Observation missions with UAVs: defining and learning models for active perception and proposition of an architecture enabling repeatable distributed simulations - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2019

Observation missions with UAVs: defining and learning models for active perception and proposition of an architecture enabling repeatable distributed simulations

Missions d'observation pour des drones : définition et apprentissage de modèles pour la perception active et proposition d'une architecture permettant des simulations distribuées reproductibles.

Christophe Reymann

Résumé

This thesis focuses on perception tasks for an unmanned aerial vehicle (UAV). When sensing is the finality, having a good environment model as well as being capable of predicting the impacts of future observations is crucial. Active perception deals with integrating tightly perception models in the reasoning process, enabling the robot to gain knowledge about the status of its mission and to replan its sensing trajectory to react to unforeseen events and results. This manuscript describes two approaches for active perception tasks, in two radically different settings. The first one deals with mapping highly dynamic and small scale meteorological phenomena such as cumulus clouds. Here the object to be mapped is three dimensional and highly dynamic, whereas the sensors gather punctual observations along the trajectory of the UAV. Building an accurate model of the process is extremely challenging, and reasoning must be performed on incomplete data. The presented approach uses Gaussian Process Regression to build environment models, learning its hyperparameters online. Normalized marginal information metrics are introduced to compute the quality of future observation trajectories. A stochastic planning algorithm is used to optimize an utility measure balancing maximization of theses metrics with energetic minimization goals. The dynamics of the robot as well as environmental constraints such as wind are taken into account and used to compute feasible trajectories. The second setting revolves around mapping crop fields for precision agriculture purposes. The phenomena to observe is now static, and the environment roughly a two dimensional surface. Using the output of a monocular graph Simultaneous Localization and Mapping (SLAM) algorithm, a novel approach to building a relative error model is proposed. This model is learned both from features extracted from the SLAM algorithm’s data structures, as well as the underlying topology of the covisibility graph of the observations. In both cases, results on realistic simulations are presented and discussed. If the golden standard of robotics is testing in the field with realistic conditions, it is often not feasible either due to time or financial constraints, or because robots capable of sensing and following the produced trajectories are still in development. In this thesis and for all of these reasons, all developments have been tested in simulation. Most robotics simulation are done in real time, trying to match simulator speed with wall clock advancement. However when one deals with complex simulations, accurate results are not possible in real time, and synchronization of the simulators becomes a daunting task. An analysis of the simulation issue in robotics is proposed. Focusing on the problem of managing time advancement of multiple interconnected simulators, a novel solution based on a decentralized scheme is presented.
Cette thèse se focalise sur des tâches de perceptions pour des drones à voilures fixes (unmanned aircraft vehicles ou UAV en anglais). Lorsque la perception est la finalité, un bon modèle d’environnement couplé à la capacité de prédire l’impact de futures observations sur celui-ci est crucial. La perception active traite de l’intégration forte entre modèles de perception et processus de raisonnement, permettant au robot d’acquérir des informations pertinentes à propos du statut de la mission et de replanifier sa trajectoire de mesure en réaction à des évènements et résultats imprévisibles. Ce manuscrit décrit deux approches pour des tâches de perception active, dans deux scénarios radicalement différents. Le premier est celui de la cartographie des phénomènes météorologiques de petite échelle et fortement dynamiques, en particulier de nuages de type cumulus. Les objets à cartographier sont ici de grand volume et fortement dynamiques, alors que les capteurs récoltent des informations ponctuelles le long de la trajectoire de l’UAV. Ceci rend construction d’un modèle précis de ces processus particulièrement difficile, le raisonnement devant être capable de traiter des données très éparses. L’approche présentée utilise la régression par processus Gaussien pour construire un modèle d’environnement, les hyper-paramètres étant appris en ligne. Des métriques de gain d’information sont introduites pour évaluer la qualité de futures trajectoires d’observation. Un algorithme de planification stochastique est utilisé pour optimiser une fonction d’utilité équilibrant maximisation du gain d’information avec des buts de minimisation du coût énergétique. La dynamique du robot, ainsi que les contraintes environnementales comme le vent, sont prise en compte et utilisées pour garantir des trajectoires réalisables. Dans le second scénario, un UAV cartographie des champs de grandes cultures pour les besoins de l’agriculture de précision. Le phénomène à observer est maintenant statique et l’environnement est peu ou prou une surface bidimensionnelle. Utilisant le résultat d’un algorithme de localisation et cartographie simultanée (SLAM), une approche nouvelle pour la construction d’un modèle d’erreurs relatives est proposée. Ce modèle est appris à partir d’attributs provenant des structures de données du SLAM, ainsi que de la topologie sous-jacente du graphe de covisibilité formé par les observations. Dans les deux scénarios, des résultats de simulations réalistes sont présentés et commentés. Si la référence absolue en robotique est le test sur le terrain en conditions réalistes, un tel déploiement est souvent impossible, que ce soit pour des raisons de temps ou budgétaires, ou encore parce que les robots capables physiquement de mener à bien la mission sont encore en développement. Ainsi dans cette thèse, tous les développement ont été testés en simulation. Pour garantir que les résultats produits en simulation soient aussi précis que possible, des modèles d’environnements ainsi que modèles dynamiques aussi réalistes que possible doivent être utilisées. La plupart des simulations effectuées en robotique sont faites en temps réel, en essayant de faire correspondre l’avancement du temps simulé avec le temps d’horloge réel. Cependant pour des simulations complexes, des résultats précis ne sont pas possible à produire en temps réel, et la synchronisation des simulateurs devient une tâche ardue. Une analyse des problématiques de simulations en robotique est proposée. Se focalisant sur la problématique de gestion de l’avancement du temps et de la synchronisation de simulateurs hétérogènes dans une architecture distribuée, une solution originale basée sur une architecture décentralisée est proposée.
Fichier principal
Vignette du fichier
REYMANN Christophe.pdf (13.82 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

tel-02368597 , version 1 (18-11-2019)
tel-02368597 , version 2 (17-01-2020)

Identifiants

  • HAL Id : tel-02368597 , version 1

Citer

Christophe Reymann. Observation missions with UAVs: defining and learning models for active perception and proposition of an architecture enabling repeatable distributed simulations. Automatic. Institut National des Sciences Appliquées de Toulouse, 2019. English. ⟨NNT : 2019ISAT0017⟩. ⟨tel-02368597v1⟩
164 Consultations
241 Téléchargements

Partager

Gmail Facebook X LinkedIn More