Stage M2(IGN) : Mise au point d’un SLAM basé sur exploitation d’un nuage de points collectés par un ou plusieurs LIDAR mobile

Contexte

L’odométrie et la localisation et cartographie simultanées (SLAM) sont des éléments essentiels pour résoudre le problème de localisation dans les domaines de la robotique, de la vision par ordinateur et de la photogrammétrie. Le SLAM basé sur l’image a été largement étudié, souvent en combinaison avec le GPS, des unités de mesure inertielle (IMU) ou même plusieurs caméras. Le LiDAR, un capteur relativement plus récent pour la localisation, est devenu plus accessible grâce à des avancées technologiques ayant rendu ces dispositifs moins coûteux, avec une précision et une densité de points accrues. Avec l’essor de la conduite autonome, le LiDAR a gagné en popularité et en reconnaissance. Par conséquent, le SLAM basé sur le LiDAR est devenu un domaine de recherche extrêmement actif.

Résumé

Le SLAM et l’odométrie sont les principales méthodes utilisées pour localiser précisément un véhicule à l’aide de la vision. Les benchmarks de SLAM ont permis au SLAM 3D de devenir largement utilisé dans la conduite autonome. Comparé au SLAM basé sur l’image, le SLAM basé sur LiDAR offre des avantages tels qu’une précision plus élevée, une moindre sensibilité aux conditions d’éclairage et la capacité d’acquérir directement des données 3D. Le SLAM basé sur LiDAR est un sujet de recherche important en robotique.

Le premier cadre notable, Google Cartographer, a été développé pour le SLAM 2D. Par la suite, le SLAM 2D basé sur LiDAR a été largement utilisé pour la cartographie intérieure, avec des exemples tels que le chariot NavVis M3. Du SLAM 2D au SLAM 3D, deux stratégies principales sont utilisées pour faire correspondre les nuages de points LiDAR successifs : les méthodes basées sur l’algorithme Iterative Closest Point (ICP) et les méthodes basées sur des caractéristiques. L’apprentissage profond a également été intégré au SLAM pour calculer la pose ou exploiter les informations sémantiques. Son avantage réside dans le traitement parallèle ; cependant, des défis subsistent pour obtenir des vérités terrain pour l’entraînement et gérer des environnements non observés.

Dans ce stage, nous visons à explorer des méthodes traditionnelles de SLAM. Étant donné que les méthodes basées sur l’ICP rencontrent souvent des difficultés avec des nuages de points volumineux, des données bruitées et des valeurs aberrantes, notre attention se portera sur le SLAM basé sur les caractéristiques. Nous aurons donc besoin d’une méthode rapide et efficace pour détecter les lignes et les plans, ainsi que d’une méthode d’appariement des caractéristiques comme LOAM. Les caractéristiques planaires et les caractéristiques de bord seront utilisées individuellement dans une optimisation en deux étapes pour estimer les six degrés de liberté (6DOF).

Comme le temps réel et la robustesse sont des enjeux importants en robotique, et qu’ils ont été rarement abordés simultanément dans la littérature, nous nous concentrerons sur une extraction rapide et robuste des caractéristiques, par exemple en exploitant l’analyse de profil comme proposé dans.

Mission

Le stage portera sur le SLAM basé sur LiDAR enrichi par des caractéristiques. Les travaux incluront des investigations à partir de jeux de données ouverts, tels que KITTI et le Oxford RobotCar Dataset, ainsi que des données IGN Stéréopolis. Un pipeline de SLAM basé sur la 3D utilisant un scanner multi-couches, tel que LOAM, sera mis en œuvre. De plus, plusieurs autres méthodes seront évaluées à la fois sur les jeux de données ouverts et sur les données Stéréopolis. Une analyse basée sur les profils des données LiDAR sera explorée, suivie de l’intégration de caractéristiques rapides et stables, incluant des points, des lignes et des plans, dans le pipeline SLAM. Enfin, une évaluation complète sera réalisée pour mesurer les performances de la méthode nouvellement développée.

Profil recherché

Formation Bac +5, avec une spécialisation en vision par ordinateur ou en photogrammétrie de préférence. Idéalement un premier stage en vision par ordinateur ou en photogrammétrie ou en robotique.
1 Notions de navigation inertielle et systèmes LiDAR
2 Connaissance en programmation C++ appréciée
3 Expérience en développement informatique
4 Un plus si connaissances de environnement DOCKER et ROS

Atouts de l’environnement de travail

Durée du stage : 5 mois

Lieu: L’ENSG-Géomatique se situe au cœur d’un campus universitaire verdoyant à 20 minutes de Paris (RER ligne A), la Cité Descartes.

Procédure de candidature
Sur le site de l’IGN en suivant Offres d’emploi sur https://www.ign.fr/nous-rejoindre/offres-emploi/stage-slam-base-sur-exploitation-dun-nuage-de-points-lidar-mobile-1174 et soumettre les documents suivants et envoyer un courrier aux contacts ci-dessous avec :
1 CV
2 Lettre de motivation
3 2 lettres de recommandation ou des contacts de personnes à contacter
4 Relevé de notes des deux dernières années d’études
5 Liste des cours suivis et validés au cours des deux dernières années