Uncertainty estimation applied to navigation systems
Caractérisation de l’incertitude liée à la position des points d’intérêt dans le contexte de la navigation
Résumé
In this thesis, we are interested in the characterization of the localization uncertainty of optical measurements in an image. In other words, the aim is to estimate locally the accuracy of the position of each point of interest observed and tracked over time. The application considered is a system (VINS - Visual Inertial Navigation System) of Inertial/Vision navigation coupled by a filtering method. A popular assumption is to consider the fixed and equal uncertainty of all points from the same image, and more generally from the same sensor for a given application. This approximation is reasonable in a static or quasi-static environment, but will have the role of a filter applied to a dynamic environment. In this case, part of the useful information is lost inducing a lack of information when the captured images are noisy, even partially. A precise characterization of the uncertainty on the measurements allows the weighting of the observations, as well as a constant supply of observations even noisy to the targeted application. The interest of qualifying the accuracy of the measurements is to be able to apply a tight filtering to the navigation and thus reduce the bias on the localization of the mobile system. To address this issue, we propose a DUNE (Deep UNcertainty Estimation) method to estimate the covariance for each point of interest from the position of these points. Our approach, based on deep learning techniques, proposes a local error model. It evaluates in particular the KLT (Kanade Lucas Tomatsi) tracker. The proposed method has the advantage of not being dependent on the KLT tracker, and can be exported to different point tracking methods (ORB, SIFT ..). This original approach is evaluated through appropriate metrics, geometric validation and integration into a VINS navigation system.
Dans cette thèse, on s'intéresse à la caractérisation de l'incertiude de localisation des mesures optiques dans une image. Autrement dit, il s'agit d'estimer localement la précision de la position de chaque point d'intérêt observé et suivi au cours du temps. L'application envisagée est un système (VINS - Visual Inertial Navigation System) de navigation Inertie/Vision couplé par une méthode de filtrage. Une hypothèse populaire consiste à considérer l'incertitude fixe et égale de tous les points issus d'une même image, et plus généralement d'un même capteur pour une application donnée. Cette approximation est raisonnable dans un environnement statique ou quasi-statique, mais aura le rôle d'un filtre appliquée à un environnement dynamique. Dans ce cas, une partie de l'information utile est perdue induisant un manque d'information lorsque les images capturées sont bruitées, même partiellement. Une caractérisation précise de l'incertitude sur les mesures permet la pondération des observations, ainsi qu'une alimentation constante d'observations même bruitées à l'application visée. L'intérêt de qualifier la précision des mesures est de pouvoir appliquer un filtrage serré à la navigation et ainsi réduire le biais sur la localisation du système mobile. Pour réponde à cette problématique, nous proposons une méthode DUNE (Deep UNcertainty Estimation) d'estimation de la covariance pour chaque point d'intérêt à partir de la position des ces points. Notre approche, basée sur des techniques d'apprentissage profond, propose une modélisation d'erreur locale. Elle évalue en particulier le tracker KLT (Kanade Lucas Tomatsi). La méthode proposée a l'avantage de ne pas être dépendante du tracker KLT, et peut s'exporter à différentes méthodes de suivi de points (ORB, SIFT ..). Cette approche originale est évaluée à travers des métriques appropriées, une validation géométrique et une intégration dans un système de navigation VINS.
| Origine | Version validée par le jury (STAR) |
|---|