Visual SLAM with automatic map update in dynamic environments - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Visual SLAM with automatic map update in dynamic environments

SLAM Visuel avec mise à jour automatique de la carte dans un environnement dynamique

Youssef Bouaziz
  • Fonction : Auteur

Résumé

Appearance changes are one of the most challenging problems for the visual localization of an autonomous vehicle in outdoor environments. Data association between the current image and the landmarks in the map can be difficult if the map was built with different environmental conditions. The work developed in this PhD thesis is focused on life-long navigation for autonomous shuttles in outdoor environments where the appearance is subject to substantial changes.In this thesis, we put forward several contributions to improve localization robustness and accuracy in long-term scenarios. The proposed approaches present a solution to build and use multi-session maps that incorporate sequences recorded in different conditions (day, night, fog, snow, rain, change of season, etc.). We can categorize our proposed approaches in two ways: keyframes retrieval and map management.The keyframes retrieval process is carried out online during visual localization, in which, we take advantage of a visual landmark map composed of N sequences gathered at different times and conditions. During each localization session, we exploit information collected in the beginning of the trajectory to compute a ranking function which will be used in the rest of the trajectory to retrieve from the map the keyframes that maximise the number of matched points. The retrieval depends on the geometric distance between the pose of the keyframe and the current pose of the vehicle, and the similarity of this keyframe with the current environmental condition. In the mapping phase, covering all conditions by constantly adding data to the map leads to a continuous growth in the map size which in turn deteriorates the localization speed and performance. Therefore, we employ a map management phase which has the aim of maintaining a long-term reliable map with a fixed size throughout the frequent runs. To efficiently reduce the size of the map without significantly degrading the localization performance, we tend to remove superfluous data from the map. Accordingly, we have proposed different map management strategies by using different kind of information, such as the traversals similarity information computed during the keyframes retrieval process or the sun's position information related to each traversal, to analyse the data redundancy in the map.Throughout this report, we provide the results of our experiments which were performed on real data collected with our autonomous shuttle as well as on a widely used public dataset. By comparing our proposed keyframes retrieval technique with a simple strategy where the keyframes are retrieved only according to their geometric distance to the vehicle pose, we have demonstrated that our approach has significantly improved localization performance in different challenging conditions. On several aspects related to map management, we demonstrated that our proposed strategies have outperformed a state-of-the-art map management approach.We have also presented a new dataset that contains challenging environmental conditions which we make available to the community in the hope that it will be useful to other people working in this field.
Les changements d'apparence sont l'un des problèmes les plus difficiles pour la localisation visuelle d'un véhicule autonome dans des environnements extérieurs. L'association des données entre l'image actuelle et les amers dans la carte peut être difficile si la carte a été construite dans des conditions environnementales différentes. Les travaux développés dans cette thèse de doctorat se concentrent sur la localisation à long terme pour les navettes autonomes dans des environnements extérieurs où l'apparence est soumise à des changements substantiels. Dans nos travaux, nous proposons plusieurs contributions pour améliorer la robustesse et la précision de la localisation dans des scénarios à long terme. Les approches proposées présentent une solution pour construire et utiliser des cartes multi-sessions qui intègrent des séquences enregistrées dans différentes conditions (jour, nuit, brouillard, neige, pluie, changement de saison, etc.). Nous pouvons catégoriser nos approches proposées en deux volets : la récupération des images clés et la gestion des cartes. Le processus de récupération des images clés est effectué en ligne lors de la localisation visuelle, dans laquelle nous tirons avantage d'une carte d’amers visuels composée de N séquences rassemblées à des moments et dans des conditions différents. Lors de chaque session de localisation, nous exploitons les informations collectées au début de la trajectoire pour calculer une fonction de classement (ranking function) qui sera utilisée dans le reste de la trajectoire pour récupérer de la carte les images clés qui maximisent le nombre de points appariés. La récupération dépend de la distance géométrique entre la pose de l'image clé et la pose actuelle du véhicule, et de la similitude de cette image clé avec les conditions environnementales actuelles. Dans la phase de cartographie, couvrir toutes les conditions en ajoutant constamment des données à la carte conduit à une croissance continue de la taille de la carte qui à son tour détériore la vitesse et les performances de localisation. Par conséquent, nous utilisons une phase de gestion de la carte qui a pour objectif de maintenir une carte fiable à long terme avec une taille fixe tout au long des courses fréquentes. Pour réduire efficacement la taille de la carte sans dégrader considérablement les performances de localisation, nous avons tendance à supprimer les données superflues. En conséquence, nous avons proposé différentes stratégies de gestion de carte en utilisant différents types d'informations, telles que les informations de similarité entre les traversées calculées pendant le processus de récupération des images clés ou les informations de position du soleil liées à chaque traversée, pour analyser la redondance des données dans la carte. Les résultats de nos expériences ont été réalisées sur des données réelles collectées avec notre navette autonome ainsi que sur un jeu de données publique largement utilisé. En comparant notre technique de récupération d'images clés proposée avec une stratégie primitive où les images clés sont récupérées uniquement en fonction de leur distance géométrique à la pose du véhicule, nous avons démontré que notre approche a considérablement amélioré la performance de localisation dans différentes conditions difficiles. Sur plusieurs aspects liés à la gestion des cartes, nous avons démontré que nos stratégies proposées ont surpassé une approche de gestion de carte proposée dans l’état de l’art. Nous avons également présenté un nouvel ensemble de données contenant des conditions environnementales difficiles que nous avons mis à la disposition de la communauté dans l'espoir qu'il sera utile à d'autres personnes travaillant dans ce domaine.
Fichier principal
Vignette du fichier
2021UCFAC045_BOUAZIZ.pdf (19.94 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03601836 , version 1 (08-03-2022)

Identifiants

  • HAL Id : tel-03601836 , version 1

Citer

Youssef Bouaziz. Visual SLAM with automatic map update in dynamic environments. Computer Vision and Pattern Recognition [cs.CV]. Université Clermont Auvergne, 2021. English. ⟨NNT : 2021UCFAC045⟩. ⟨tel-03601836⟩
172 Consultations
202 Téléchargements

Partager

Gmail Facebook X LinkedIn More