Académique Documents
Professionnel Documents
Culture Documents
environnement par
vision en robotique mobile
Simon Lacroix
• Automatique :
– Tâche bien définie (“réguler variable”, “suivre trajectoire”…)
– Lien “direct” entre perception et action
• Autonomie :
– Tâche plus générale (“atteindre position”, “surveiller zone ”…)
– Mise en oeuvre de processus décisionnels
Plus :
– Intégration des fonctions
Perception
– Apprentissage
– Interaction avec opérateurs Action
– Interactions avec autres robots
–…
Un exemple : robotique d!exploration planétaire
• Introduction
• Introduction
• Pour se localiser
! Missions définies en terme de localisation (“aller à”,
“explorer/surveiller zone”…)
! Pour assurer la cohérence spatiale des modèles
! Pour assurer l!exécution des déplacements planifiés
Notion d!amer
Modélisation d!environnement
Graphe topologique
Représentation volumique
(avec éventuellement
(pour calculs de visibilité)
informations sémantiques)
Modélisation d!environnement
Bilan :
• Pour planifier des mouvements et déplacements
• Pour réaliser des mouvements
• Pour se localiser MNT
Orthoimages
Amers
Supports de
navigation
• Télémètre ultrasons
• Imageur radar
Pourquoi la vision ?
Perception :
« Acquisition et représentation des informations sur l’environnement »
b %
c
Stéréovision = triangulation
# %= Bsin# (1/tg + 1/tg# )
B
a
Stéréovision
Deux moyens différents de faire de la stéréovision :
1. Stéréovision binoculaire
• Deux caméras
• Base de triangulation fixe et connue
(«"calibrée"»)
Nombreuses
variantes…
Dispositifs
commerciaux
Stéréovision
Deux moyens différents de faire de la stéréovision :
2. Stéréovision en mouvement
• Une seule caméra en déplacement
• Base de triangulation variable, à estimer
Stéréovision binoculaire
En deux dimensions (2 caméras linéaires) : Centre des
images
Image gauche
d
Image droite
b Disparité
Camera Camera
gauche droite
p2
p1
Image Image
gauche droite
Projection perspective
Modèle géométrique :
(u,v) = P(x,y,z)
Modèle géométrique d!une caméra
• Détermination des paramètres du modèle : calibrage
• Principe
1. Acquisition d!une série d!images d!une mire de calibrage
connue
2. Extraction de points particuliers dans les images
3. Appariements entre points image et points de la mire
4. Application d!une technique de minimisation
Exemples de
mires
P2
P1
P
pl
x
z pr1 pr2
pr x
z
y
Ol y
Or
Géométrie de la stéréovision
Qr
pl
Ql
x
z pr x
z
y
Ol y
Or
Géométrie de la stéréovision
R
Lines épipolaires
x
z x
z
y
Ol y
Or
Epipôles
Mouvement parallèle
au plan image
Géométrie de la stéréovision
Caméra en rapprochement :
Géométrie de la stéréovision
Contrainte épipolaire :
Id
mg
Cg Ig Cd
Ligne épipolaire pour le point mg.
?
Mise en correspondance
• Problème «"mal posé"» :
Régions
Segments
Contours
Pixels
e
e (revient a rejeter les
épipoles a l’infini)
Avant
Après
Stéréovision binoculaire dense
… 3 6 3 7 9 2 8 7 6 8 9 6 4 9 0 9 9 0 … Left line
???
… 3 5 7 4 9 6 3 9 6 5 8 6 3 0 1 9 7 5 … Right line
8
3
7
5
2
4
6
7
8
6
9
4
6 ? 1
8
3
7
5
3
7
6
7
9
5
7
4
! comparaison de voisinages
0
9
8
8
6
8
7
9
4
0
6
9
3
8
! 0
8
7
8
6
7
8
9
4
0
5
8
2
6 7 3 6 5 4 3 6 6 5 6 7 4 9
2M + 1
Stéréovision binoculaire dense
+M +M
score( p1, p2 ) = I (u1 ! x, v1 ! y) ! I (u2 ! x, v2 ! y) SAD
x= ! M y= ! M
+M +M 2
ZNCC :
1 1
#
N x,y
I(u1 x,v1 y)I(u2 x,v 2 y) 2 #
N x,y
I(u1 x,v1 y)# I(u2 x,v 2 y)
x,y
score( p1, p2 ) =
1 2
1
#
N x,y
I(u1 " x,v1 " y)I(u2 " x,v 2 " y) " µ1µ2
score( p1, p2 ) =
! $1$ 2
Stéréovision binoculaire dense
1. Transformée «"Census"» :
125 127 121 125 127 121 201 207 199 151 137
Générer un mot de bits par
comparaisons successives 137 195 201 127 < 195 207 & 195
de la luminance du pixel
central avec celles de pixels 151 199 207
1 1 1 0 0 0 1 1
voisins
0 0 0 1 1 1 0 0
0 0 1 1 0 1 0 1
0 0 1 0 1 0 0 1 Distance = 3
!
Stéréovision binoculaire dense
Motifs répétitifs
Ocultations
!
Stéréovision binoculaire dense
!
Stéréovision binoculaire dense
!
Stéréovision binoculaire dense
Centre des
images
Image gauche
Z
Image droite
b Disparité
Camera Camera
b
gauche droite Z=
d
Stéréovision binoculaire dense
Disparités
Lignes
Colonnes
• Difficultés
2. “Vaguelettes”
Points 3D
Image gauche
• Introduction
2. Étiquetage probabiliste
Modèle de traversabilité
2. Étiquetage probabiliste
Introduction de la texture
Modèle numérique de terrain
• Varying resolution
One acquisition
Fusion of 36
acquisitions
• Introduction
• Introduction