Thèse Année : 2021

Integrating geometry-based ego-motion estimation processes with deep learning

Intégration des processus d'estimation de l'ego-motion basés sur la géométrie avec l'apprentissage profond

Andrea de Maio

Résumé

Ego-motion estimation processes are essential in most robotic systems and have now reached high precision performances. With the advent of deep learning, a conspicuous portion of self-localization tasks has been reinvented using a data-driven approach. While, in terms of accuracy, deep learning approaches turned out to be competitive and in line (or better) than geometry-based processes, they have also shown weaknesses. Data-driven methods suffer lack of model explicability and demonstrated limits in generalization. These issues are key to a large set of robotics application domains, such as space, industrial and field robotics, in which the environmental conditions can vary significantly. This thesis fosters the idea that deep learning methods can be used to complement classical geometry-based pipelines for ego-motion estimation. The result from the inte- gration of these two approaches is deemed beneficial to overcome some of the limitations presented in learning-based methods. Our objective is twofold: to generate error models for geometry-based processes in a probabilistic framework, and to actively control process parameterization exploiting contextual information (e.g. scene, motion). Estimating error models in a probabilistic context benefits from the possibility to pre- dict at the same time the most likely error and the associated uncertainty. Uncertainty information is required to qualify the precision of the estimation itself, and to further re- duce tracking errors in data fusion schemes. We propose two contributions that resort to deep learning schemes to estimate such information: one that is tailored to visual odom- etry using stereoscopic image pairs, and one that is tailored to the Iterative Closest Point algorithm that exploits LiDAR point clouds. These approaches are evaluated on datasets for autonomous driving using well-established metrics in terms of trajectory accuracy and relevance of the uncertainty with respect to actual errors. Actively controlling self-localization processes consists in finding an optimal set of parameters minimizing a predefined error metric. This parameter set is generally fixed for long trajectories and tuned using the roboticist’s knowledge. We demonstrate that a dynamic configuration can greatly improve motion estimation accuracy and propose a spe- cific reinforcement learning architecture to address this problem. Preliminary results are shown on a simple process as RANSAC and discussed on a more complex case as visual odometry.
Les processus d'estimation du mouvement sont essentiels dans la plupart des systèmes robotiques et ont maintenant atteint de bonnes performances en précision.

Avec l'avènement de l'apprentissage profond, une part importante des tâches de localisation a été réinventée grâce aux approches basées exclusivement sur les données. Si, en termes de précision, les approches d'apprentissage profond se sont avérées compétitives et aussi performantes que les processus basés sur la géométrie, elles ont également montré des faiblesses. Les méthodes basées sur les données souffrent en effet d'un manque d'explicitation des modèles et ont des limites en termes de généralisation. Ces aspects sont essentielles pour de nombreuses applications de la robotique, par exemple la robotique spatiale, industrielle ou de terrain, dans lesquelles les conditions environnementales peuvent varier considérablement. Cette thèse développe l'idée que les méthodes d'apprentissage approfondi peuvent être utilisées pour compléter les processus classiques d'estimation des mouvements basés sur la géométrie. Le résultat de l'intégration de ces deux approches vise à surmonter certaines des limitations des méthodes basées sur l'apprentissage. Notre objectif est double : générer des corrections pour les processus basés sur la géométrie dans un cadre probabiliste, et contrôler activement la paramétrisation des processus en exploitant les informations contextuelles (scène, mouvement, etc.).

L'estimation des corrections dans un contexte probabiliste bénéficie de la possibilité de prédire en même temps l'erreur la plus probable et l'incertitude associée. Les informations relatives à cette incertitude sont nécessaires pour qualifier l'estimation naturellement, mais aussi pour développer des processus de fusion de données.

Le contrôle actif des processus de localisation consiste lui à trouver un ensemble optimal de paramètres minimisant une métrique d'erreur prédéfinie. Cet ensemble de paramètres est généralement fixé par des réglages qui exploitent les connaissances du roboticien. Nous démontrons qu'une configuration dynamique des paramètres peut grandement améliorer la précision de l'estimation du mouvement, en proposant une architecture d'apprentissage par renforcement dédiée à ce problème.

Mots clés

Fichier principal
Vignette du fichier
DE_MAIO_THESIS-2021.pdf (16) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04927447 , version 1 (03-02-2025)

Identifiants

  • HAL Id : tel-04927447 , version 1

Citer

Andrea de Maio. Integrating geometry-based ego-motion estimation processes with deep learning. Robotics [cs.RO]. INSA Toulouse, FRANCE, 2021. English. ⟨NNT : ⟩. ⟨tel-04927447⟩
0 Consultations
0 Téléchargements

Partager

More