Set-Membership approach to
Map-based Localization

 
 

Presented by : Benoit DESROCHERS (Ensta Bretagne)

Supervisor :  Simon Lacroix (LAAS-CNRS, Toulouse)

Absolute position estimation is a key function of autonomous systems and is often required at the mission level. One way the get such information is to use an initial model of the  environment provided for instance, by a geographic database or built by an other robot. 

This study aims at providing an algorithm which matches the output of a sensor with an initial model to estimate the pose of the robot in a guaranteed way, using the intervals analysis framework. By construction, initial models do not perfectly fit the reality and the acquire data set can contains an unknown, and potentially large, percentage of outliers. When the environment is described by a surface, the set membership estimator \textit{GOMNE} can be used to concurrently estimate the number of outliers and the localisation parameters. However, in the general case, with full 3D representation and partially mapped objects, it can not be used. To cope this issue, a new algorithm called Outer-GOMNE is proposed.

By combining intervals methods with local estimation algorithms, it have been applied to the localization problem.  After a simulated test case with a 2D map, an experimental validation using real laser data and different 3D models is

reported to illustrate the performance of the method. Results are compared with ground truth provided by a differential GPS. Outer-GOMNE is able to robustly enclose the ground truth in a sub-paving (union of non overlapping boxes).

Abstract :

La localisation d'un robot mobile dans son environnement est une fonction essentielle des systèmes autonomes. C'est l'une des briques de base permettant d'effectuer des actions de plus haut niveau, tel que la cartographie ou la planification de trajectoire.

L'objectif de ce stage était d'élaborer une méthode de localisation absolue, c'est-à-dire sans connaissance a priori de la position du robot, à partir d'un modèle numérique de terrain initial et des données extéroceptives fournies par les capteurs du robot. Cependant, par construction, ces modèles contiennent de nombreuses erreurs qui amènent à estimer, conjointement à la position du robot, le nombre de mesures aberrantes présentes dans les données. Dès lors que le modèle de terrain n'est pas surfacique, les techniques d'estimations du nombre de mesures aberrantes ne fonctionnent plus. Outer-GOMNE a donc été développé pour palier à ce manque.

En combinant les méthodes ensemblistes avec des algorithmes d'estimation locaux (optimisation de fonction, Monte-Carlo, ...) il s'est avéré efficace et robuste pour ce type de problème. Une expérience avec des données réelles, et différents modèles de terrain, a été conduite pour évaluer et valider l'algorithme.

Résumé :