De nos jours, la congestion du trafic automobile dans les villes, la pollution et le problème de la sécurité sont des sujets importants. Par conséquent, une nouvelle alternative comme solution de transport voit le jour : un système de transport urbain flexible, autonome, constitué de véhicules électriques.
Un élément essentiel de la navigation autonome est la localisation, qui consiste à calculer et maintenir à jour la connaissance de la position et de l’orientation dans un repère absolu. L'observation d’un phénomène physique par un capteur unique réduit nécessairement l’information aux caractéristiques physiques du capteur. Ce dernier n'observant qu'une partie du phénomène, la mesure obtenue est insuffisante. A défaut d’un capteur universel, il est nécessaire d’utiliser conjointement plusieurs capteurs pour reconstruire par fusion l’information recherchée.
Dans un grand nombre d'applications en robotique mobile, la localisation du véhicule est fournie par un récepteur GPS (Global Positionning System). Un GPS a une précision de quelques mètres, s'il y a suffisamment de satellites visibles. Malheureusement, le GPS fonctionne mal en milieu urbain car les bâtiments peuvent masquer les satellites et les ondes se réfléchissent sur les bâtiments ce qui induit le problème du multi-trajet. Ces données GPS sont alors fusionnées avec des informations issues de capteurs proprioceptifs, tels qu’un capteur inertiel, des odomètres, … Cependant, en l’absence de recalage, les mesures proprioceptives dérivent fortement à long terme. Une nouvelle source d’information est donc nécessaire.
La principale contribution de la thèse est alors l’étude de l’apport d’un modèle 3D et de la vision pour la localisation dynamique précise et pour la détection d’obstacles dynamique et statique nécessaire pour une navigation autonome.
Dans le cadre de la localisation, une observation de la pose est construite à partir de l’appariement 2D/3D entre une image acquise à partir de la position courante du véhicule et le modèle cartographique 3D. Pour cela, une estimation à priori de la pose du véhicule est fournie au système d’information géographique 3D (SIG-3D), qui gère le modèle. Le SIG-3D renvoie alors les segments visibles de la scène. Parallèlement, une caméra calibrée acquiert l’image courante. Les segments de cette image réelle sont ensuite extraits par des techniques de traitement d’images, puis mis en correspondance avec ceux du modèle. Pour cela, différentes pistes sont envisagées : la transformée de Hough généralisée, la recherche dans les arbres d’interprétation, la théorie des croyances, … A partir de cet appariement, la position et l’orientation de la caméra et donc du véhicule peuvent alors être calculées par des méthodes numériques. Cette observation est ensuite fusionnée avec d’autres sources d’informations, tels que des données GPS, inertielles ou odomètriques.
Le principe du détecteur d’obstacle est basé sur la différence entre l’image courante acquise par la caméra réelle, et l’image issue de l’exploitation du modèle 3D.