Добірка наукової літератури з теми "Cartographie crowdsourcée"

Le déploiement de véhicules intelligents et connectés, dotés de capteurs de plus en plus sophistiqués, et capables de partager des positions et des trajectoires précises, permettra d’améliorer considérablement la sécurité routière et l’efficacité du trafic. Pour que ce gain de sécurité devienne effectif, les véhicules devront être géo-positionnés dans un référentiel commun avec précision, avec une erreur d’au plus quelques décimètres [1]. Pour y parvenir, ils pourront compter sur une variété de capteurs embarqués, tels que des récepteurs GNSS (Global Navigation Satellite Systems), ainsi que des capteurs proprioceptifs et des capteurs de perception. Toutefois, afin de garantir un positionnement précis dans toutes les conditions, y compris dans les zones denses où les signaux GNSS peuvent être dégradés par des effets de trajets multiples, les véhicules devront utiliser des cartes précises de l’environnement pour soutenir leurs algorithmes de localisation.Afin d’établir de telles cartes pour les principales autoroutes, les principaux acteurs automobiles ont eu recours à des flottes de véhicules spécialisés équipés de capteurs haut de gamme. Cependant, en raison des coûts opérationnels élevés qui y sont associés, ils n’ont exploité qu’un nombre limité de véhicules et ne sont pas en mesure de fournir des mises à jour en direct des cartes, ni de cartographier des réseaux routiers entiers. La cartographie crowdsourcée représente une solution rentable à ce problème et suscite aujourd’hui l’intérêt des acteurs du secteur automobile. Cette technique consiste à exploiter les mesures récupérées par de multiples véhicules de production équipés de capteurs standard, afin de construire une carte contenant des points de repère. Néanmoins, même si cette approche semble prometteuse, sa capacité réelle à construire une carte précise et à la maintenir à jour a besoin d’être évaluée dans des scénarios réalistes et long-terme.Dans cette thèse, nous proposons d’abord une solution de cartographie crowdsourcée basée sur une optimisation par triangulation, et l’évaluons à l’aide de tests de terrain. L’analyse des résultats montre le potentiel de cette approche à tirer profit des mesures émises par plusieurs véhicules. Elle permet aussi d’identifier certaines limitations critiques associées à l’optimisation par triangulation.Pour remédier à cela, nous proposons ensuite une autre solution de cartographie crowdsourcée basée sur l’optimisation de graphe, et nous introduisons différentes approches pour inclure et mettre à jour la carte dans l’optimisation, qui correspondent à différents compromis entre la qualité de la carte et la scalabilité. Des expériences de simulation sont menées afin de comparer ces approches. Les résultats permettent d’identifier la plus efficace, ainsi que de vérifier qu’elle représente une solution scalable de cartographie crowdsourcée.La robustesse de cette approche à divers types de bruits, tels que les bruits auto-corrélés et biaisés, est ensuite évaluée à l’aide de tests de simulation étendus. L’analyse des résultats montre sa capacité à construire une carte précise dans diverses conditions de bruits, en utilisant des mesures récupérées par plusieurs véhicules. Ensuite, des tests de terrain sont effectués afin de confirmer les résultats obtenus en simulation, et de tirer des conclusions tant d’un point de vue théorique que pratique. Enfin, la capacité de notre solution de cartographie crowdsourcée à améliorer les capacités de localisation des véhicules est évaluée en simulation. Les résultats montrent l’efficacité de l’approche proposée dans diverses conditions, tout en soulignant l’importance de fournir une carte avec une densité suffisante de points de repère<br>The deployment of intelligent and connected vehicles, equipped with increasingly sophisticated equipment, and capable of sharing accurate positions and trajectories, is expected to lead to a substantial improvement of road safety and traffic efficiency. For this safety gain to become effective, vehicles will have to be accurately geo-positioned in a common reference, with an error up to a few decimeters [1]. To achieve this, they will be able to count on a variety of embedded sensors, such as GNSS (Global Navigation Satellite Systems) receivers, as well as additional proprioceptive and perception sensors. Nevertheless, in order to guarantee accurate positioning in all conditions, including in dense zones where GNSS signals can get degraded by multi-path effects, it is expected that vehicles will need to use precise maps of the environment to support their localization algorithms.To build maps of the main highways, major automotive actors have made use of dedicated fleets of vehicles equipped with high-end sensors. Because of the associated high operational costs, they have been operating a limited number of vehicles, and remain unable to provide live updates of the maps and to register entire road networks. Crowdsourced mapping represents a cost-effective solution to this problem, and has been creating interest among automotive players. It consists in making use of measurements retrieved by multiple production vehicles equipped with standard sensors in order to build a map of landmarks. Nevertheless, while this approach appears promising, its real potential to build an accurate map of landmarks and maintain it up-to-date remains to be assessed in realistic, long-term scenarios.In this thesis, in a first time, we propose a crowdsourced mapping solution based on triangulation optimization, and evaluate it using field-tests. The result analysis shows the potential of crowdsourced mapping to take advantage from measurements issued by multiple vehicles. On the other hand, it also indicates some critical limitations associated with triangulation optimization.Therefore, in a second time, we propose another crowdsourced mapping solution based on graph optimization, and we introduce different approaches to include and update the map within the optimization, which correspond to different trade-offs between the map quality and computational scalability. Simulation experiments are conducted in order to compare the different approaches. The results enable to identify the most efficient one, and to assert that it provides a scalable solution for crowdsourced mapping.The robustness of this solution to various types of noises, such as auto-correlated and biased noises, is then evaluated using extended simulation tests. The results analysis show its ability to build an accurate map of landmarks in various noises conditions, making use of measurements retrieved by multiple vehicles. Subsequently, field-tests are performed to confirm the results obtained in simulation, and draw conclusions both from a theoretical and practical viewpoint. Finally, the capacity of our crowdsourced mapping solution to increase the localization capabilities of vehicles is evaluated in simulation. The results show the effectiveness of the proposed approach to improve positioning performances in various conditions, while also pointing out the importance of providing a map with a sufficient density of landmarks