Contribution to the development of algorithms based Deep Learning architectures for mobile robotic’s applications

Abstract

Cette thèse présente une application directe des architectures d’apprentissage profond dans différentes tâches de la robotique. Elle se subdivise en trois parties principales. Dans la partie classification d’objets, nous proposons plusieurs approches qui utilisent des descripteurs 2D/3D ainsi que des réseaux de croyance profonds. Dans un premier temps, nous évaluons les descripteurs les plus existants de la bibliothèque de nuages de points en proposant un nouveau pipeline de la reconnaissance des nuages de points 3D. Deuxièmement, nous proposons de nombreuses approches locales et globales pour classer les objets 2D et 3D à l’aide du sac de mots 2D/3D ainsi que notre nouveau descripteur global Viewpoint Features Histogram-Color (VFH-Color). Troisièmement, une approche globale pour représenter et apprendre des catégories d’objets 3D à l’aide d’un descripteur global et des réseaux de croyance profonds est proposée. La deuxième partie aborde la classification des scènes qui comprend deux contributions principales. La première est centrée sur des méthodes biologiquement inspirées pour la représentation et la classification des environnements intérieurs. La deuxième contribution fournit une nouvelle fusion multimodale de caractéristiques pour une classification robuste des scènes intérieures RGBD. La dernière partie de cette thèse présente nos contributions dans le domaine de la navigation topologique. Nous proposons tout d’abord une nouvelle méthode d’exploration d’un environnement intérieur par un robot mobile autonome, ainsi que la création de cartes topologiques. Deuxièmement, nous étendons notre travail précédent de la navigation topologique en utilisant la convolution et la mémoire à long-court termes (C-LSTM) afin de réaliser la cartographie et la localisation topologiques basées sur la reconnaissance des scènes.