Soutenance mémoire
Positionnement de la thèse dans le cadre du projet HAPPYHAND
Calcul d’itinéraire adapté à un profil de mobilité
Cette thèse prend place dans le cadre du projet HAPPYHAND visant à développer une solution de navigation et d’assistance à la mobilité pour les piétons, en particulier les Personnes à Mobilité Réduite (PMR). En effet, à ce jour ces personnes préfèrent se déplacer avec leur propre véhicule même pour de courtes distances afin d’éviter les aléas de la navigation piétonne considérés potentiellement dangereux. Bien que des solutions de géolocalisation et de planification d’itinéraire pour piétons existent aujourd’hui, elles ne suffisent pas pour réduire le sentiment d’insécurité chez les PMR principalement du fait que les dangers ne peuvent toujours être anticipés. La raison principale en est que le niveau de cartographie des villes reste assez bas en matière de mobilier urbain et d’obstacles à la mobilité. Dans une optique d’encouragement des modes de déplacements doux et d’équité, un service de planification d’itinéraire et de géolocalisation prenant en compte le profil de mobilité de l’utilisateur est recherché. Pour ce faire, le projet HAPPYHAND s’intéresse à une optimisation d’itinéraire s’appuyant à la fois sur une cartographie fine de l’espace urbain et des intérieures des bâtiments publics, mais aussi sur une base de données exhaustive des contraintes à la mobilité propres à chaque catégorie de handicap. L’objectif final consiste à développer une application mobile prenant comme requête le point de départ et le point d’arrivée de l’utilisateur, ainsi que son profil de mobilité, et lui fournissant un itinéraire optimal vis-à-vis de ses capacités motrices ainsi que sa position en temps réel. Dans ce contexte d’étude, la carte constitue une pièce maîtresse car elle détermine les choix techniques entrepris pour améliorer la localisation du piéton.
Navigation inertielle assistée par la carte
A ce stade, il est important de noter que cette thèse s’intéresse aussi à l’hypothèse où l’utilisateur décide de poursuivre un chemin autre que l’itinéraire optimal proposé par l’application prévue dans le projet HAPPYHAND. Sont pris en compte les trajets non-contraints par une destination précise et inconnus a priori, ce qui traduit le libre arbitre de l’utilisateur ainsi que les aléas qui en découlent. Avant de détailler les verrous scientifiques adressés dans cette recherche, rappelons d’abord que notre objectif consiste à mettre en place un algorithme de géolocalisation permettant de fournir à l’utilisateur, potentiellement une PMR, sa position en temps réel malgré l’absence de signal GNSS. Cela signifie entre autres que les exigences de précision sur les positions délivrées sont plus ou moins fortes en fonction du profil de mobilité de l’utilisateur. D’un point de vue technologique, la solution doit exploiter principalement les capteurs inertiels bas coût intégrés dans les smartphones disponibles sur le marché, c’est-à-dire des capteurs de technologie MEMS (MicroElectroMechanical Sensors) appartenant à la gamme « consommateur » [1]. Pour ce faire, le calcul de position se fait par méthode de navigation à l’estime basée sur une technique de détection de pas, communément appelée PDR (Pedestrian Dead Reckoning). Cette méthode utilise principalement les données d’accélération (accéléromètre) et de vitesses angulaires (gyromètre) permettant d’estimer des longueurs de pas et des directions de marche et de calculer la trajectoire du piéton dans une approche de point lancé .
Verrous scientifiques
Dérive angulaire
Bien qu’assurant la continuité de la solution de navigation en absence de GNSS, les méthodes PDR entraînent une dérive importante des trajectoires à cause de l’accumulation temporelle des bruits des capteurs (notamment la dérive gyroscopique car les vitesses angulaires sont intégrées pour résoudre l’orientation du système). Par conséquent, des mises à jour fréquentes, pas toujours possibles selon l’endroit et le mode de portage du capteur, sont nécessaires pour réduire cet effet d’accumulation d’erreurs. Notons qu’un moyen de calibration classique consiste à imposer des vitesses nulles au moment du contact du pied avec le sol (Zero Velocity Update [3]). Cependant, cette calibration n’est possible que quand le capteur est porté au pied. En ce qui concerne cette thèse où le capteur est porté à la main, d’autres sources de mesures sont nécessaires pour corriger la dérive. La source de mesure supplémentaire ici est la carte.
Défaut d’alignement entre cap de marche et orientation du capteur
Afin de donner une dimension absolue à la trajectoire calculée, il est nécessaire d’exprimer cette dernière dans un repère absolu, par exemple le repère de navigation qui est lié à la carte (Est, Nord géographique, Hauteur ellipsoïdale). Le cap de marche correspond ainsi à la direction du déplacement par rapport au Nord géographique. Théoriquement, si l’attitude du repère anatomique lié au centre de masse du piéton est connue par rapport au repère de navigation, alors le cap de marche en est déduit. En pratique, les mesures réalisées avec un capteur tenu en main ne traduisent pas le déplacement du centre de masse du piéton mais plutôt les mouvements de la main. Cela introduit un bras de levier variable qui peut avoir un impact négatif sur le calcul d’orientation (Figure 2). Par simplification, la plupart des algorithmes PDR substituent l’attitude du capteur à celle du centre de masse du piéton. Cette simplification est valable pour le scénario dit « Texting » où le piéton tient son smartphone droit devant lui, c’est-à-dire où le repère lié au capteur est approximativement aligné avec le repère anatomique lié au piéton. De manière analogue, le calcul d’orientation s’appuie parfois sur une hypothèse de stationnarité du capteur par rapport au repère lié au piéton (ex. attaché à la ceinture, auquel cas le bras de levier entre le centre de mesure du capteur et le centre de masse du piéton est constant). Hormis ces deux cas de figures, l’estimation du cap de marche est biaisée et ce biais nécessite d’être traité à tout instant.
|
Table des matières
I. INTRODUCTION
I.1 Positionnement de la thèse dans le cadre du projet HAPPYHAND
I.1.1 Calcul d’itinéraire adapté à un profil de mobilité
I.1.2 Navigation inertielle assistée par la carte
I.2 Verrous scientifiques
I.2.1 Dérive angulaire
I.2.2 Défaut d’alignement entre cap de marche et orientation du capteur
I.2.3 Erreurs de distance
I.3 Contributions
I.4 Organisation du mémoire
II. NAVIGATION AUTONOME GRACE AUX MESURES INERTIELLES OU GNSS
II.1 Les capteurs MEMS
II.1.1 Technologie MEMS et capteurs inertiels et magnétiques embarqués
II.1.2 Modélisation des erreurs d’une centrale IMMU
II.1.3 Analyse de la variance d’Allan
II.2 Calcul de position par méthode de navigation à l’estime (PDR)
II.2.1 Détection de pas
II.2.2 Estimation de la longueur de pas
II.2.3 Calcul d’attitude de l’IMMU
II.3 Données GNSS
II.3.1 Mesures
II.3.2 Aides GNSS pour la navigation dans les milieux masqués
II.3.3 Calcul de position GNSS
III. MODELES CARTOGRAPHIQUES POUR LA LOCALISATION
III.1 Contenu et formats natifs des cartes (Vecteur, Raster)
III.1.1 Eléments de la carte significatifs du point de vue des déplacements piétons
III.1.2 Différents formats de la carte
III.2 Réseaux de navigation
III.2.1 Graphe de navigation
III.2.2 Mesh de navigation
III.2.3 Bilan sur l’utilisation de mesh et de graphes de navigation
III.3 Nouveau graphe dans les espaces non-contraints par les obstacles
III.3.1 Difficultés de modélisation des espaces non-contraints par les obstacles
III.3.2 Adaptation de la notion de portail pour la construction du graphe
III.3.3 Génération d’un graphe basé sur les portails
IV. LIAISON ENTRE LA CARTE ET LA SIGNATURE DE MOUVEMENT
IV.1 Etat de l’art sur les méthodes d’exploitation de la carte pour la localisation
IV.1.1 Carte de chaleur traduisant une probabilité d’occupation de la carte
IV.1.2 Adaptation des modèles dynamiques à la nature du mouvement
IV.1.3 Mesure de position grâce à des points d’intérêt (POI)
IV.1.4 Correction de la trajectoire par assimilation avec des itinéraires pré-calculés
IV.2 Focus sur les défis de la transition indoor-outdoor
IV.2.1 Intérêt de la distinction indoor-outdoor (IO)
IV.2.2 Définition de l’indoor et de l’outdoor dans l’état de l’art
IV.2.3 Technologies de détection IO existantes
IV.2.4 Le problème de généralisation
IV.3 Principales méthodes de classification supervisée
IV.3.1 Formulation du problème de classification
IV.3.2 Algorithmes de classification
IV.3.3 Algorithmes de sélection des descripteurs pertinents
IV.4 Méthodologie proposée pour la mise à jour de position grâce à des POIs
IV.4.1 Approche proposée
IV.4.2 Typologie des POIs à partir d’une classification de mouvement
IV.4.3 Collecte des signaux
IV.4.4 Indexation du signal
IV.4.5 Calcul des descripteurs
IV.4.6 Variabilité des longueurs de fenêtres dans le processus de détection
V. CONCLUSION
