Calage robuste et accéléré de nuages de points en environnements

Calage robuste et accéléré de nuages de points en
environnements naturels via l’apprentissage
automatique
Mémoire
Maxime Latulippe
Maîtrise en informatique
Maître ès sciences (M.Sc.)
Québec, Canada
© Maxime Latulippe, 2013

Résumé
En robotique mobile, un élément crucial dans la réalisation de la navigation autonome
est la localisation du robot. En utilisant des scanners laser, ceci peut être réalisé en calant
les nuages de points consécutifs. Pour ce faire, l’utilisation de points de repères appelés
descripteurs sont généralement efficaces, car ils permettent d’établir des correspondances
entre les nuages de points. Cependant, nous démontrons que dans certains environnements
naturels, une proportion importante d’entre eux peut ne pas être fiable, dégradant ainsi les
performances de l’alignement. Par conséquent, nous proposons de filtrer les descripteurs
au préalable afin d’éliminer les nuisibles. Notre approche consiste à utiliser un algorithme
d’apprentissage rapide, entraîné à la volée sous le paradigme positive and unlabeled learning
sans aucune intervention humaine nécessaire. Les résultats obtenus montrent que notre
approche permet de réduire significativement le nombre de descripteurs utilisés tout en
augmentant la proportion de descripteurs fiables, accélérant et augmentant ainsi la robustesse
de l’alignement.
iii

Abstract
Localization of a mobile robot is crucial for autonomous navigation. Using laser scanners, this
can be facilitated by the pairwise alignment of consecutive scans. For this purpose, landmarks
called descriptors are generally effective as they facilitate point matching. However, we
show that in some natural environments, many of them are likely to be unreliable. The
presence of these unreliable descriptors adversely affects the performances of the alignment
process. Therefore, we propose to filter unreliable descriptors as a prior step to alignment.
Our approach uses a fast machine learning algorithm, trained on-the-fly under the positive and
unlabeled learning paradigm without the need for human intervention. Our results show that
the number of descriptors can be significantly reduced, while increasing the proportion of
reliable ones, thus speeding up and improving the robustness of the scan alignment process.
v