Οnbοard/οffbοard extended perceptiοn fοr autοnοmοus navigatiοn - Institut de Recherche en Systèmes Electroniques Embarqués Access content directly
Theses Year : 2022

Οnbοard/οffbοard extended perceptiοn fοr autοnοmοus navigatiοn

Onboard/offboard extended perception for autonomous navigation

Abstract

With the emergence of autonomous navigation, the perception of the environment in which vehicles evolve is a primordial task. To address this issue, vehicles have increasingly been equipped with sensors to perceive their environment. Recently, we can observe the emergence of cooperative approaches to overcome the limitations of onboard sensors.In this thesis, we present a state-of-the-art of cooperative perception methods in the automotive context. We discuss the frequently used architectures and the challenges they entail. We also study localization, detection and tracking methods as well as cooperative mapping methods before listing the projects and scenarios in which cooperative perception is used today.As a response to this state-of-the-art, we have developed a new cooperative architecture merging the current Vehicle-Vehicle and Vehicle-Infrastructure approaches based on the use of data from vehicles and infrastructures. This approach allows us to generate dynamic object occupancy grids of a scene using only limited camera data. We then add to this approach a semantic aspect allowing the creation of semantic grids. To merge the data from the different points of view, we evaluated two methods: one based on the Bayesian theory and the other on the Dempster-Shafer theory.The results are obtained from datasets of our own design and show results unattainable by state-of-the-art methods today as well as a superiority of the method based on the Dempster-Shafer theory.
Avec l'arrivée de la navigation autonome, la perception de l'environnement dans lequel évoluent les véhicules est une tâche primordiale. Pour répondre à cette problématique, les véhicules se sont dotés de plus en plus de capteurs pour percevoir leur environnement. Plus récemment, nous pouvons observer l'apparition d'approches coopératives afin d'outrepasser les limitations des capteurs embarqués.Dans cette thèse, nous faisons un état de l'art des méthodes de perceptions coopératives dans le contexte automobile. Nous y discutons des architectures fréquemment utilisées et des défis qu'elles entraînent. Nous étudions aussi les méthodes de localisation, de détection et suivis ainsi que les méthodes de cartographies coopératives avant de lister les projets et les scénarii dans lesquels la perception coopérative est utilisée aujourd'hui.En réponse à cet état de l'art, nous avons mis au point une nouvelle architecture coopérative fusionnant les approches Véhicules-Véhicules et Véhicule-Infrastructure actuelles et basée sur l'utilisation de données issues des véhicules et des infrastructures. Cette approche nous permet dans un premier temps de générer des grilles d'occupation des objets dynamiques d'une scène en utilisant uniquement des données limitées issues des caméras. Nous ajoutons ensuite à cette approche un aspect sémantique permettant la création de grilles sémantiques. Afin de fusionner les données issues des différents points de vues, nous avons testé deux méthodes : l'une basée sur la théorie bayésienne et l'autre sur la théorie de Dempster-Shafer.Les résultats sont obtenus à partir de jeux de données de notre conception et montrent des résultats inatteignables par les méthodes de l'état de l'art aujourd'hui ainsi qu'une supériorité de la méthode basée sur la théorie de Dempster-Shafer.
Fichier principal
Vignette du fichier
antoinecaillot.pdf (11.02 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03997885 , version 1 (20-02-2023)

Identifiers

  • HAL Id : tel-03997885 , version 1

Cite

Antoine Caillot. Οnbοard/οffbοard extended perceptiοn fοr autοnοmοus navigatiοn. Computer Vision and Pattern Recognition [cs.CV]. Normandie Université, 2022. English. ⟨NNT : 2022NORMR075⟩. ⟨tel-03997885⟩
119 View
45 Download

Share

Gmail Facebook X LinkedIn More