Vendredi 27 Novembre Guillaume Duceux, doctorant à l'U2IS (groupe robotique et vision) a soutenu sa thèse intitulée : " Vers la cartographie sémantique non supervisée et incrémentale".
Résumé de la thèse :
Les robots entrent peu à peu dans nos maisons.
Afin qu'ils puissent réaliser des tâches plus difficiles et intéressantes, ils doivent posséder une connaissance riche des différents objets et lieux présent dans un ménage en particulier.
Construire et utiliser une telle connaissance s'appelle la cartographie et navigation sémantique et nécessite de nombreuses capacités comme la cartographie, la localisation ou encore la reconnaissance d'objets. La plupart de celles-ci ont été longuement étudiées dans le passé mais souvent séparément et dans un contexte différent. Regrouper simplement ensemble ces techniques ne donne pas de solutions robustes et pérennes.
Nous proposons une solution complète fonctionnant sur un robot capable d'effectuer progressivement et sans supervision la cartographie sémantique d'un lieu.
Chaque aspect de cette solution est examiné depuis l'architecture logicielle jusqu'aux fonctionnalités requises par le robot. Certaines techniques déjà existantes ont été adaptées dans l'effort d'intégration et trois parties différentes de la solution sont des contributions originales.
La première est l'utilisation d'un télémètre laser pour la reconnaissance d'objet. Ce type de capteur a certain avantages par rapport aux autres plus populaires comme les caméras couleurs, RGB-D ou encore les télémètres laser 3D. Jusqu'à présent, de nombreuses solutions de cartographie sémantiques utilisent ce capteur uniquement pour la navigation classique, mais nous avons pleinement tiré profit de ce capteur en développant des techniques qui l'intègrent dans l'ensemble du processus de cartographie sémantique.
Deuxièmement, nous présentons une méthode de modélisation que nous appelons graphe-de-mots. Dans notre effort pour étendre les techniques à base de sac-de-mots afin d'effectuer la modélisation multi-modale des objets, nous avons développé une formulation originale qui est plus élégante et puissante que l'ancienne sur plusieurs aspects. Nous avons appliqué cette approche à la reconnaissance d'objets utilisant à la fois un télémètre laser et une caméra RGB-D.
Enfin, nous présentons un algorithme original d'apprentissage incrémental et non supervisé.
La plupart des techniques de cartographie sémantique existantes reposent sur l'apprentissage supervisé des objets. Ceci est efficace et nécessaire, mais nous avons envisagé que les robots de service auraient également besoin de capacités d'adaptations continues et non supervisées. Nous avons appliqué notre technique à l'apprentissage des objets dynamiques rencontrés par un robot naviguant dans un environnement intérieur pendant une période de temps prolongée.