Navigating the Road Ahead: Mathematical Solutions for Self-Driving Vehicle Localization and Mapping

Abstract

La localisation et la cartographie des véhicules autonomes constituent un domaine de recherche important visant à permettre aux véhicules autonomes de naviguer avec précision et de comprendre leur environnement. La motivation de ce domaine est de créer des systèmes de transport plus sûrs et plus efficaces. En dotant les véhicules de la capacité à se localiser avec précision et à créer des cartes détaillées de leur environnement, nous pouvons améliorer leur capacité à naviguer dans des environnements urbains complexes, à éviter les obstacles et à prendre des décisions éclairées en temps réel.

Cependant, la localisation et la cartographie précises constituent des défis, notamment lorsque le système mondial de navigation par satellite (GNSS) présente des limites. Bien que le GNSS soit couramment utilisé pour la localisation, il peut présenter des problèmes de précision dans les canyons urbains ou dans des environnements où la visibilité des satellites est limitée. Surmonter les limites du GNSS est essentiel pour développer des systèmes de conduite autonome robustes et fiables, pouvant être utilisés dans des scénarios divers et dynamiques. Par conséquent, les chercheurs se sont tournés vers d’autres capteurs embarqués sur les véhicules, tels que le LiDAR, les caméras, le radar, etc.

Notre thèse explore le domaine de la localisation et de la cartographie des véhicules autonomes à travers une revue de littérature approfondie, englobant diverses méthodes et différents aspects. Nous adoptons une architecture comprenant l’extraction de caractéristiques (features), la cartographie (mapping) et la localisation afin d’analyser en détail ces méthodes et d’en dégager les points forts et les faiblesses.

De plus, nous proposons une approche basée sur le LiDAR pour l’extraction efficace et précise des caractéristiques, améliorant ainsi la vitesse et la précision du processus de localisation et de cartographie.

En outre, nous explorons deux approches pour la localisation des véhicules : une approche stochastique et une approche d’optimisation.

Dans l’approche stochastique, nous apportons deux contributions majeures. Tout d’abord, nous étendons l’algorithme du filtre à particules (particle filter) afin de permettre une localisation rapide et précise du véhicule, en sélectionnant des points spécifiques pour la mise à jour des poids à travers une sélection de points sigma. Ensuite, nous améliorons l’algorithme du filtre à particules en ne sélectionnant que les dix particules les plus proches des positions réelles et en régénérant des particules autour de celles-ci, offrant ainsi un meilleur contrôle et une meilleure robustesse.

D’autre part, dans l’approche d’optimisation, nous présentons également deux contributions. Tout d’abord, nous proposons un modèle d’apprentissage profond permettant de prédire les positions des véhicules à partir de mesures LiDAR. Nous expliquons en détail le modèle en utilisant des techniques d’intelligence artificielle explicable de pointe afin de comprendre les raisons sous-jacentes à ses prédictions, accompagnées d’une analyse détaillée.

Ensuite, nous utilisons un modèle d’autoencodeur modifié pour prédire les positions, en contraignant l’espace latent (la couche cachée du réseau de neurones) à approximer les positions, grâce à l’introduction d’une fonction de perte spécifique combinant la perte de projection des points LiDAR de 3D vers 2D et la perte associée aux positions des points 2D obtenus. vers 2D et la perte de positions des points 2D obtenus. La convergence de ce modèle est vérifiée à l’aide de deux théorèmes. Les résultats obtenus par ce modèle ne dépassent pas une erreur de localisation de 0,5 m, ce qui prouve l’efficacité de cette technique.