probabiliste, mais les modles sont en gnral un peu plus volus
et utilisent une combinaison de lois qui modlisent divers phnomnes (Figure 2. 5) :
la mesure effective de lobstacle vis, modlis par une gaussienne en gnral
la perception dun obstacle imprvu, modlis par une loi dcroissante
la non perception de lobstacle qui donne une mesure la distance maximale du

tlmtre, modlis par un pic. Les paramtres de cette combinaison de lois peuvent
tre rgls manuellement ou estims partir dun ensemble de mesures, par exemple
en utilisant un algorithme de maximisation de lesprance. Ces modles peuvent tre
adapts tous les types de tlmtres.
19
Chapitre 2
2.3.2.2. Les systmes de vision (les camras)

Lutilisation dune camra pour percevoir lenvironnement est une mthode attractive car elle
semble proche des mthodes utilises par les humains. Le traitement des donnes
volumineuses et complexes fournies par ces capteurs reste cependant difficile lheure
actuelle, mme si cela reste une voie de recherche trs explore.
a)- Camras simples
Une camra standard peut tre utilise de diffrentes manires pour la navigation dun robot
mobile. Elle peut tre utilise pour dtecter des amers visuels (des points particuliers qui
servent de repre, tels que des portes ou des affiches) partir desquels il sera possible de
calculer la position du robot. Si ces amers sont simplement ponctuels, ou de petite taille, il
sera en gnral simplement possible destimer leur direction. Dans le cas ou les amers sont
des objets connus en 2 ou 3 dimensions, il sera en gnral possible destimer compltement la
position du robot par rapport la leur. Elle peut galement tre utilise pour dtecter des
guides de navigation pour le robot, tels que des routes ou des couloirs.
Il est galement possible dutiliser globalement une image pour caractriser une position ou
un point de vue dans lenvironnement. Il faudra alors comparer cette image aux nouvelles
images acquises par le robot pour savoir si le robot est revenu cette position. Cette
comparaison peut faire appel de trs nombreuses techniques, notamment celles utilises
dans le domaine de lindexation dimage.
Figure 2-6 : Illustration du principe de base du flot optique.
Lorsque le robot est en mouvement, il est galement possible de tirer parti du flot optique
(le mouvement apparent des objets dans limage, voir figure 2-6), afin davoir une estimation
de la distance des objets. En effet, les objets les plus proches ont un dplacement apparent
plus important que les objets lointains. Cette mthode permet notamment de raliser un
vitement dobstacles ou de raliser une reconstruction tridimensionnelle de lenvironnement
(par des techniques connues sous le nom de structure from motion).
20
Chapitre 2
b)- Camras stroscopiques

Lorsque lon dispose de deux camras observant la mme partie de lenvironnement partir
de deux points de vue diffrents, il est possible destimer la distance des objets et davoir ainsi
une image de profondeur, qui peut tre utilise pour lvitement dobstacles ou la cartographie
[3]. Cette mthode suppose toutefois un minimum dlments saillants dans lenvironnement
(ou un minimum de texture) et peut tre limite, par exemple dans un environnement dont les
murs sont peints de couleurs uniformes. La qualit de la reconstruction risque galement de
dpendre fortement des conditions de luminosit. La rsolution et lcartement des deux
camras impose galement les profondeurs minimum et maximum qui peuvent tre perues,
ce qui peut tre limitatif pour la vitesse de dplacement du robot.
Des techniques similaires peuvent galement tre utilises pour estimer la profondeur partir
dune camra en mouvement (mthodes de structure from motion), la difficult tant alors
destimer la fois la profondeur et les positions relatives de la camra lors de la prise des
deux images.
c)- Camras panoramiques
Les camras panoramiques (catadioptriques) sont constitues dune camra standard pointant
vers un miroir de rvolution (par exemple un simple cne, ou un profil plus complexe qui
peut sadapter la rsolution exacte que lon veut obtenir sur le panorama) (figure 2-7).
Limage recueillie permet davoir une vision de lenvironnement sur 360 degrs autour de la
camera. Le secteur angulaire vertical observ dpend de la forme du miroir et peut tre adapt
aux besoins de chaque application (Figure 2-7).
Figure 2-7 : Principe des camras panoramiques catadioptriques et exemple dimage

obtenue.
Ce type de camra est trs pratique pour la navigation car une image prise par une camera
panoramique oriente verticalement permet de caractriser une position, indpendamment de
21
Chapitre 2
la direction du robot. En effet, pour une position donne et pour deux orientations diffrentes,
la mme image sera forme par la camra, une rotation autour du centre prs, tandis que
pour une camra standard, oriente horizontalement, la scne serait diffrente.
Ces camras sont donc trs pratiques lorsque lon caractrise une position de manire globale,
mais peuvent aussi tre utilises pour dtecter des amers ou pour estimer le flux optique. Dans
ce cas, toutefois, comme la gomtrie de limage forme est relativement complexe et comme
la rsolution obtenue varie normment selon la direction observe, les algorithmes doivent
tre adapts, ce qui pose un certain nombre de problmes. Concernant le flux optique,
cependant, les camras panoramiques possdent lavantage de contenir toujours le point
dexpansion et le point de contraction dans limage, ce qui rend lestimation du mouvement
beaucoup plus aise.
2.3.2.3. Autres capteurs
a)- Les capteurs tactiles
Les robots peuvent tre quips de capteurs tactiles, qui sont le plus souvent utiliss pour des
arrts durgence lorsquil rencontre un obstacle qui navait pas t dtect par le reste du
systme de perception [3].
Ces capteurs peuvent tre de simples contacteurs rpartis sur le pourtour du robot. Il ne
dtecte alors le contact quau dernier moment. Il est galement possible dutiliser des petites
tiges arques autour du robot pour servir dintermdiaire ces contacteurs, ce qui permet une
dtection un peu plus prcoce et donne ainsi plus de marge pour arrter le robot.
b)- Les boussoles
Les boussoles permettent, par la mesure du champ magntique terrestre, de dduire la
direction du nord. Ces capteurs peuvent utiliser diffrentes technologies et ont lavantage de
fournir une direction de rfrence stable au cours du temps (au contraire des gyroscopes qui
drivent). Ces capteurs sont toutefois trs dlicats utiliser en intrieur car ils sont trs
sensibles aux masses mtalliques prsentes dans la structure des btiments. En pratique, on les
utilise donc principalement en extrieur en apportant le plus grand soin leur positionnement
sur le robot pour viter les influences des composants du robot, notamment les moteurs
lectriques.
22
Chapitre 2
c)- Les balises

Dans certaines applications, il est galement possible dutiliser des balises dont on connat la
position, et qui pourront tre facilement dtectes par le robot, afin de faciliter sa localisation.
Des techniques trs diverses peuvent tre utilises pour ces balises. On peut par exemple
utiliser un signal radio, mis de manire omnidirectionnel par la balise. Le robot sera alors
quip dune antenne directionnelle qui lui permettra de dtecter la direction des diffrentes
balises, afin de dduire sa position par triangulation. On peut galement utiliser des codes
couleurs ou des codes barres qui pourront tre dtects par une camra.
d)- Le GPS
Les besoins de localisation tant omniprsents dans de trs nombreux secteurs de la vie
actuelle, lide davoir un systme de localisation le plus universel possible a donn lieu
lapparition du Global Positioning System. Cest un systme de balises dont on a plac les
balises sur des satellites en orbite terrestre et qui est par consquent accessible de quasiment
partout la surface du globe. Ce systme permet donc davoir une mesure de sa position dans
un repre global couvrant la terre avec une prcision variant de quelques dizaines de mtres
quelques centimtres suivant les quipements.
Ce systme est cependant loin de rsoudre tous les problmes de localisation des robots
mobiles. Il fonctionne en effet difficilement dans des environnements urbains, et nest pas
utilisable lintrieur des btiments. Sa prcision est de plus souvent trop faible pour quun
robot terrestre puisse utiliser ces informations seules. En pratique, il est souvent coupl un
systme inertiel qui permet de palier aux pertes du signal GPS et il ne remplace de toute faon
pas les capteurs du robot qui lui permettent de percevoir son environnement immdiat, qui
constitue la source dinformation principale pour la navigation court terme (par exemple
lvitement dobstacles, par opposition la navigation long terme qui consiste rejoindre un
but distant).
2. 4.Conclusion
On a essay dans ce chapitre de ne pas faire une tude dtaille sur les capteurs qui
relvent la fois de la physique, de llectronique et du traitement du signal. Nous nous
sommes contents dexpliquer le principe de fonctionnement des capteurs prsents et on
tachera simplement de garder lesprit que les dfauts inhrents aux diffrents systmes de
mesure utiliss (bruits, erreurs ou checs de mesures, difficult de modlisation) influent
fortement sur la perception que le robot a de lenvironnement et donc peuvent entraner des
perturbations et de mauvaises estimations de commande sur les actionneurs du robot mobile.
23
Chapitre 3
3.1. Introduction
La connaissance du milieu dans lequel volue le robot mobile nest tablie en gnral
quaprs avoir effectu une compagne de mesures de lensemble des lments constituants
lenvironnement. Cette procdure fastidieuse peut tre vite si le robot construit lui-mme
son modle denvironnement de manire dynamique [6].
Donc cest par la construction de modles de lenvironnement que le robot structure et rend
exploitable lensemble des donnes quil peroit. Ce problme a t normment tudi dans
la communaut des roboticiens, de nombreuses mthodes de construction de cartes de
lenvironnement ont t proposes.
Le problme de la construction des cartes est dterminant pour la localisation de certaines
entits, telles que des amers ou des obstacles dans une rfrence globale.
3.2. Modlisation
Une dfinition du robot pourrait tre : Systme automatique mcanis capable
d'effectuer une ou plusieurs tches, dans un environnement donn, de manire autonome, par
l'excution d'un programme. Le terme robot correspond donc un type bien prcis de
systme. Ainsi, si certaines caractristiques ne sont pas prsentes, une machine, mme trs
complexe, ne peut tre qualifie de robot. Bien videment, l'autonomie est un caractre
intrinsque li au robot. Un robot autonome est un systme capable d'agir et de ragir seul
face un vnement imprvu. L'autonomie suppose que le robot prvoit l'occurrence de
certains vnements, puis les ractions appropries ceux-ci. Ainsi, pour que le robot atteigne
un degr suprieur d'autonomie, il doit tre dot de moyens pour apprhender
l'environnement, construire et mettre jour des reprsentations internes de cet environnement,
dcider des actions adquates et ragir aux vnements imprvus.
En robotique mobile, nous rencontrons en gnral deux types d'environnements : statique et
dynamique. Dans un environnement statique, tous les objets (obstacles) sont immobiles : seul
le robot se dplace. Les objets peuvent se dplacer ou tre dplacs dans un environnement
24
Chapitre 3
dynamique ou volutif. Raliser des tches avec un robot dans un environnement dynamique
est beaucoup plus ambitieux que dans un milieu statique. Nous ne considrons dans notre
travail que les environnements statiques. Pour un robot mobile autonome, tre capable de se
dplacer dans un environnement non prpar est la fois indispensable et extrmement
complexe. Avoir un modle, plus ou moins dtaill de son environnement, est essentiel pour
assurer l'excution de ses missions. Un modle de l'environnement donne au robot les
capacits de ralisation des tches suivantes :
Planification de mouvements et dplacements. En fait, sans avoir un modle de son
environnement, le robot ne peut planifier un chemin pour aller d'un point de dpart un point
d'arrive. De plus, le modle permet au robot d'valuer et de quantifier les actions de
dplacement qu'il effectue.
Ralisation des mouvements. Le modle permet de dtecter des lments sur lesquels le
robot s'appuie pendant son dplacement, que ce soit des amers qui lui permettent de se
localiser, ou des buts successifs atteindre dans un enchanement de commandes rfrences
capteur.
Localisation. Un bon modle est indispensable pour le robot afin de se localiser. En effet, la
localisation du robot chaque instant assure l'excution du chemin planifi.
Planification et excution des tches en contexte multi-robots. Un modle commun donne
les moyens un ensemble de robots pour planifier et excuter des tches communes et
complmentaires.
Historiquement, le problme de modlisation en robotique mobile est trait comme un
problme de construction d'une carte (Cartographie ou Mapping).
La cartographie est l'ensemble des tudes et des oprations, scientifiques, artistiques et
techniques, intervenant partir des rsultats d'observations directes ou de l'exploitation d'une
documentation, en vue de l'laboration et de l'tablissement de cartes, plans et autres modes
d'expression, ainsi que dans leur utilisation .
La cartographie est considre comme l'un des plus importants problmes dans la construction
d'un robot mobile quasi autonome. En dpit des progrs remarquables raliss dans ce
domaine, il reste l'un des sujets les plus ambitieux. Actuellement, sur le march de la
robotique, on a seulement des mthodes pour la cartographie des environnements statiques,
structurs et de tailles limites. Cartographier des environnements non structurs, dynamiques
ou de grandes tailles reste un sujet de recherche ouvert.
La cartographie en robotique mobile est habituellement divise en deux grands types
d'approches : mtrique et topologique. Les cartes mtriques capturent les proprits
25
Chapitre 3
gomtriques de l'environnement, alors que les cartes topologiques dcrivent la connectivit

de diffrents lieux (pices, couloirs, etc.). La grille d'occupation est une autre approche pour
reprsenter une carte, dans laquelle la carte est une grille de cellules et la valeur de chaque
cellule rvle si elle est occupe ou libre. Nous dtaillerons ces diffrentes reprsentations 2D
dans ce qui suit.
3.3. Reprsentation 2D d'un environnement dintrieur
En robotique mobile, plusieurs types de reprsentation de l'environnement ont t
dvelopps. Il existe un consensus gnral sur le fait que ces diffrents types ont des
avantages et des limitations et qu'ils sont plus ou moins adapts selon la mission accomplir.
Par exemple, les cartes mtriques sont difficiles construire et maintenir cause de
l'incohrence entre le mouvement du robot et la perception. Elles sont moins adaptes pour les
problmes symboliques.
En revanche, les cartes topologiques sont mieux adaptes pour reprsenter les grands
environnements, pour rajouter un niveau symbolique ou pour communiquer avec l'homme.
Mais ces cartes permettent seulement au robot de se localiser de manire globale, et de
planifier la trajectoire de faon sous optimale. Lors de la construction des cartes topologiques,
la distinction des diffrentes composantes est difficile sans l'utilisation d'informations
mtriques.
Ces reprsentations s'avrent souvent complmentaires. Leur utilisation conjointe est
susceptible de favoriser l'exploitation de la carte rsultante pour les besoins de la navigation
du robot. C'est pourquoi les approches hybrides, qui combinent diffrents types de modles
lmentaires, se gnralisent.
3.3.1. Cartes mtriques
Dans une carte mtrique, lenvironnement est reprsent par un ensemble dobjets
auxquels sont associes des positions dans un espace mtrique, gnralement en deux
dimensions. Cet espace est, la plupart du temps, celui dans lequel sexprime la position du
robot estime par les donnes proprioceptives.
Les perceptions permettent, en utilisant un modle mtrique des capteurs, de dtecter ces
objets et destimer leur position par rapport au robot. La position de ces objets dans
lenvironnement est alors calcule en utilisant la position estime du robot. La fusion des deux
sources dinformation au sein dun mme cadre de reprsentation est caractristique des cartes
mtriques. Les objets mmoriss dans la carte peuvent tre trs divers. Dans certaines
implantations, ces objets correspondent aux obstacles que le robot pourra rencontrer dans son
26
Chapitre 3
environnement. La carte de lenvironnement correspond alors directement lespace libre,

cest--dire lespace dans lequel le robot peut se dplacer.
Lavantage principal des cartes mtriques est de permettre de reprsenter lensemble de
lenvironnement, et non un petit sous-ensemble de lieux. Cette reprsentation complte
permet ainsi destimer avec prcision et de manire continue la position du robot sur
lensemble de son environnement. De plus, cette reprsentation complte ne se limite pas aux
positions physiquement explores, mais stend toutes les zones que le robot a pu percevoir
depuis les lieux quil a visits. Cette proprit peut permettre la construction dune carte plus
exhaustive de lenvironnement en un temps plus court.
Une telle reprsentation permet une rutilisation plus facile dune carte sur des robots
diffrents, quips de capteurs diffrents, lessentiel de ladaptation se droulant au niveau
des modles de capteurs. Ce type de reprsentation est aussi facilement interprtable par un
humain, ce qui peut tre important dans le cas o il doit intervenir dans les dplacements du
robot.
3.3.2. Cartes topologiques
Les cartes topologiques permettent de reprsenter lenvironnement du robot sous
forme de graphe. Les noeuds du graphe correspondent des lieux, cest--dire des positions
que le robot peut atteindre. Les artes liant les noeuds marquent la possibilit pour le robot de
passer directement dun lieu un autre et mmorisent en gnral la manire de raliser ce
passage.
La dtection et la mmorisation des lieux reposent en gnral sur deux procdures qui
utilisent les perceptions. La premire permet simplement de comparer deux perceptions et
donc de reconnatre un lieu de la carte ou de dtecter un lieu nouveau. La seconde procdure
permet de mmoriser un nouveau lieu ou dadapter la dfinition dun lieu lors des passages
successifs du robot en ce lieu. Comme nous lavons dj mentionn, la reconnaissance dun
lieu est soumise aux problmes de la variabilit perceptuelle. En consquence, la premire
procdure peut donner des rsultats errons. Par exemple, un lieu dj visit peut ne pas tre
reconnu, ou un lieu nouveau peut tre confondu avec un lieu dj mmoris. Pour rsoudre
ces problmes, la reconnaissance des lieux fera donc appel aux donnes proprioceptives en
plus des perceptions. De nombreuses mthodes ont t mises en oeuvre dans ce but.
Les donnes mmorises dans les artes du graphe sur les relations de voisinage entre lieux
proviennent, pour leur part (en gnral), des donnes proprioceptives. Cela est caractristique
des cartes topologiques, dans lesquelles les perceptions ne sont en gnral pas utilises pour
27
Chapitre 3
estimer les positions relatives des lieux visits, mais seulement pour reconnatre un lieu. Ces
donnes peuvent tre des informations sur les positions relatives des noeuds, ou des
informations sur les actions effectuer pour parcourir cette arte.
Figure 3.1 : Cartes mtrique et topologique

La carte mtrique mmorise un ensemble dobjets perus (des murs dans cet exemple) avec
une position dans un cadre de rfrence globale.
La carte topologique mmorise un ensemble de lieux, ainsi que les manires de se dplacer de
lun lautre (dans cet exemple, B=Bureau, C=Couloir, P=Porte et I=Intersection)
3.3.3. Grilles d'occupation
Dans la reprsentation de l'environnement sous forme d'une grille d'occupation,
l'espace est partitionn en un ensemble de cellules distinctes. Un vecteur d'attributs
(ventuellement un seul nombre ou un seul bit dans le cas de cartes binaires) est attach
chacune des cellules pour reprsenter ses proprits : souvent, il s'agit du degr
d'encombrement par un obstacle (indice indiquant que la cellule correspondante est occupe
ou non par un obstacle).
Les grilles d'occupation constituent une reprsentation surfacique simple et populaire. Dans ce
type de modle, l'espace est discrtis selon une grille rgulire en cellules carres ou
rectangulaires de mme taille. Chaque cellule contient un indice (probabilit, histogramme,
etc.) indiquant si l'espace correspondant est plutt libre ou occup. La figure 3.2 illustre une
grille doccupation.
L'avantage principal des grilles d'occupation est leur capacit reprsenter l'espace de
manire trs dense, en fonction du pas de discrtisation de la grille. Elles sont adaptes des
environnements de forme quelconque, et elles donnent une estimation statistique de la
confiance dans les donnes. De plus, elles fournissent des informations d'occupation et donc
28
Chapitre 3
sur les positions des obstacles. Ainsi, elles sont souvent utilises lorsque l'application vise
repose sur la connaissance de l'espace libre, en particulier pour la planification de trajectoires
( partir de transformations en distance ou de champs de potentiels par exemple). Elles sont
en gnral relativement faciles interprter par l'homme.
Figure 3.2: Exemple d'une grille d'occupation 2D. Les valeurs d'occupation sont codes
comme suit : (Vert : inconnu ; blanc : libre ; bleu : occup)
La superficie est (10 x 10m), une cellule correspond (5 x 5cm)
Le principal inconvnient des grilles d'occupation rside dans leur manque de compacit :
elles sont plutt adaptes la reprsentation d'environnements encombrs mais s'avrent
particulirement inefficaces dans les grands espaces vides. De plus, la finesse de la
discrtisation tant prdfinie, elles ne sont pas capables de s'adapter automatiquement la
densit ou la taille des obstacles. En consquence, si les grilles d'occupation se prtent bien
certains algorithmes de planification, elles peuvent cependant se rvler inefficaces du fait
du manque d'adaptation l'chelle de l'environnement (en raison de la multiplication des
cellules libres dans les espaces ouverts par exemple). Les approches hirarchiques telles que
les quadtrees peuvent toutefois limiter ces problmes de compacit et d'adaptation l'chelle.
On peut galement reprocher aux reprsentations de type grille, le processus de
positionnement complexe et coteux qu'elles entranent pour le vhicule (notamment par
rapport une carte de balises o les objets comparer sont moins nombreux) ; vis vis du
29
Chapitre 3
SLAM, ce type de reprsentation est inadapte, puisqu'elles ne peuvent pas tre corriges
lorsque la position du robot s'amliore. De plus, elles paraissent peu appropries,
contrairement aux cartes topologiques par exemple, aux algorithmes de rsolution de
problmes exprims de manire symbolique.
3.3.4. Modle de primitives
Les primitives ou les amers sont des parties distinctives de l'environnement que l'on
peut facilement extraire via un type de capteur donn et qui admettent une description
paramtrique : notons qu'on parle gnralement de balises quand il s'agit d'amers artificiels.
Un amer gomtrique pour la localisation doit vrifier plusieurs critres : pouvoir
discriminant, domaine de visibilit important, stabilit, invariance et bonne adaptation la
mtrologie. Et afin de maintenir une reprsentation cohrente de l'environnement, les cartes
d'amers doivent de plus modliser les incertitudes sur ces primitives gomtriques.
En gnral, comme nous le verrons, ces incertitudes sont reprsentes par des distributions
gaussiennes sur les paramtres gomtriques de la primitive (positions cartsiennes ou
polaires, longueurs, etc.).
La reprsentation par amers fournit un cadre de travail mieux adapt pour rsoudre le
problme de la cartographie et localisation simultanes (SLAM), travers les approches
bases sur le filtre de Kalman tendu : la fermeture de boucles est gre de manire
transparente via la matrice de covariance. Le nombre des amers tant limit, les mises en
correspondance sont souvent moins coteuses que dans une grille d'occupation par exemple.
Par ailleurs, les cartes d'amers offrent une description plus compacte des larges espaces
ouverts que les grilles d'occupation. Mais elles sont moins adaptes aux environnements
encombrs de petits objets o les amers se multiplient. Cependant, les cartes d'amers peuvent
en principe atteindre une meilleure prcision que les grilles d'occupation car les objets sont
localises selon des coordonnes en nombres flottants alors que dans les grilles, l'espace est
discrtis.
En revanche, les cartes d'amers sont souvent peu denses et contrairement aux grilles
d'occupation, elles ne contiennent pas les informations d'encombrement ncessaires pour la
planification de trajectoires. En effet, les amers ponctuels renseignent peu sur la position des
obstacles continus de grande dimension et les amers de type segment ne sont gnralement
pas jointifs : le contour des obstacles est rarement continu et ferm, ce qui gnre des
ambiguts (par exemple, on peut se demander si l'on a observ une ouverture dans l'interstice
entre deux murs non jointifs). En gnral, les reprsentations base d'amers de haut niveau
30
Chapitre 3
sont faciles apprhender par l'homme. Les cartes d'amers constitues par des amers
gomtriques structurs (segments, plans, etc.) voire par des objets, sont plus faciles
comprendre que celles avec des amers trs basiques (notamment des points).
Les cartes d'amers gomtriques sont peu adaptes pour reprsenter l'environnement
d'extrieur. Cependant, ce type de reprsentations est relativement bien adapt aux
environnements structurs tels que l'intrieur des btiments, mais, elle est souvent limite
des rgions pouvant tre dcrites sous forme d'lments gomtriques simples (points,
segments, plans, etc.). Les approximations polygonales sont mal adaptes aux environnements
prsentant des courbes, et donc sont difficilement ajoutes la carte. Thrun suggre une
solution ce problme : ajouter la carte des modles d'objets. On constate que les cartes
d'amers sont gnralement capables de s'adapter automatiquement la densit des objets et
aux changements d'chelle, ce qui constitue un avantage par rapport aux grilles d'occupation.
3.3.5. Cartes hybrides
L'ide des cartes hybrides est d'utiliser deux ou plusieurs types de reprsentation
ensemble, ce qui va permettre de profiter des points forts de chaque reprsentation, et pourrait
aider surmonter les points faibles. Par exemple, plusieurs auteurs ont propos des mthodes
hybrides mtriques-topologiques dans l'intention de combiner la prcision des cartes
mtriques avec l'extensibilit des cartes topologiques [[2],[32], [33], [34], [35] ].
Par exemple, afin d'obtenir une reprsentation dense de l'environnement, les grilles
d'occupation peuvent tre utilises pour reprsenter les informations denses, un algorithme de
SLAM bas sur les primitives est utilis pour estimer les positions du robot. Mais, si les deux
cartes sont indpendantes, la carte globale sera incohrente. Un exemple d'incohrence peut
tre illustre lors de la fermeture de boucle. L'algorithme feature-based SLAM est capable de
propager l'incertitude en arrire pour toute la carte, ce qui permet d'avoir une carte cohrente.
Mais, si les deux cartes sont indpendantes, les corrections ralises par l'algorithme SLAM
ne seront pas propages dans la carte d'occupation. Cela donne par exemple qu'un objet se
trouve dans deux positions diffrentes dans les deux cartes.
La solution est de maintenir les corrlations entre la carte d'amers et la grille d'occupation.
Maintenir toutes ces corrlations rsout le problme de cohrence, mais cette solution est
envisageable seulement pour les petits environnements.
Nieto et al [28] ont propos une solution ce problme par la construction d'une carte
mtrique et hybride (Hybrid Metric Maps : HyMMs) qui combine les lments de la carte
avec d'autres informations sensorielles. Les auteurs prsentent comment combiner
31
Chapitre 3
efficacement un algorithme SLAM bas sur les primitives et une carte sous forme d'une grille
d'occupation. La carte globale est partitionn en un ensemble de rgions triangulaires locales
connectes, qui fournit un repre pour une description multi -chelles de l'environnement.
Pour eux, la carte hybride est reprsente par un graphe de systmes de coordonnes, telle que
chaque sommet dans le graphe reprsente un repre local, et les artes reprsentent les
transformations entre les repres adjacents.
Bien que les cartes hybrides offrent plus d'avantages que les cartes individuelles, elles
possdent des problmes qui n'apparaissent pas dans les cartes simples. Un problme vident
est la complexit introduite par les synergies. Par exemple, la sortie de localisation provenant
d'une composante va tre utilise comme l'entre d'un capteur virtuel, et donc on doit dfinir
un modle sensoriel pour cette entre, ce qui n'est pas toujours vident. D'autre part, on risque
d'avoir une propagation de l'erreur via les diffrentes composantes.
3.3.6. Remarques sur les mthodes de modlisation
Les deux grands types de mthodes de modlisation que nous avons prsentes ont des
avantages et des inconvnients. Les approches mtriques dites probabilistes, sont robustes et
relativement efficaces. En outre elles permettent de rpondre au problme de divergence li
lutilisation du filtrage de Kalman tendu dans des approches dites gomtriques. En revanche
elles possdent le gros dsavantage dtre lourdes en temps de calcul et limites en prcision.
Lautre problme de ces mthodes est leurs niveaux smantiques faibles qui globalement se
limitent une certitude sur lexistence dune cellule. La deuxime approche (approche
topologique) quant elle permet justement dintgrer une description de plus haut niveau que
dans les approches mtriques, ceci en intgrant la notion de places significatives au sens de la
navigation. Ces lieux caractristiques, ainsi que les liens entre ces lieux sont gnralement
grs dans un graphe, do une combinatoire moindre et une optimisation du paramtre
mmoire pour le stockage des donnes. En outre la quantification prcise des contraintes
gomtriques entre ces places significatives, par exemple pour des petits dplacement du
robot, savre tre un problme.
Nous pouvons finalement constater que ces deux approches sont complmentaires. Il est donc
intressant de pouvoir associer ces deux types de reprsentation dans un module de gnration
de carte. Cette approche complmentaire, que lon peut qualifier dapproche hybride, est de
plus en plus intgre dans des travaux rcents. Les rsultats obtenus montrent clairement
lefficacit dune telle approche.
32
Chapitre 3
3.4. Localisation et modlisation simultanes de lenvironnement (SLAM)

Lorsque la carte de lenvironnement du robot nest pas connue a priori, un module de
gnration de carte incrmentale doit obligatoirement tre intgr au systme de navigation.
Il sagit l dune tape supplmentaire qui consiste mettre jour, au fur et mesure des
acquisitions, une reprsentation du milieu dvolution du robot. La cartographie et localisation
simultane (SLAM) est la technique la plus utilise actuellement pour la construction de
robots autonomes. Le robot cre une carte de lenvironnement et, simultanment, se localise
grce celle-ci. La carte ainsi que la position du robot sont totalement inconnues au dpart.
En particulier le robot ne possde aucune information sur le type de lenvironnement (statique
ou dynamique), ni sur sa topologie. La carte de lenvironnement est cre partir de ses
observations. Celle-ci est en ralit une collection damers dont il estime la position partir
de sa propre position et des donnes acquises par ses capteurs. Ces mmes amers, utiliss
conjointement avec lodomtrie, permettent destimer la position du robot. Dterminer la
position du robot demande par consquent une bonne connaissance de lenvironnement, qui
elle mme ncessite une connaissance prcise de la position du vhicule. Les estimations sont
donc dpendantes les unes des autres, cest un problme du type loeuf ou la poule.
Ltape de localisation devient alors indissociable de celle de modlisation et on parle alors
dun systme de localisation et modlisation simultane.
Le problme connu dans la littrature sous le sigle SLAM (Simultaneous Localization and
Mapping) ou CML (Concurrent Localization and Mapping) consiste estimer conjointement
la position du robot et les positions dun ensemble dobjets remarquables de lenvironnement,
ces objets sont appels amers et sont supposs immobiles.
L'algorithme du SLAM a suscit un intrt remarquable dans la communaut de la robotique
mobile car cest un outil permettant une navigation autonome totale [[2], [22], [29]].
L'algorithme de base, fond sur le filtre de Kalman, apparat dans le papier de Smith et al
[25], qui s'inspire des travaux antrieurs de Ayache et Faugeras [26] et de Chatila et Laumond
[27]. Un robot capable de se localiser et de construire en mme temps une carte de
l'environnement peut voluer de faon autonome dans des environnements inconnus. La
majorit des travaux est focalise sur les techniques d'estimation stochastique pour construire
et maintenir les estimations de la position du robot et des positions des amers. En particulier,
le filtre de Kalman tendu tait propos comme un mcanisme permettant de fusionner les
informations acquises par le robot pour obtenir une carte cohrente de manire incrmentale.
Pour l'algorithme SLAM initial, les amers sont supposs fixes; dans des travaux rcents, cet
33
Chapitre 3
algorithme a t modifi pour donner naissance au SLAMMOT (Slam and Mobile Object
Tracking) avec lequel un robot peut apprhender un environnement dynamique.
La figure suivante prsente les diffrentes tapes du SLAM :
Figure 3.3 : Etapes du SLAM

(A) Le robot observe une premire fois les trois amers (les angles des carrs), (B) le robot se
dplace, il connat sa position avec incertitude, (C) le robot robserve les amers, (D) la fusion
de cette observation avec la carte construite prcdemment permet de diminuer la fois les
incertitudes sur les positions des amers et sur la position du robot.
Le SLAM est destin tre implant sur une plate-forme temps rel, de plus le robot a besoin
de construire de manire incrmentale son modle du monde car il utilise ce modle tout
instant [5]. Son fonctionnement est reprsent par la figure suivante :
Perception (tlmtre
laser, vision,..)
Robot
Association de
donnes
Environnement
Proprioception (odometrie,
Centrale inertielle)
Estimation
(EKF, EIF,)
Position du robot
Carte
Figure 3.4 : Algorithme SLAM [5]

La figure (3.4) prsente une vue gnrale dun algorithme SLAM. Les diffrents blocs sont :
Perception : Les algorithmes de perception fournissent partir des donnes issues de
capteurs tel quun tlmtre laser, une camera . . ., un ensemble dobservations des lments
de lenvironnement qui constitue des amers.
34
Chapitre 3
Association de donnes : tant donn une observation, on doit dcider si cette observation
correspond un amer dj prsent dans la carte, et de quel amer il sagit, ou bien alors si cest
un nouvel amer ajouter la carte.
Proprioception : Les donnes proprioceptives sont des mesures internes au systme, et
renseignent sur lvolution de son tat. Pour le SLAM, nous nous intressons la position du
robot dont lvolution est typiquement fournie par des capteurs odomtriques ou une centrale
inertielle.
Estimation : Lalgorithme destimation doit intgrer les donnes issues de la perception ainsi
que de la proprioception afin de fournir une estime de la position du robot et des positions
des amers, ainsi que les incertitudes associes ces estimes.
3.5. Travaux de simulation
3.5.1. Introduction
Les problmes de la modlisation d'environnement et de la localisation sont
intimement lis, et peuvent par consquent tre rsolus de manire unifie. Lalgorithme
utilis repose sur le filtrage de Kalman pour estimer les dplacements du robot et pour reobserver les amers prcdemment cartographis qui sont les points d'intrt dtects lors de
lvolution du robot mobile. Plusieurs simulations ont t effectues, en changeant chaque
fois le nombre ditrations.
3.5.2. Algorithme labor utilisant le filtrage de kalman
Fonction [ x k , a ] = Slam [ x k 1 , z k , a ]
e01: x k / k 1 = f ( x k 1 / k 1 , uk )
f
( x k 1 / k 1 , u k )
e02 : Fx =
x
f
e03: Fu = ( x k 1 / k 1 , u k )
u
T
T
e04 : Pk / k 1 = Fx .Pk 1 / k 1 .Fx + Fu .Pk 1 / k 1 .Fu
e05 : z ( k ) capteurObs ( x ( k ))
e06 : z(k ) h( x k / k 1 ).
e07 : k = z(k ) z(k )
e08 : R z k
h
e09 : H x = ( x k / k 1 )
x
T
e10 : S = H x Pk / k 1 H x + R
Prdiction
Jacobienne
Jacobienne
Prdiction
Observation
Prdiction Observation
Innovation
Covariance dObservation
Jacobienne
Covariance de linnovation
35
Chapitre 3
e11: K k = H x Pk / k 1 S 1
e12 : x k / k = xk / k 1 + K k . k
e13: Pk / k = Pk / k 1 K k SKk
Gain de Kalman
Mise jour de ltat
T
Mise jour de Covariance
x k / k
e14 : x k / k =
g ( x k / k , z k )
g
e15 : Gx = ( xk / k , z k )
x
g
e16 : Gz = ( xk / k , z k )
z
T
e17 : Pva = Pk / k .Gx
e18 : Paa = Gx Pk / k .Gx + Gz RGz
T
Carte Cartographie dun amer

Jacobienne
Jacobienne
Inter- Covariance : Vhicule- amer
T
Variance : amer- amer
Pva
P
e19 : Pk / k = k /Tk
Matrice de Covariance augment
Pva Paa
e20 : k = k + 1.......................................................................................................................................
3.5.3. Rsultats de simulation
100
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
50
100
Figure 3.5 : Environnement obtenu aprs 500 itrations
36
Chapitre 3
100
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
50
100
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
50
100

37
Chapitre 3
100
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
50
100
100
80
60
40
20
0
-20
-40
-60
-100
-80
-60
-40
-20
20
40
60
80
100

38
Chapitre 3
3.6. Conclusion
La localisation sans connaissance a priori ncessite dintgrer un module de
construction incrmentale de carte. Nous avons pu remarquer que quelque soit la catgorie de
mthode de modlisation employe, ltape de localisation est indissociable de celle de mise
jour. En dautres termes, toute erreur sur lestimation de la configuration du robot aura une
influence sur celle commise lors de la mise jour. Cette forte interaction est dailleurs la
base du constat, souvent fait dans les travaux portant sur cette problmatique, qui souligne les
phnomnes derreurs cumulatives sur des longs trajets. Les travaux de simulations entrepris
montrent que plus longuement le robot inspecte son milieu dvolution mieux est la prcision
de sa localisation et de la localisation des amers aperus.
39
Chapitre 4
4.1. Introduction :
Le domaine de la robotique est relativement rcent et a connu une volution rapide qui
a bnfici de la puissance croissante des calculateurs. Les robots sont alors capables de
raliser des taches de plus en plus complexes, comme les robots gologues envoys sur Mars.
Ces taches de haut niveau reposent nanmoins sur des capacits de base que doit avoir un
robot : Se localiser dans son environnement et sy dplacer [5].
Un robot autonome introduit dans un environnement inconnu doit tre capable de construire
un modle de ce monde et de se localiser afin de pouvoir excuter une mission. Nous allons
mettre en oeuvre une mthode qui nous permettra de construire une carte dun environnement
priori inconnu du robot mobile et destimer en permanence sa position au sein de cette carte.
Le robot dispose de deux types dinformations :
Une information sur son dplacement qui provient par exemple de son odomtrie,
cest dire de lestimation de la distance quil a parcourue en mesurant le nombre de
tours effectus par chacune de ses roues.
Une information qui provient de la perception des amers se trouvant dans son
environnement, par un tlmtre.
Ces deux sources dinformation sont videment bruites : lodomtrie devient rapidement peu
fiable car les roues du robot peuvent glisser au sol et les perceptions fournissent une mesure
entache derreur.
Lobjectif est destimer simultanment, partir de ces deux types dinformation, la position
des amers (la carte de lenvironnement) et la trajectoire du robot. Ce problme est connu sous
le nom de SLAM (Simultaneous Localization And Mapping).
Loutil que nous allons utiliser pour rsoudre le problme du SLAM est le filtre de Kalman
tendu. Ce filtre permet destimer ltat du systme partir dune prdiction (bruite) de son
volution au cours du temps et des mesures (bruites) de cet tat. Pour le SLAM en robotique
mobile, ltat du systme est la position du robot et des amers. La prdiction de lvolution
40
Chapitre 4
provient des donnes odomtriques lors du dplacement du robot et les mesures proviennent
de la perception des amers par le robot.
Dans notre travail, ltat sera donc un vecteur compos de la position ( x, y ) , de lorientation
du robot et des n amers. Le filtre de Kalman permet destimer cet tat ainsi que lincertitude
sur cette estimation. Dans le cadre du filtre de Kalman, toutes les erreurs sur les diffrentes
grandeurs sont supposes gaussiennes. Lincertitude dune estimation est donc reprsente par
la variance de cette gaussienne.
En plus du vecteur dtat, le filtre de Kalman utilise aussi une matrice de covariance. Ainsi le
filtre donne chaque instant une estimation X k / k de la valeur de ltat rel X k / k du systme,
ainsi quune estimation de la prcision de cette estimation sous forme de matrice de
covariance Pk / k .
4.2. Rappel sur le filtrage de Kalman

4.2.1. Les systmes linaires
Le filtre de Kalman est un estimateur rcursif. Cela signifie que pour estimer l'tat
courant, seul l'tat prcdent et les mesures actuelles sont ncessaires. L'historique des
observations et des estimations n'est ainsi pas requis. L'tat du filtre est reprsent par deux
variables :
X k / k : Lestimation de l'tat l'instant k.

Pk / k : La matrice de covariance de l'erreur (une mesure de la prcision de l'tat estim).
Le filtre de Kalman a deux phases distinctes : Prdiction et mise jour.
La phase de prdiction utilise l'tat estim de l'instant prcdent pour produire une estimation
de l'tat courant. Dans l'tape de mise jour, les observations de l'instant courant sont utilises
pour corriger l'tat prdit dans le but d'obtenir une estimation plus prcise.
Prdiction
X k / k 1 = Fk . X k 1 / k 1 + B k .U k 1 (tat prdit)
(4.1)
Pk / k 1 = Fk .Pk 1 / k 1 .Fk + Qk (Estimation prdite de la covariance)
(4.2)
Avec
Fk : Matrice qui relie l'tat prcdent k 1 l'tat actuel k .
U k : entre de commande.
Bk : matrice qui relie l'entre de commande U l'tat X
Pk / k 1 : matrice d'estimation priori de la covariance de l'erreur
41
Chapitre 4
Pk / k : matrice d'estimation posteriori de la covariance de l'erreur
Qk : matrice de covariance du bruit de processus
Mise jour
Yk = Yk H k . X k / k 1 (Innovation)
(4.3)
S k = H k .Pk / k 1 .H k + Rk (Covariance de l'innovation)
(4.4)
K k = Pk / k 1 .H k .S k
T
Avec
(Gain de Kalman optimal)
(4.5)
X k / k = X k / k 1 + K k .Yk (Mise jour de ltat)
(4.6)
Pk / k = ( I K k .H k ).Pk / k 1 (Mise jour de la covariance)
(4.7)
Yk : Observation ou mesure du processus l'instant k.

H k : Matrice qui relie l'tat X k la mesure Yk .
Rk : Matrice de covariance du bruit de mesure.
I : Matrice identit aux dimensions adquates.
La formule de la mise jour de la covariance est valide uniquement pour un gain de Kalman
optimal. L'utilisation d'autres valeurs de gains ncessite des formules plus complexes.
4.2.2. Les systmes non linaires
Le filtre de Kalman est limit aux systmes linaires. Cependant, la plupart des
systmes physiques sont non linaires. Le filtre n'est donc optimal que sur une petite plage
linaire osculatrice des phnomnes rels. La non linarit peut tre associe au modle du
processus, au modle d'observation ou bien aux deux.
Filtre de Kalman tendu

Dans le filtre de Kalman tendu (FKE), les modles d'volution et d'observation n'ont
pas besoin d'tre des fonctions linaires de l'tat mais peuvent tre des fonctions
diffrentiables.
X k = f ( X k 1 , U k , Wk )
(4.8)
Z k = h( X k , Vk )
(4.9)
La fonction f peut tre utilise pour calculer l'tat prdit partir de l'tat estim prcdent et,
semblablement, la fonction h peut tre employe pour calculer l'observation prdite de l'tat
prdit. Cependant f et h ne peuvent pas tre appliques directement au calcul de la
covariance : une matrice des drives partielles, la Jacobienne est calcule.
42
Chapitre 4
chaque instant, la Jacobienne est value avec les tats estims courants. Ces matrices
peuvent tre employes dans les quations du filtre de Kalman. Ce processus linarise
essentiellement la fonction non linaire autour de l'estimation courante.
Ceci donne les quations du filtre de Kalman tendu suivantes :
Prdiction
X k / k 1 = f ( X k 1 / k 1 ,U k ,0)
(4.10)
Pk / k 1 = Fk .Pk 1 / k 1 .Fk + Qk
(4.11)
~
Yk = Z k h( X k / k 1 ,0)
(4.12)
S k = H k .Pk / k 1 .H k + Rk
(4.13)
Mise jour
K k = Pk / k 1 .H k .S k
T
(4.14)
~
X k / k = X k / k 1+ K k Yk
(4.15)
Pk / k = ( I K k .H k ).Pk / k 1
(4.16)
O les matrices de transition et d'observation sont dfinies comme tant les Jacobiennes
suivantes :
Fk =
f
value en X k 1 / k 1 ; U k
x
Hk =
h
x
value en X k 1 / k 1 .
(4.17)
(4.18)
4.3. Description des modles utiliss

Lalgorithme pour la rsolution du problme de la localisation et cartographie
simultanes utilise les trois modles suivants :
1. Modle de lvolution du robot reprsent par la fonction f (.)
X v ( k + 1) = f ( X v ( k ), u ( k ) ) + v ( k )
(4.19)
2. Modle de mesures ou dobservation des amers reprsent par la fonction h (.)

Z(k) = h ( X v (k)
)+
w (k )
(4.20)
3. Modle de cartographie des amers reprsent par la fonction g (.)

x + r cos ( + v )
X a i (k ) = g X v (k / k ) , Z i (k ) = v
y v + r sin ( + v )
Avec : Z i (k ) = [r ]
lobservation, v k et w
(4.21)
reprsentent des bruits gaussiens.
43
Chapitre 4
Le premier modle est caractris par une fonction f (.) qui caractrise lvolution du
robot. Il utilise les connaissances de la dynamique du robot pour la projection de ltat.
Le deuxime modle prdit les observations des amers cartographier.
Le troisime modle utilise les observations capteurs pour estimer la position dun
nouvel amer qui doit tre ajout la carte.
4.3.1. Modle dvolution du robot mobile

Un modle de lvolution dun robot mobile essaie de traduire la relation entre l'tat prcdent
du robot X v (k ) , et son tat courant X v (k + 1) , tant donn le vecteur de contrle u (k ) ;
X v (k + 1) = f ( X v (k ), u (k )) + v(k )
O X v (k ) est le vecteur d'tat l'instant k et v(k ) est un
vecteur alatoire dcrivant le bruit dans le modle dynamique du robot.

Un modle prcis du vhicule est essentiel dans tous les systmes de navigation. Ce modle
peut tre plus au moins complexe. Selon la fiabilit obtenue pour estimer les dplacements
lmentaires du vhicule partir des capteurs proprioceptifs disponibles, des modles plus ou
moins prcis peuvent tre gnrs.
Un modle idal du vhicule pourrait prvoir le mouvement sans erreur et pour toute
transition de l'tat. C'est videment impossible, parce que les modles choisis sont toujours
imparfaits et sujets des bruits qui endommagent la prcision de l'tat estim.
Y
Yu
yu
yv
u
k+1 X
xu
Xu
xv
Figure 4.1 : Modlisation du robot
44
Chapitre 4
Le robot modlis se dplace sur un plan et peroit la direction et la distance damers

ponctuels situs sur ce mme plan. Son tat est reprsent par sa position et son orientation
dans un repre global :
X v (k ) = [x v
yv v ]
(4.22)
Le dplacement du robot entre les instants k et k + 1 est mesur grce lodomtrie donne
dans le repre du robot linstant k :
U ( k ) = [x u
u ]T
yu
(4.23)
Le modle dvolution de ltat est donc donn par :
xv + xu cos( v ) y u sin( v )
X v (k + 1) = f ( X v (k ), u (k )) = y v + xu sin( v ) + y u cos( v )
v + u
(4.24)
On dfinit deux oprateurs et pour nous permettre de composer (enchaner ensemble)

des transformations multiples avec les deux quations suivantes [14] :
X i ,k = X i , j X
(4.25)
j ,k
X j ,i = X i , j
(4.26)
Figure 4.2 : Transformations dans le plan

A partir des deux quations (4.25), (4.26) et selon la figure 4.2, on constate
que X 1,3 = X 1, 2 X 2,3 . Ces oprateurs reprsentent juste une stnographie pour une fonction
dune ou de deux transformations.
Si on considre X 1 = [xv
yv
v ]T et
X 2 = [x u
yu
u ]T lquation (4.24) peut scrire :
x1 + x 2 . cos(1 ) y 2 . sin(1 )
X 1 X 2 = y1 + x 2 . sin(1 ) + y 2 . cos(1 )
1 + 2
(4.27)
45
Chapitre 4
x1 . cos(1 ) y1 . sin(1 )
X 1 = x1 . sin(1 ) y1 . cos(1 ) : Transformation inverse
(4.28)
Ces quations permettent de dcrire le mouvement dun point ou dun vhicule dans un repre
par rapport un autre. On peut utiliser cette notation pour expliquer la composition des
mesures dodomtrie.
Soit la position prcdente x0 (k 1) dun vhicule, le processus de rotations des roues entre
deux lectures successives dodomtrie a montr une transformation relative de vhicule.
Posons u (k ) le vecteur de dplacement donn par lodomtrie entre deux instants successifs
(k-1) et k, la tche de combiner ce nouveau dplacement u (k ) avec la position prcdente
x0 (k 1) servira pour estimer le nouvel tat (position) du vhicule x0 (k ) ,et a par linsertion
de loprateur donc :
x0 (k ) = x0 (k 1) u (k )
(4.29)
Nous avons expliqu une faon dans laquelle les mesures de rotation des roues peuvent tre
utilises pour estimer une position du vhicule. Cependant on rencontre des situations o on
doit utiliser une entre de contrle ou des mesures dun systme de navigation.
Figure 4.3 : Composition dune mesure dodomtrie avec une estimation

prcdente afin de dduire une nouvelle estimation de position [14]
Si
les
dplacements
lmentaires
du
vhicule
sont
exprims
par
la
squence x0 (1), x0 (2)......x0 (k ) , pour calculer u (k ) , on peut invertir lquation (4.29) pour
obtenir :
u (k ) = x0 (k 1) x0 (k )
(4.30)
On utilise cette astuce pour dcrire lvolution de ltat de notre robot mobile comme suit :
xv (k + 1) = x v (k ) [x0 (k 1) x 0 (k )]
(4.31)
46
Chapitre 4
Composition de la position prcdente avec la mesure dodomtre (ou vecteur de contrle)

x0 (k 1) x0 (k ) . Alors
xv (k + 1) = x v (k ) u (k )
(4.32)
Les matrices Jacobiennes de la fonction dvolution dtat scrivent donc:
1 0 x 2 sin(1 ) y 2 cos(1 )
( x1 x 2 )
J 1 ( x1 , x 2 ) =
= 0 1 x 2 cos(1 ) y 2 sin(1 )
x1
0 0
(4.33)
cos(1 ) sin(1 ) 0
( x1 x 2 )
J 2 ( x1 , x 2 ) =
= sin(1 ) cos(1 ) 0
x 2
0
0
1
(4.34)
En remplaant par les valeurs
de ces
P(k / k 1) = Fx .P(k 1 / k 1).Fx + Fu .Q.Fu

T
nouvelles Jacobiennes
T
dans lquation
, on obtient
P (k / k 1) = J 1 ( x1 , x 2 ).P (k 1 / k 1).J 1 ( x1 , x 2 ) T + J 2 ( x1 , x 2 ).U 0 .J 2 ( x1 , x 2 ) T
02x
Avec U 0 = 0
0
02y
0
(4.35)
0 : Matrice de covariance derreur dodomtrie.

02
4.3.2. Modle des amers

Dans le contexte SLAM, un amer est une entit (primitive perceptuelle : point,
segment, plan, etc., ou un objet) de l'environnement qui peut tre observe de manire fiable
par les capteurs du vhicule [2].
Pour l'algorithme SLAM, les amers sont supposs des points fixes; de ce fait, la partie
dynamique du modle du systme considre seulement le modle du vhicule. Donc le
modle simple des amers est :
X a (k ) = X a (k 1)
(4.36)
4.3.3. Observation extroceptive

4.3.3.1. Tlmtrie
Quelle que soit la technologie utilise pour effectuer la mesure tlmtrique, le capteur
retourne gnralement deux informations. La premire donne langle de gisement, cest--dire
la direction dans laquelle a t faite la mesure. La seconde donne la distance au corps ayant
rflchi londe mise. Cette technique de mesure permet donc de positionner les objets
prsents dans la scne par rapport au robot. Elle se prte trs bien aux environnements
47
Chapitre 4
dintrieurs, structurs, comportant des formes rgulires et statiques comme des murs, qui
par ailleurs, possdent gnralement de bonnes proprits de rflexion.
4.3.3.2. Modle dobservation
Les perceptions fournissent des mesures de la distance et de langle de direction dun
amer de position connu, mesur par rapport au robot, figure (4.4). On suppose quon a m
amers dans lenvironnement situs en des points connus.
On suppose aussi que le capteur tlmtrique laser se situe la verticale du milieu de lessieu
des roues, car cette hypothse permet de simplifier les quations et ltude de l'algorithme.
y ai
ai
R robot
yv
k
xv
i
a
Figure 4.4 : Distance et angle de direction mesurs par tlmtrie

Les grandeurs observes sont des fonctions non linaires de ltat. Lorsqu linstant k , un
amer a i de coordonnes
relis ltat X = [xv
i
a
y ai est dtect, on mesure un angle k et une distance rk
y v v ] par les deux relations :

T
= a tan 2 ( y ai y v , x ai x v )
rk =
( y ai y v ) 2 + ( x ai x v ) 2
(4.37)
(4.38)
La fonction "atan2(x, y) " est analogue la fonction "arc tan(y/x) ", mais possde deux
arguments et renvoie ainsi un nombre compris entre et + .
Lquation prcdente sera note de faon symbolique :
= h(X
(4.39)
48
Chapitre 4
r ( k ) ( y ai y v ) 2 + ( x ai x v ) 2
Z i ,k =
=
( k ) a tan 2 ( y ai y v , x ai x v ) v
(4.40)
O la fonction hi est dite fonction dobservation. Lexposant i correspond lamer repr.

De faon gnrale, les mesures sur lenvironnement faites laide de capteurs extroceptifs,
quelles soient de nature tlmtrique ou goniomtrique, permettent dtablir une relation du
type de lquation (4.40).
La matrice Jacobienne de lquation dobservation scrira alors :
x ai x
h r
H x =
= i
X y a y
r 2
y ai y
r
x ai x
r2
(4.41)
4.3.4. Modle de cartographie des amers

Considrons lexemple montr par la figure ci-dessous .considrons un robot dtat ( x, y, ) ,
observant un amer a i ( xi , y i ) laide dun tlmtre laser, soit Z i (k ) = [r , ]T lobservation
de lamer i par le robot.
ai
yi
xi
Figure 4.5 : Modle de cartographie des amers

Si ai est connu, alors le robot va lutiliser comme observation pour la localisation. Par contre
si ai est inconnu, alors le robot va la cartographier sil connat sa propre localisation.
x + r. cos( + )
Xa i (k ) = g ( X (k ), Z i (k )) =
y + r. sin( + )
(4.42)
Ces quations reprsentent le modle de cartographie des amers Xa i ,k = g ( X k , Z i ,k )

connaissant ltat du robot et lobservation.
49
Chapitre 4
Les matrices jacobienne de lquation de cartographie scrivent comme suit :

G x =
g 1 0 r. sin( + )
=
:
X 0 1 + r. cos( + )
G z =
g cos( + ) r. sin( + )
=
: Jacobien par rapport la mesure
Z sin( + ) r. cos( + )
Jacobien par rapport ltat
(4.43)
(4.44)
4.4. Construction incrmentale de la carte denvironnement

Rappelons que la cartographie et la localisation simultane (SLAM) est le processus
qui permet un robot ou un vhicule mobile, de construire une carte de l'environnement et
d'utiliser cette carte pour estimer sa propre position. Lorsqu'il excute la fonction SLAM, un
vhicule ralise un processus complexe, combinant l'excution de dplacements dans l'espace
libre, la construction incrmentale d'une carte de l'environnement et l'exploitation de cette
carte afin de dtecter l'espace libre, puis gnrer le prochain dplacement dans cet espace libre
vers la meilleure position pour complter la carte.
Le vhicule dmarre d'une position inconnue sans aucune connaissance a priori des
emplacements des amers. En utilisant les mesures relatives des amers, le vhicule calcule des
estimations de sa position et des positions des amers. En se dplaant, le vhicule construit
une carte d'amers et l'utilise pour fournir une estimation continue de sa position. La
localisation du vhicule est faite par rapport un repre absolu, dfini gnralement par sa
position initiale au dbut de l'exploration. En suivant tout au long de la squence des donnes
sensorielles, la position relative entre le vhicule et les amers identifiables de l'environnement,
la position du vhicule et les positions des amers peuvent tre estimes simultanment.
Dans cette section nous allons
prsenter l'algorithme SLAM
utilis pour produire des
estimations de la position du robot et des amers en utilisant les mesures relatives la position
du robot. Nous utilisons le formalisme du filtre de Kalman tendu.
Pendant ses mouvements, le robot utilise ses capteurs pour observer les amers dans son
entourage. L'tat du systme l'instant k, X (k ) est compos du vecteur X v reprsentant l'tat
du robot, et de n a vecteurs dcrivant les amers observs X i (k ) avec i = 1,.........., n a .
Xv
X1
X (k ) = X 2
.
X
na
(4.45)
50
Chapitre 4
O X i
est l'tat d'un amer par rapport au repre global RG , tous les tats sont exprims par
rapport au repre global.

De plus, le vecteur d'tat du systme peut tre crit en groupant tous les tats des amers sous
un seul terme X a (k ) :
X
X (k ) = v
X a
(4.46)
Notre robot se dplace dans un environnement d'intrieur suppos inconnu, compos dun
ensemble dobjets ponctuels que nous allons prendre comme amers dans l'algorithme de
SLAM. L'tat du robot l'instant k peut tre dtermin par sa position et son orientation dans
l'espace, le vecteur d'tat du robot est dfini par :
xv
X v = y v
v
(4.47)
x
y
Rrobot
RGlobal
yv
xv
Figure4.6 : ltat du robot
Chaque amer est considr comme un point dfini par ces coordonns: X i = [xi
y i ] .Le
T
vecteur d'tat des amers dans la carte est la concatnation des vecteurs dcrivant chacun d'eux
X 1 (k )
..
X a (k ) =
..
X na (k )
(4.48)
51
Chapitre 4
4.4.1. Initialisation dun amer

Ltat dun nouvel amer X a i +1 (k ) peut tre calcul par la mesure obtenue partir
dune simple position du vhicule en utilisant la fonction dinitialisation damers g(.).
X a i +1 (k ) = g X (k / k ) , Z i +1 (k )
Par exemple si un capteur nous donne Z i +1 (k ) = [r ]
, la fonction dinitialisation damers
pour un point g(.) prend la forme suivante:
X a i + 1 (k ) = g
(X
(k
/ k ), Z
i+1
(k )) =
x v + r cos
y + r sin
v
(
(
+ v )
+ v )
(4.49)
Ce nouvel amer est introduit dans la carte par expansion du vecteur dtat X (k / k ) et de la
covariance P (k / k ) comme suit [21] :
X (k / k )
X (k / k )
X
a
(
k
)
i +1
(4.50)
X (k / k )
g ( x ( k ), Z ( k )) X ( k / k )
(4.51)
X (k / k )
x + r cos( + ) X ( k / k )
v
y v + r sin( + )
(4.52)
Pvai (k / k )
Pvai +1 (k / k )
Pvv(k / k )
Pa v(k / k )
Pai ai (k / k )
Pai ai +1 (k / k ) P(k / k )
i
Pai +1v(k / k ) Pai +1 ai (k / k ) Pai +1 ai +1 (k / k )
Pai +1ai +1 (k / k ) = G x P (k / k ) G x + G z R (k ) G z
T
(4.53)
Pva (k / k )
[Pai+1v(k / k ) Pai +1ai (k / k )] = i +1
= Gx.P (k / k )
Pa i a i +1 (k / k )
52
Chapitre 4
Gx est le Jacobien de la fonction g(.) par rapport au vecteur dtat et Gz le Jacobien de la

fonction g(.) par rapport la mesure.
4.4.2. Prdiction
L'tape de prdiction du filtre de Kalman tendu utilise le modle de mouvement du
robot pour produire une estimation de la position du robot X v (k / k 1) l'instant k sachant les
informations disponibles jusqu' l'instant k 1 comme :
X v (k / k 1) = f ( X v (k 1 / k 1), u (k ))
(4.54)
Le modle de l'amer donne la prdiction des amers :
X a (k / k 1) = X a (k 1 / k 1)
(4.55)
L'tape de prdiction de ltat du filtre peut s'crire :
X v (k / k 1) f ( X v (k 1 / k 1, u (k ))
X a (k 1 / k 1)
X a (k / k 1)
(4.56)
Prdiction de la matrice de covariance sur ltat:

P (k / k 1) = X f (k ) P (k 1 / k 1) X f T (k ) + u f (k )U (k ) u f T (k )
(4.57)
Pour l'algorithme SLAM, le calcul de la matrice de covariance sur l'tat, se rduit au calcul
seulement de la matrice de variance associe l'tat du robot et aux matrices de covariances
entre le robot et chaque amer [2]comme suit :
Pvv (k / k 1) = f x (k ).Pvv (k 1 / k 1).f x (k ) + f u (k ).U 0 .f u (k ) : Variance associe ltat

T
du robot
Pvv (k / k 1) = J 1 .Pvv(k 1 / k 1).J 1 + J 2 .U 0 .J 2

T
(4.58)
53
Chapitre 4
Pva (k / k 1) = f x (k ).Pva (k 1 / k 1) : Covariance entre robot et amer

Pva (k / k 1) = J 1 .Pva (k 1 / k 1)
Paa (k / k 1) = Paa (k 1 / k 1) : Variance associe lamer
(4.59)
(4.60)
La matrice de covariance globale peut tre crite sous la forme :

P (k / k 1) Pva(k / k 1) J1.Pvv(k 1/ k 1).J1T + J2.U0.J2T J1.Pvm(k 1/ k 1)
P(k / k 1) = Tvv
=
P
k
k
P
k
k
(
/
1
)
(
/
1
)
va
(J1.Pvm(k 1/ k 1))T
Pmm(k 1/ k 1)
aa
(4.61)
4.4.3. Observation
La fusion de l'observation avec l'tat estim est accomplie d'abord par le calcul de la
prdiction de lobservation Z (k 1 / k 1) ; utilisant le modle de l'observation h :
Z (k / k 1) = h( X (k / k 1))
(4.62)
Lorsque les observations sont reues depuis les capteurs du robot, elles doivent tre
associes des amers dj perus, donc dj intgrs dans la carte de l'environnement : c'est
la phase dite de Data association. La diffrence entre les observations actuelles Z (k ) , et les
observations prdites Z (k / k 1) est connue comme linnovation
v = Z (k ) Z (k / k 1)
(4.63)
La matrice de covariance de l'innovation S (k ) est calcule en utilisant l'estimation

courante, la covariance de ltat P (k / k 1) , le Jacobien du modle de l'observation X h(k ) ,
et la matrice de covariance de lobservation R (k ) .
S (k ) = h X (k ) P (k / k 1)h X (k ) + R (k )
T
(4.64)
L'innovation et sa matrice de covariance peuvent tre utilises pour valider les mesures
avant d'tre intgres dans le calcul des tats estims [2]. Le calcul de la matrice de
covariance de l'innovation peut aussi tre simplifi en notant que chaque observation est
seulement dpendante de l'amer observ.
54
Chapitre 4
4.4.4. Mise jour

Cette mise jour suppose que lamer peru soit dj dans la carte et donc dans le vecteur
dtat. Si lamer dtect par le robot nest pas dans la carte, il est simplement ajout la fin du
vecteur dtat et toutes les matrices sont agrandies de 2 lignes correspondantes.
Une fois que lobservation est associe un amer particulier dans la carte, l'estimation de
l'tat peut tre mise jour en utilisant la matrice de gain W (k ) . La matrice de gain fournit une
somme pondre de la prdiction et de l'observation. Elle est calcule en utilisant la matrice
de covariance de linnovation S (k ) , et la prdiction de la matrice de covariance P (k / k 1) .
Le facteur de pondration est proportionnel P (k / k 1) et inversement proportionnel la
covariance de l'innovation [[2], [30]]. Ceci peut est utilis pour mettre jour l'estimation du
vecteur d'tat du systme X (k / k ) et sa matrice de covariance P (k / k ) .
(k ) : Est la fonction d'innovation.

X (k / k ) = X (k / k 1) + W (k ). (k )
(4.65)
P (k / k ) = P (k / k 1) W (k ).S (k )W T (k )
(4.66)
Avec W (k ) = P (k / k 1) X h T S 1 (k )
(4.67)
4.4.5. Estimation :
Fond sur le modle du vhicule et sur le modle des observations, le processus de
Localisation et Cartographie consiste gnrer les meilleures estimations pour l'tat du
systme en utilisant les informations disponibles. Ceci peut tre accompli par une procdure
rcursive trois tapes, prdiction, observation et mise jour connue comme le Filtre de
Kalman tendu (EKF) [2],[31]. Le filtre de Kalman est un estimateur rcursif et produit
l'instant i l'estimation optimale (qui minimise la somme des erreurs quadratiques) X (i / j ) de
l'tat X (i ) tant donn les observations jusqu' linstant j , Z j = {Z (1).............Z ( j )}
Pour l'algorithme SLAM, le EKF est utilis pour estimer la position du vhicule X v (k / k )
avec les paramtres de n a amers observs X i (k / k ) , i = 1. . . n a . Le vecteur d'tat augment
montre que ce vecteur est compos de l'tat estim du vhicule et des estimations des amers
observs :
55
Chapitre 4

X v (k / k )
X 1 (k / k )
X (k / k ) = X 2 (k / k )
.
X (k / k )
na
(4.68)
Et la matrice de covariance donne par :
Pv1 (k / k )
Pvv (k / k )
P T (k / k ) P (k / k )
11
v1
.
.
P(k / k ) =
.
.
T
Pvn (k / k ) P1na (k / k )
a
. Pvn a (k / k )
. P1na (k / k )
.
.
.
.
. Pna na (k / k )
.
.
.
.
.
(4.69)
La matrice de covariance globale peut tre crite en notant Paa (k / k ) la matrice de covariance
de la carte, et Pva (k / k ) la matrice de covariance entre le vhicule et la carte :
Pvv (k / k ) Pva (k / k )
P(k / k ) = T
Pva (k / k ) Paa ( k / k )
(4.70)
4.5.Travaux de simulations :
Premier cas : Environnement constitu de 10 amers
Exemple 1
80
60
amer
40
20
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
Figure 4.7 : Environnement constitu de 10 amers
56
Chapitre 4
80
trajet du robot
60
40
20
0
-20
-40
amer
-60
ellipse
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
Figure 4.8 : Correction de positions des amers au fur et mesure du dplacement du robot
k = 1 1500
amer
80
60
40
20
robot
ellipse
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
Figure 4.9 : Carte construite pour une dure dexploration de K = 1 1500
57
Chapitre 4
80
trajet du robot
60
40
20
amer
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
k = 1 3000
robot
80
60
40
20
0
ellipse
-20
-40
-60
-80
-120 -100
-80
-60
-40
-20
20
40
60
80
Figure 4.11 : Carte construite pour une dure dexploration de k = 1 3000
58
Chapitre 4
Exemple 2 :
80
60
40
20
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
80
60
40
20
0
-20
-40
trajet du robot
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
k = 1 1500
59
Chapitre 4
80
amer
60
40
20
robot
ellipse
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
80
60
40
20
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80
Figure 4.15: Correction de positions des amers au fur et mesure du dplacement du

robot k = 1 3000
60
Chapitre 4
80
60
40
20
0
-20
-40
-60
-80
-120
-100
-80
-60
-40
-20
20
40
60
80

Deuxime cas : Environnement constitu de 15 amers
Exemple 1 :
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
0
x
50
100
61
Chapitre 4
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
0
x
50
100
k = 1 1500
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
0
x
50
100
62
Chapitre 4
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
0
x
50
100
Figure 4.20: Correction de positions des amers au fur et mesure du dplacement du

robot k = 1 3000
80
60
40
20
0
-20
-40
-60
-80
-100
-100
-50
0
x
50
100
63
Chapitre 4

Exemple 2 :
100
80
amer
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
100
80
trajet du robot
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
k = 1 1500
64
Chapitre 4
100
amer
80
60
robot
ellipse
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
100
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
k = 1 3000
65
Chapitre 4
100
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100

Troisime cas : Environnements constitus de 20 amers
Exemple1 :
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
66
Chapitre 4
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
k = 1 1500
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
67
Chapitre 4
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
k = 0 3000
80
60
40
20
0
-20
-40
-60
-80
-100
-50
0
x
50
100
68
Chapitre 4
Exemple 2 :
100
80
60
40
20
0
-20
-40
-60
-80
-60
-40
-20
20
40
60
80
100
100
80
60
40
20
0
-20
-40
-60
-80
-60
-40
-20
20
40
60
80
100
k = 1 1500
69
Chapitre 4
100
80
60
40
20
0
-20
-40
-60
-80
-60
-40
-20
20
40
60
80
100
100
80
60
40
20
0
-20
-40
-60
-80
-60
-40
-20
20
40
60
80
100
k = 1 3000
70
Chapitre 4
100
80
60
40
20
0
-20
-40
-60
-80
-60
-40
-20
20
40
60
80
100

4.6 Conclusion
Dans ce chapitre nous avons dvelopp une mthode de modlisation de lenvironnement,
sans connaissances priori, base sur lutilisation de lapproche mtrique et de la technique
de localisation et modlisation simultanes (SLAM). Pour lestimation et la mise jour des
coordonns des amers observs, nous avons utilis lalgorithme du filtre de kalman tendu
prsent dans ce chapitre. Diffrentes cartes sont construites par le programme de simulation
labor. On constate que lorsque la dure dexploration augmente, la prcision de la position
des amers est beaucoup plus fine et est meilleure. De plus les ellipsodes derreurs des amers
observs diminuent chaque exploration.
71
Conclusion gnrale
Dans ce travail de recherche on sest intress la construction incrmentale de cartes

bidimensionnelles 2D pour un robot mobile se dplaant dans un environnement dintrieur
inconnu priori.
Nous avons commenc notre travail par une description rapide des diffrents types de robots
mobiles roues et de leur utilisation. On a prsent aussi les deux types de localisation
existante savoir la localisation relative et la localisation absolue. Pour naviguer dans son
environnement dune manire fiable et sure, le robot mobile doit tre quip de capteurs. Pour
cette raison, une prsentation des diffrents capteurs utiliss en robotique mobile a t faite
aussi. Pour la construction de cartes denvironnement, on a t amen tudier les diffrentes
mthodes de modlisation denvironnements, savoir les mthodes mtriques et
topologiques. Le paradigme de localisation et modlisation incrmentale de lenvironnement
ncessite de sintresser obligatoirement aux lments de la chane de perception que sont les
capteurs, les mthodes de localisation et celles de modlisation. Cest ce que nous avons fait
de faon la plus synthtique possible dans ce travail. Les constats pouvant tre dgags, quant
ces trois modules, sont multiples.
Dans le troisime chapitre un algorithme de modlisation a t labor et nous a permis
davoir quelques rsultats de simulation. Diffrents environnements ont t cartographis, les
positions des amers sy trouvant sont corriges chaque passage du robot mobile. Plusieurs
essais ont t raliss et quelques figures sont prsentes. Dans le dernier chapitre nous avons
prsent les diffrentes tapes de construction de la carte incrmentale. Nous avons choisi
pour la ralisation de notre carte lapproche mtrique et avons labor un algorithme de
localisation et cartographie simultanes de lenvironnement bas sur le filtre de kalman
tendu. Cet algorithme est implment pour des amers ponctuels, le robot mobile tant quip
dun systme de perception utilisant un tlmtre laser. Plusieurs exemples de construction de
cartes incrmentales ont t traits. Les diffrentes tapes de notre algorithme sont
explicitement dtailles avec quelques travaux de simulation. Selon le nombre damers
existants, on a choisi trois types denvironnements : un environnement de dix amers, de
quinze amers et de vingt amers. Ensuite pour chaque cas on a pris deux configurations
72
Conclusion gnrale
diffrentes possibles de positionnement damers. Plusieurs cartes ont t construites pour
illustrer toutes ces configurations.
On a constat que le nombre damers dtects et leurs estimations dpendent de la dure
dexploration du robot. Plus le nombre dexplorations est important mieux est la prcision de
lemplacement de lamer dans le milieu dvolution du robot. Ainsi la carte ralise est
beaucoup plus prcise et plus correcte. On a constat aussi une grande influence du filtre de
kalman sur la correction de la position des amers, elle est reflte par le rtrcissement des
ellipsodes derreurs chaque nouvelle observation de lamer considr.
Finalement, on peut dire que le sujet abord est trs vaste et trs rcent par rapport dautres
sujets de la robotique mobile. Cependant, on peut dire que nous avons atteint le but planifi
auparavant avec succs.
Le travail dvelopp nous a permis de voir et de proposer un certain nombre de perspectives
intressantes que nous rsumons par les directives suivantes :
Les techniques proposes dans le cadre de ce travail ont t dveloppes pour des
environnements statiques. Toutefois, dans certaines applications concrtes, il serait galement
pertinent de s'affranchir de cette hypothse et de modliser des environnements volutifs.
Ce sujet peut tre orient aussi vers la modlisation denvironnement 3 D, en introduisant le
traitement dimage et en remplaant, au niveau du systme de perception, le tlmtre par une
camra omnidirectionnelle ou deux camras en utilisant la strovision par exemple.
73
Bibliographie
[1] Cyril DROCOURT Localisation et modlisation de l'environnement d'un robot mobile

par coopration de deux capteurs omnidirectionnels . Thse de doctorat 2002, Universit de
Technologie de COMPIEGNE
[2] Ayman ZUREIKI Fusion de Donnes Multi Capteurs pour la construction incrmentale
du Modle Tridimensionnel Textur dun Environnement Intrieur par un Robot Mobile .
Thse de doctorat 16 septembre 2008
[3] David FILLIAT Cours C10 2 Robotique Mobile ENSTA 6 octobre 2006
[4] Bernard BAYLE
Cours Robotique mobile anne 20072008 .Ecole Nationale
Suprieure de Physique de Strasbourg, Universit Louis Pasteur
[5] David FILLIAT TD- Localisation par filtrage de Kalman 4 dcembre 2009
[6] Noureddine SLIMANE Systme de localisation pour robots
doctorat 2005, Universit de BATNA
mobiles .Thse de
[7] Marie-Josie ALDON Capteurs et mthodes pour la localisation des robots mobiles .
Charge de recherche au CNRS, Universit de Montpellier II.
[8] Rapport La perception et la fusion de donnes Pour vhicules intelligents . Fvrier 1998
(version provisoire), Groupe thmatique 6 : FUSION Opration thmatique 6.3 : Vhicules
intelligents.
[9] Richard j, Rikoski, John J. Leonard, and Paul M Newman Stochastic Mapping
Frameworks .Marine Robotics Laboratory Massachusetts Institute of Technology
[10] Thomas LEMAIRE Robotique mobile : Localisation et Cartographie Simultanes .
LAAS-CNRS 7, avenue du Colonel Roche, 31077 Toulouse Cedex 4 ,29 mars 2004
[11] David FILLIAT IN 103-Introduction Matlab : Projet Robotique Cartographie el
localisation simultanes Filtrage de Kalman
[12] Hans Jacob S. Feder 1 , John J. Leonard1, and Christopher M. Smith 2 Adaptive Mobile
Robot Navigation and Mapping.
1. Massachusetts Institute of Technology, 77 Mass Ave., Cambridge, MA 02139
2. Charles Stark Draper Laboratory, 555 Technology Square, Cambridge, MA 02139
[13] Jos Neira, Juan D. Tardos, Data Association in Stochastic mapping using the Joint
Compatibility Test.
[14] Paul Michael Newman
C4B Mobile Robotics October 2003, Version 1.00
[15] Site Internet: http://fr.wikipedia.org/wiki/Filtre de Kalman
74
Bibliographie
[16] Cang Ye and Johann Borenstein, A new terrain mapping method for mobile robots
obstacle negotiation . Advanced Technologies Lab, The University of Michigan 1101 Beal
Ave, Ann Arbor, MI, USA 48109-2110
[17] Joan SOLA. Initialisation sans retard damers SLAM par mesures angulaires .
Directeurs de thse : Andr MONIN et Michel DEVY, Laboratoire daccueil : LAAS - CNRS
Etablissement dinscription : Institut National Polytechnique de Toulouse
[18] Castellanos, J., Montiel, J., Neira, J. et Tardos, J. (1999). The spmap a probabilistic
framework for simultaneous localization and map building. In IEEE Transactions on
Robotics and Automation, pages 948-952. 5.2.2
[19] Philippe BONNIFAIT. Localisation prcise en position et attitude des robots mobiles
d'extrieur volutions lentes . Thse de DOCTORAT 1997 .Ecole Doctorale Sciences Pour
lIngnieur de Nantes
[20] Stphane Betg-Brezetz. Modlisation incrmentale et localisation par amers pour la
navigation dun robot mobile autonome en environnement naturel .Thse de doctorat 1996
CNRS Toulouse
[21] John J. Leonard, Richard J. Rikoski, Paul M. Newman, and Michael Bosse Mapping
Partially Observable Features from Multiple Uncertain Vantage Points .MIT Dept. of Ocean
Engineering Cambridge, MA 02139, U.S.A
[22] Tim BAILEY and Hugh DURRANT-WHYTE Simultaneous Localization and Mapping
(SLAM): Part 1
TUTORIAL
[23] Tim BAILEY and Hugh DURRANT-WHYTE Simultaneous Localization and Mapping
(SLAM): Part 2
TUTORIAL
[24] M.W.M.G. Dissanayake, P.Newman, S. Clark, H.F. Durrant-Whyte and M. Csorba, A
Solution to the Simultaneous Localisation and Map Building (SLAM) Problem. Australian
Centre for Field Robotics Department of Mechanical and Mechatronic Engineering .The
University of Sydney NSW 2006, Australia
[25] Smith, R., Self, M. et Cheeseman, P. (1988). A stochastic map for uncertain spatial
relationships. In The fourth international symposium, pages 467-474. MIT Press. 2.3
[26] Ayache, N. et Faugeras, O. (1988). Maintaining representations of the environment of a
mobile robot. In The fourth international symposium, pages 337-350. MIT Press. 2.3
[27] Chatila, R. et Laumond, J. P. (1985). Position referencing and consistent world
modelling for mobile robots. In Proceedings of the IEEE International Conference on
Robotics and Automation (ICRA), pages 138-145. 2.3
[28] Nieto, J. I., Guivant, J. E. et Nebot, E. M. (2004). The hybrid metric maps (hymms) : A
novel map representation for denseslam. In Proceedings of the IEEE International
Conference on Robotics and Automation (ICRA), pages 391-396. 2.4.5
75
Bibliographie
[29] Tim Bailey, Juan Nieto, Jose Guivant, Michael Stevens and Eduardo Nebot Consistency
of the EKF-SLAM Algorithm .Australian Centre for Field Robotics
University of Sydney, NSW, Australia
[30] Smith, R., Self, M. et Cheeseman, P. (1990). Estimating uncertain spatial relationships
in robotics. Autonomous robot vehicles.
[31] DISSANAYAKE G., NEWMAN P., DURRANT-WHYTE H.F., CLARK S. et
CSORBA M., An experimental and theoretical investigation into simultaneous localisation
and map building. In The Sixth International Symposium on Experimental Robotics VI,
pages 265-274. Springer- Verlag. 2000
[32] Chong, K. S. et Kleeman, L. (1997). Large scale sonarray mapping using multiple
connected local maps. In International Conference on Field and Service Robotics, pages 538545, ANU, Canberra, Australia. 2.4.5
[33] Simhon, S. et Dudek, G. (1998). A global topological map formed by local metric maps
In Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems,
pages 1708-1714, Victoria, BC, Canada. 2.4.5
[34] Gass, J. a. (1999).Integrating fuzzy geometric maps and topological maps for robot
navigation. In roc of the 3rd International Symposium on Soft Computing. 2.4.5
[35] Bosse, M., Newman, P., Leonard, J., Soika, M., Feiten, W. et Teller, S. (2003). An atlas
framework for scalable mapping .Laboratory of Computer Science and Ocean Engineering
Massachusetts Institute of Technology, siemens Corporate Technology.
76

Reconstruction Incrémentale de Cartes D'environnement en Robotique Mobile

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Reconstruction Incrémentale de Cartes D'environnement en Robotique Mobile

Загружено:

Авторское право:

Доступные форматы

:

Rpublique Algrienne Dmocratique et Populaire

En vue de lobtention du diplme de

Reconstruction Incrmentale de Cartes

Soutenu le : 06/12/2011 devant le jury compos de :

Dr. ABDESSEMED Yassine

(M .C. A Universit de Batna)

Dr. SLIMANE Noureddine

(M.C. A Universit de Batna)

Dr. BOUKABOU Abdelkrim

(M.C. A Universit de Jijel)

Dr. AMEDDAH Djamel-Eddine Examinateur

(M.C. A Universit de Batna)

En premier lieu, je remercie Dieu de mavoir donn la force, le courage et la volont

Je remercie sincrement monsieur BOUKABOU Abedelkrim, matre de confrences

Je tiens aussi remercier monsieur AMEDDAH Djamel-Eddine davoir accept

Je ddie ce modeste travail :

Introduction Gnrale ....................................................................................................... 1

2.3.1.1. Lodometrie ...................................................................................................... 13

Aperus sur la robotique mobile

Aperus sur la robotique mobile

Figure 1-1 : Robot roues diffrentielles

Aperus sur la robotique mobile

Figure 1-2 : Robot de type tricycle

Figure 1-3: Robot de type voiture

Aperus sur la robotique mobile

Aperus sur la robotique mobile

Figure 1-4 : Calcul de la position grce lodomtrie [6]

Aperus sur la robotique mobile

1.5.2.1. Repres artificiels

Figure 1-5 : Systme de localisation par reprage de balises actives [1].

Aperus sur la robotique mobile

satellites. En thorie, trois satellites peuvent permettre de calculer la latitude, la longitude et

Figure 1-6 : Balises passives [1]

Aperus sur la robotique mobile

Aperus sur la robotique mobile

finale q f = q (t f ) . On peut nanmoins donner des dfinitions diffrentes de la tache de

Capteurs en robotique mobile

Capteurs en robotique mobile

2.3.1. Les capteurs proprioceptifs

Figure 2-1 : Exemple de modle probabiliste simple de lodomtrie [3].

Capteurs en robotique mobile

Le niveau de gris reprsente la probabilit de la position aprs un dplacement rectiligne vers

Figure 2-2 : Exemple de combinaison de mesures pour les modles probabilistes de

Capteurs en robotique mobile

Capteurs en robotique mobile

Figure 2-3 : Principe du tlmtre ultrasons

Capteurs en robotique mobile

Capteurs en robotique mobile

c)- Tlmtres laser

Figure 2-4 : Illustration dun tlmtre Laser.

Capteurs en robotique mobile

P (mesure i|distance obstacles).

Figure 2-5 : Modle probabiliste de tlmtre.

la mesure effective de lobstacle vis, modlis par une gaussienne en gnral

la perception dun obstacle imprvu, modlis par une loi dcroissante

la non perception de lobstacle qui donne une mesure la distance maximale du

Capteurs en robotique mobile

2.3.2.2. Les systmes de vision (les camras)

Figure 2-6 : Illustration du principe de base du flot optique.

Capteurs en robotique mobile

b)- Camras stroscopiques

Figure 2-7 : Principe des camras panoramiques catadioptriques et exemple dimage