La stratégie mise en place pour l’évitement d’un obstacle

Télécharger le fichier pdf d’un mémoire de fin d’études

ETUDE DU SYSTEME D’EVITEMENT D’OBSTACLE PAR FLOT OPTIQUE

Le système d’évitement d’obstacle est essentiel pour tous les robots mobiles. Les capteurs les plus utilisés sont les capteurs de distance. Cependant, les capteurs de distance de type ultrason ont une précision qui dépend grandement de plusieurs facteurs extérieurs tels que l’angle de réflexion ou encore le type de matériaux constituant l’objet. Concernant les capteurs de distance lasers, ils ont l’énorme inconvénient d’être coûteux. Ce type de capteur peut aussi être nocif pour les personnes environnantes. Enfin, ces deux types de capteurs sont des capteurs actifs, donc ne conviennent pas aux applications de type militaires.

Une autre solution est envisageable, le recours au capteur de type caméra. L’utilisation de la caméra vidéo présente plusieurs avantages, aussi bien au niveau du prix que de la consommation en énergie ou encore au niveau de la résolution de l’image acquise. Et si l’utilisation de deux caméras peut faciliter la tâche lors du calcul de la distance entre l’obstacle et la plateforme mobile, il est aussi possible de concevoir un système robuste d’évitement d’obstacle à partir d’une seule caméra vidéo.

Pour des raisons économiques, il est plus avantageux d’opter pour la conception d’un système d’évitement d’obstacle par vision monoculaire. Le système étudié est basé sur l’estimation du mouvement par flot optique.

Estimation de mouvement

L’estimation de mouvement consiste à faire l’étude du déplacement des objets dans une séquence vidéo. Cette étude vise à trouver la corrélation entre deux images successives dans le but de prédire le changement de position du contenu. L’estimation de mouvement est en général représentée par un vecteur de mouvement. Ce vecteur décrit la transformation d’une image en 2D vers une autre. Les coordonnées de celui-ci ne sont définies que dans l’espace et ne comporte aucune contrainte temporelle.

Il existe différentes méthodes d’estimation de mouvement :

• Les méthodes basées sur les pixels dites méthodes directes :

 Le block-matching

C’est un algorithme utilisé pour encoder le mouvement dans une séquence vidéo. Cette méthode vise à rechercher la corrélation entre le bloc le plus ressemblant contenu dans une image de référence et le bloc courant.

 Le flot optique

C’est la technique qui se rapproche le plus de l’estimation de mouvement.

• Les méthodes indirectes :

Ces méthodes utilisent le contenu d’une image et cherchent ses semblables dans chaque image. Elles sont souvent utilisées avec une fonction statistique qui s’applique sur une zone locale ou globale, afin de supprimer la zone qui ne correspond pas au mouvement.

Le flot optique

Le flot optique est un terme inventé en 1940 par le psychologue américain James J. GIBSON dans son étude sur la vision humaine. Par définition, le flot optique est une représentation du mouvement apparent des objets, surfaces ou les contours d’une scène visible. Il a pour cause le déplacement relatif entre un observateur et une scène.

Figure 2- 1 : Exemple de flot optique

Il existe plusieurs méthodes pour l’estimation du flot optique. La plupart de ces méthodes reposent sur une hypothèse fondamentale : la conservation de l’intensité lumineuse entre deux images successives. Cette hypothèse peut s’écrire sous la forme générale :

Cependant, cette seule contrainte ne peut suffire pour la détermination du flot optique. En effet, on ne dispose ici que d’une équation linéaire pour deux inconnues. Il est donc obligatoire d’émettre une hypothèse supplémentaire. Cette hypothèse sera propre à chaque méthode de résolution du flot optique.

Les méthodes variationnelles

Ces méthodes consistent à résoudre un problème d’optimisation en minimisant une fonctionnelle basée sur l’équation (2.2). Ajouter une contrainte permet de particulariser les solutions.

• Les méthodes variationnelles globales

Les méthodes variationnelles globales consistent à minimiser sur le domaine entier de l’image une fonctionnelle. Elles prennent en compte l’équation du flot optique ainsi qu’un terme de lissage.

En 1980, Horn & Schunck ont développé la principale méthode variationnelle globale. Elle consiste à minimiser la fonctionnelle sur l’ensemble de l’image = ∬ (∇ ∙ [ ] + )2+ ((∇ )2 + (∇ )2)(2.3)

Cette méthode de régularisation se justifie par le fait que les vitesses voisines sont presque identiques.

• Méthodes variationnelles locales

Elles consistent à prendre en compte des hypothèses supplémentaires sur un domaine de taille réduite pour particulariser le flot optique. Un critère est alors minimisé sur un petit domaine. Ce qui donne le flot optique de ce petit domaine.

La méthode variationnelle la plus célèbre est celle de Lucas-Kanade. Elle consiste à minimiser la fonctionnelle : =∑ 2[∇ ∙[ ] + ]2(2.4)

C’est cette méthode, développée en 1981, qui sera utilisée pour la conception du système d’évitement d’obstacle.

Méthodes fréquentielles

Cette classe de méthode s’appuie sur les possibles manipulations dans les domaines fréquentiels. En transformant l’équation (2.2) dans le domaine fréquentiel, on obtient :

+ +=0 (2.5)

• Par filtration

Il existe plusieurs méthodes qui consistent à combiner différents filtres pour l’évaluation des différents ordres de grandeur de vitesse.

La méthode de Lucas-kanade

Développée par Bruce D. Lucas et Takeo Kanade, cette méthode est une méthode différentielle utilisée pour estimer le flot optique. Elle suppose que la vitesse locale soit constante au voisinage du point p et le déplacement entre deux images est petit.

Amélioration de l’estimation

Quelle que soit la méthode utilisée pour l’estimation du flot optique, il sera toujours possible de l’améliorer en appliquant deux principes qui expriment la même idée à deux échelles différentes :

Le raffinement itératif :

Ce principe consiste à minimiser l’écart entre deux images successives. Pour ce faire, on exécute de nouveau l’algorithme après avoir déplacé une des deux images selon le dernier champ de vecteur calculé.

L’implémentation pyramidale

On définit la hauteur Lm de la pyramide qui est en pratique égale à 2,3 ou 4. A chaque niveau, l’image est sous-échantillonnée d’un facteur 2 pour les deux images successives considérées, le niveau 0 correspondant à l’image initiale et le niveau Lm le niveau le plus grossier.

Le flot optique est calculé au niveau Lm puis on le propage au niveau inférieur en translatant l’image avec la priorité de calcul au niveau supérieur, avant la nouvelle exécution de l’algorithme. On réitère le procédé jusqu’au niveau 0, l’image initiale. On peut ainsi récupérer le flot optique final.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport-gratuit.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

INTRODUCTION
Chapitre I : GÉNÉRALITÉ
1.1 Robots mobiles
1.1.1 Robots mobiles à roues
1.1.2 Autres types de locomotion
1.2 La vision artificielle
1.2.1 La vision humaine
1.2.2 La vision par ordinateur
Chapitre II : ETUDE DU SYSTEME D’EVITEMENT D’OBSTACLE PAR FLOT OPTIQUE
2.1 Estimation de mouvement
2.1.1 Le flot optique
2.1.2 La méthode de Lucas-kanade
2.1.3 Amélioration de l’estimation
2.2 Estimation du foyer d’expansion
2.2.1 Géométrie épipolaire
2.2.2 La matrice fondamentale
2.3 Estimation TTC
2.4 La stratégie mise en place pour l’évitement d’un obstacle
Chapitre III Réalisation du robot test
3.1 La partie mécanique
3.1.1 Le châssis
3.1.2 Les moteurs
3.1.3 La roue folle
3.2 La partie électronique
3.2.1 L’unité de traitement des informations
3.2.2 Le circuit intégré pour le pilotage des moteurs DC
3.2.3 Le capteur
3.2.4 Les circuits d’alimentation
3.2.5 Les branchements
3.3 La partie informatique
3.3.1 Le système d’exploitation
3.3.2 La bibliothèque de traitement d’image
3.3.3 La bibliothèque de pilotage du GPIO
Chapitre IV : Implémentation de l’algorithme et test
4.1 Installation des programmes sur la carte mémoire
4.1.1 Installation de l’OS Raspbian
4.1.2 Installation des programmes utiles
4.2 Implémentation des algorithmes
4.2.1 Calibrage de la caméra
4.2.2 Calcul du flot optique
4.2.3 Estimation de la matrice fondamentale
4.2.4 Estimation du FOE
4.2.5 Calcul du TTC
4.2.6 Implémentation de la stratégie de la balance
4.2.7 Contrôle des deux moteurs
4.3 Test et résultat
4.3.1 Plateforme immobile
4.3.2 Robot en mouvement : S > Smin
4.3.3 Robot en mouvement : S < Smin
4.3.4 L’arrêt du robot mobile
CONCLUSION
BIBLIOGRAPHIE
WEBOGRAPHIE
ANNEXES