ASPI :
Applications statistiques des systèmes de particules
en interaction
Stage proposé au printemps 2005
Auto-calibration : localisation et calibration simultanées
Niveau du stage :
Bac+5 (DEA, DESS ou fin d'étude d'ingénieur)
ou Bac+4 (2ème année de magistère
ou de formation d'ingénieur)
pour les étudiants étrangers,
prévoir une période de six semaines avant le
début du stage, pour remplir les formalités d'accueil
à l'INRIA
Localisation : IRISA / INRIA Rennes
Équipe :
ASPI (Applications
statistiques des systèmes de particules en interaction)
Responsable :
François Le Gland
(tél. : 02 99 84 73 62,
e-mail : legland@irisa.fr)
Connaissances souhaitées :
statistiques, probabilités, méthodes de Monte Carlo,
programation MATLAB ou SCILAB
Sujet :
L'objectif de ce stage est d'étudier la
problématique SLAM (simultaneous localization and
mapping), bien connue dans le domaine de la robotique mobile,
et de réfléchir à son application et à sa
mise en oeuvre numérique par des méthodes de Monte Carlo
avec interaction, ou méthodes particulaires, dans le domaine
des communications sans-fil.
En toute généralité, il s'agit de déterminer
la position et éventuellement la vitesse d'un mobile, en
combinant
- un modèle a priori du déplacement du mobile,
- des mesures issues de capteurs,
- et une base de mesures de référence, par exemple
sous la forme d'une carte numérique (modèle
numérique de terrain, carte de couverture, etc.).
Dans ce cadre bayésien, la solution consiste à calculer
la loi conditionnelle de l'état caché sachant les
mesures, aussi appelé filtre bayésien.
Les méthodes de filtrage particulaire proposent une
approximation numérique du filtre bayésien, sous la
forme de la distribution de probabilité empirique
pondérée associée à un système de
particules en interaction, dans lequel
chaque particule représente un état caché possible,
et est multipliée ou éliminée à la
génération suivante au vu de sa cohérence,
quantifiée par la fonction de vraisemblance, avec la mesure
courante.
Ce mécanisme de mutation / sélection
a pour effet de concentrer automatiquement les particules (i.e.
la puissance de calcul disponible) dans les régions
d'intérêt de l'espace d'état.
La problématique SLAM consiste à assurer cette tâche
de localisation simultanément à une tâche de mise
à jour, d'enrichissement ou de correction de la base de mesures
de référence.
Dans les applications en robotique mobile, le robot construit,
au fur et à mesure de ses déplacements, une carte de
son environnement (position des murs, des obstacles, des portes, etc.).
Dans l'application envisagée en communications sans-fil, les
mesures de puissance effectuées par l'utilisateur au cours de ses
déplacements sont utilisées pour la mise à jour,
l'enrichissement ou la correction de la base de mesures de puissance
disponible initialement.
Références :
- S. Thrun, M. Montemerlo, D. Koller, B. Wegbreit,
J. Nieto and E. Nebot,
FastSLAM:
An efficient solution to the simultaneous localization and mapping
problem with unknown data association, to appear in
Journal of Machine Learning Research,
- M. Montemerlo, S. Thrun, D. Koller and B. Wegbreit,
FastSLAM 2.0:
An improved particle filtering algorithm for simultaneous localization
and mapping that provably converges,
in Proceedings of the 16th International Joint Conference
on Artificial Intelligence (IJCAI), 2003,
- S. Thrun,
Robotic
mapping: A survey, in
Exploring Artificial Intelligence in the New Millenium,
edited by G. Lakemeyer and B. Nebel, Morgan Kaufmann, 2002.
Liens :
