PROJET SARI PREDIT 3sari.ifsttar.fr/livrables/vizir/VIZIR_2.1.3.pdf · calcul de la visibilité...

PROJET SARI - PREDIT 3 Surveillance Automatisée de la Route pour l’Information des

conducteurs et des gestionnaires

VIZIR

Mesure de visibilité géométrique avec modèle 3D :présentation de l’outil de diagnostic mis au point

Livrable 2.1.3 – version 1.2

3 juillet 2008

Prédit SARI, thème VIZIR – Action 2.1

Projet financé par la DRAST / DSCR, 2ème tranche

Centre de Robotique (CAOR) Mines Paris / ARMINES

Responsable :

F. Goulette

Acteurs :

J.-E. Deschaud

J. Senpauroca

X . Brun

S.-W. Choi

F. Goulette

Mesure de visibilité géométrique avec modèle 3D – outil de diagnostic mis au point

2/47

Sommaire

1 - Introduction .................................................................................................................... 3

2 - Premier outil de diagnostic mis au point....................................................................... 5 2.1 - Le premier prototype LARA-3D.......................................................................................... 5 2.2 - Expérimentations et analyses des nuages de points 3D...................................................... 9 2.3 - Triangulation des nuages de points : modélisation après segmentation......................... 17 2.4 - Résultats obtenus et conclusions ........................................................................................ 22

3 - Améliorations de l’outil de diagnostic ......................................................................... 23 3.1 - Améliorations de la triangulation : approches par modélisation directe ....................... 23 3.2 - Corrections de localisation en « post-processing » ........................................................... 30 3.3 - Améliorations matérielles du prototype LARA-3D.......................................................... 35 3.4 - Conclusions sur les améliorations apportées .................................................................... 39

4 - Conclusions-Perspectives............................................................................................. 40

Annexe 1. Références bibliographiques............................................................................. 41

Annexe 2. Capteurs utilisés ................................................................................................ 44


3/47

1 - INTRODUCTION

Dans le cadre du projet VIZIR (SARI, PREDIT), les laboratoires CAOR (ARMINES / Mines Paris) et ERA 27 « Imagerie - Méthodes Optiques » du LRPC de Strasbourg ont mis au point une méthode de calcul de la visibilité géométrique des routes, basée sur deux éléments : la modélisation 3D de la route à l’aide d’un système prototype de cartographie mobile, appelé « LARA-3D », et l’utilisation d’un logiciel dédié appelé « Qt-Ballad » permettant de calculer les distances de visibilité requises selon les règles de l’art et de les comparer aux distances de visibilité offertes par l’infrastructure, évaluées à l’aide du modèle (Figure 1) [CHA07, BRU06].

Figure 1 : Principe de la cartographie de visibilité à partir de modèles 3D et des règles de l’art [CHA07].

La plateforme LARA-3D [GOU06, BRU07] développée par le CAOR est un système de

télémétrie laser embarqué sur un véhicule géo-localisé. Il s’agit d’un prototype composé de capteurs de positionnement (une centrale inertielle ou INS et un GPS), d’un capteur télémétrique (un scanner laser IBEO) et de capteurs photogrammétriques (des caméras Marlin et Pike). La localisation du véhicule à l’aide d’un filtre de Kalman sur les données GPS/INS est essentielle pour la construction de nuages de points 3D. Le télémètre laser à balayage est installé de manière à numériser un plan perpendiculaire à la direction de conduite. Connaissant la géo-localisation du véhicule, il est possible de géo-référencer et recaler les coupes laser successives obtenues au fil de la progression du véhicule. On obtient ainsi une couverture des routes et de leur environnement proche (bâtiments, végétation) sous la forme d'un nuage de points 3D dense. A partir de ces points 3D, nous construisons un modèle à facettes de la route et de l’environnement routier.

Le LRPC de Strasbourg a mis au point un logiciel de calcul, nommé « Qt-Ballad » qui exploite les modèles numériques route-environnement pour évaluer des distances de visibilité sur itinéraires [CHA07]. Le logiciel permet de vérifier la disponibilité d'une visibilité minimale, la distance entre le point d'observation et la cible étant fixée à une valeur pré-définie. Il permet également l'évaluation de la distance de visibilité maximale disponible, en faisant varier la distance entre le point d'observation et la cible. Cette dernière peut être constituée d'une paire de points, représentant les feux arrière d'un véhicule, selon les définitions utilisées par les documents de référence en matière d'aménagement routier. Il peut également s'agir d'un parallélépipède représentant un véhicule ou un piéton. La distance de visibilité disponible ainsi évaluée peut être comparée avec la distance de visibilité requise, calculée par le logiciel à partir des caractéristiques de la trajectoire, et qui correspond à la distance d'arrêt sur obstacle (Figure 2).


4/47

0 50 100 150 200 2500

20

40

60

80

100

120

140

Abscisse curviligne

Dis

tanc

e de

vis

ibili

té

OfferteRequise

Figure 2 A gauche, comparaison des distances requises (en rouge) et offertes (en bleu) ;

à droite, cartographie de la visibilité (Yvelines, secteur RD11). En vert : visibilité suffisante, en rouge : visibilité insuffisante, en noir : visibilité supérieure aux limites du modèle 3D [CHA07, BRU06].

Le travail du CAOR s’insère ainsi dans une chaîne de traitement avec à la clé l’obtention de ces cartes de distances de visibilité. Dans cette chaîne de traitement, l’outil de diagnostic mis au point doit au minimum fournir un modèle et une trajectoire tridimensionnels. Nous présentons en première partie du document une description de notre prototype de construction de modèles 3D avec les premiers résultats déjà présentés dans de précédents documents. Enfin, dans la deuxième partie, nous expliquons les différentes améliorations qui ont été apportées sur cet outil avec résultats et analyses, avant de conclure sur l’outil mis au point dans le cadre du projet.


5/47

2 - PREMIER OUTIL DE DIAGNOSTIC MIS AU POINT

2.1 - Le premier prototype LARA-3D

Le Centre de Robotique de l’École des Mines de Paris a acquis en 1998 un véhicule Renault Espace pour valider en situation réelle ses travaux sur la perception avancée et la fusion multi-capteurs. Ce véhicule prototype baptisé LARA, acronyme de « La Route Automatisée » présente plusieurs innovations dont :

- Le tableau de bord numérique - Le système de perception multi-capteurs - Le système informatique embarqué RT Maps© Le véhicule est configuré pour accueillir de nombreux capteurs et en particulier des caméras

vidéos, un ou plusieurs radars, un ou plusieurs télémètres laser à balayage, une centrale inertielle, un GPS avec un atelier logiciel ouvert de cartographie numérique, des ultrasons, des odomètres, des capteurs de l’angle du volant . . . Il comporte également un ordinateur embarqué dénommé « data logger » qui est équipé du logiciel RT Maps©, logiciel qui permet le traitement de données datées et synchronisées provenant en temps réel des capteurs. L’un des gros avantages de ce logiciel réside dans le fait qu’il est possible d’enregistrer ces données datées et synchronisées de manière à pouvoir effectuer un « rejeu » de ces dernières pour des tests « hors ligne » dans les mêmes conditions. Ces tests permettent le prototypage d’applications qui seront par la suite directement embarquées sur le véhicule. Nous utilisons pour nos travaux ce véhicule pour scanner l’environnement proche de la voiture à l’aide d’un télémètre laser à balayage et obtenir les caractéristiques géométriques de la scène. Dans cette partie, nous commencerons par analyser la manière dont le véhicule est localisé puis la façon dont le télémètre utilise cette localisation pour construire un nuage de points de la scène [Abu05].

Figure 3 Véhicule LARA-3D avec ses capteurs


6/47

2.1.1 - Le système de localisation

2.1.1.1 - LE GPS

Les systèmes de positionnement par satellite, tels que GPS (le système américain) ou GLONASS

(le système russe), permettent la détermination de la position, de la vitesse ou encore une information de temps absolu (UTC) quel que soit le lieu sur le globe terrestre, pour autant que les signaux des satellites soient disponibles. En effet dans le cas de la navigation terrestre, elle est souvent compromise à de nombreux endroits, notamment en ville, où la réception des signaux satellites n’est pas possible. Afin de pallier à cet inconvénient, il est nécessaire d’adjoindre au système satellite un autre système de positionnement comme le système de navigation inertiel (INS). Il faut encore mentionner le fait que le propriétaire du système peut en tout temps suspendre l’émission des signaux. Néanmoins, les développements politiques récents montrent une ouverture des systèmes de positionnement satellite à tous les utilisateurs. Inversement, les avantages de ce dispositif résident dans sa précision à long terme, dont la non nécessité d’intégration numérique, et dans le fait qu’il fournit un positionnement absolu. 2.1.1.2 - La Centrale Inertielle

Une Centrale inertielle (CI) à six degrés de liberté peut fournir des informations sur la position et

la vitesse en 3D. Une CI typique se compose de trois accéléromètres et de trois gyroscopes montés dans un système de trois axes orthogonaux. La CI que nous utilisons est de type « strapdown », ce qui signifie que les accéléromètres et les gyroscopes sont fixés rigidement à l’élément en mouvement. La CI mesure l’accélération et la vitesse angulaire du véhicule dans chacune des trois dimensions à une fréquence d’échantillonnage assez élevée. Depuis ces informations, l’orientation et la position du véhicule peuvent être obtenues par intégration.

Les unités inertielles (CIs) ont toujours été présentées comme des capteurs valables dans beaucoup d’applications. Les avantages de la navigation inertielle sont bien connus : fréquence d’échantillonnage élevée, position et vitesse en trois dimensions avec l’information d’orientation. Cependant, jusqu’à récemment, le coût élevé de ces unités a toujours empêché la mise en application dans des applications civiles. Le facteur principal ayant entraîné la baisse des prix a été le développement des gyroscopes de meilleur marché, généralement dans une version en céramique et récemment des modèles de silicium. Ils restent néanmoins très sensibles à la gravité et divergent à long terme. 2.1.1.3 - La Fusion des données

Les avantages de l’intégration GPS/INS sont plus qu’une amélioration de la précision de la

localisation. Par exemple, les solutions d’INS peuvent être utilisées pour identifier et corriger le saut des cycles GPS. L’utilisation de l’INS pour établir des liens entre les données GPS en cas de perte dans un système de positionnement robuste cinématique en temps réel étroitement couplé de GPS/INS (RTK) apporte une amélioration significative des capacités d’anti-brouillage du récepteur de GPS en utilisant une technique d’intégration basée sur la théorie du traitement des signaux. Le filtrage de Kalman fournit un outil puissant pour créer la synergie entre deux capteurs de navigation - GPS et INS - puisqu’il peut tirer profit des avantages et des caractéristiques des deux systèmes pour fournir un système intégré de navigation présentant une performance supérieure à celle de l’un ou de l’autre des sous-ensembles de capteurs pris séparément.

La localisation utilisée par le prototype Lara est un filtre étendu de Kalman pour intégrer un GPS différentiel (DGPS) avec une CI de précision moyenne. Une approche de type « couplage faible » (loosely coupled) d’intégration a été développée ; elle utilise des positions et des vitesses issues du GPS pour corriger les données issues de la centrale. Nous réduisons encore les erreurs de position obtenues à partir de la centrale en utilisant un modèle de véhicule avec contraintes [ANLC03]. C’est en particulier appréciable quand l’information externe, par exemple celle du GPS, n’est pas disponible pendant de longues périodes. Cela rend le système inertiel moins dépendant de cette information.


7/47

2.1.2 - Le Télémètre Laser

Le télémètre laser que nous utilisons pour numériser l’environnement proche de la voiture est un

« LD Automotive » de la société IBEO© qui balaye dans un plan une zone angulaire de 270 degrés. Le principe utilisé par ce capteur est celui du temps de vol. Durant son balayage circulaire, ce système fournit pour chaque position angulaire la distance à l’obstacle le plus proche qui intersecte le rayon laser émis.

Nous avons placé le laser de telle sorte que le plan d’acquisition soit perpendiculaire à la trajectoire du véhicule et à l’arrière de celui-ci. Nous allons commencer par voir les caractéristiques techniques annoncées par le fabricant et en vérifier certaines, ensuite nous verrons comment nous effectuons le « Géo-Référencement » de chaque point pour obtenir un nuage de points 3D géolocalisés.

Figure 4 Plan d'acquisition du télémètre laser

2.1.2.1 - Les Caractéristiques

La première chose à noter, c’est qu’il s’agit d’un laser de la classe de sécurité I, c’est-à-dire qu’il ne

comporte pas de danger pour les yeux en cas d’exposition en respectant évidemment un temps d’exposition pas trop élevé. Il peut donc être utilisé en milieu urbain sans risquer de blesser les passants. La distance maximale à laquelle un obstacle renvoie un écho détectable dépend fortement de ses caractéristiques réflectives propres : elle peut dépasser la centaine de mètres pour un objet réfléchissant à plus de 90% et atteint seulement 50 m pour une réflectivité de 20%. La zone angulaire couverte est de 270 degrés avec un pas de 0.25 degrés à une précision de 0.07 degrés ce qui nous fournit un échantillonnage de 1080 points par profil, et la fréquence de rotation de la tête de mesure est de 10 Hz. Enfin, la précision annoncée sur la mesure de la distance est de 5 cm dans la direction de la mesure quelle que soit la distance de l’obstacle.


8/47

Figure 5 Le télémètre laser LD Automotive et son principe de fonctionnement (image IBEO)

2.1.2.2 - Le Géo-Référencement

Dans cette section nous allons expliquer comment, à partir des données laser dans le repère du télémètre, nous obtenons des points 3D dans un repère absolu géo-référencé. Il est nécessaire d’effectuer deux transformations rigides, une pour passer du repère du Télémètre Laser au repère du véhicule et une deuxième pour arriver dans le repère de navigation.

La première transformation est constante car le laser est fixé de manière rigide sur le véhicule, une

calibration statique permet d’obtenir ces paramètres. La deuxième est déterminée lors du déplacement du véhicule par le système GPS/INS. Le repère utilisé pour cette dernière est le repère North, Easth, Down « NED », qui est le plan local tangent à la surface de la terre dont on place arbitrairement l’origine au point de départ du véhicule, ce qui revient à négliger la forme arrondie de la terre dans la zone où le véhicule se déplace.

Ainsi, avec le couplage GPS/INS et le télémètre laser, chaque objet détecté par le laser sous forme

de points peut être représenté en 3D par un nuage de points avec le géo-référencement.


9/47

Figure 6 Nuage de points 3D de la rue Gay-Lussac à Paris

On peut voir sur la Figure 6 à titre d’illustration un nuage de points obtenu avec le système LARA-3D, dans un environnement urbain. 2.2 - Expérimentations et analyses des nuages de points 3D

2.2.1 - Expérimentations réalisées

La première expérimentation que nous avons réalisée se situait en région parisienne, dans la

commune de Neauphle-le-Château (78). Il s’agissait de vérifier le bon fonctionnement des capteurs et d’obtenir un premier jeu de données sur lequel nous pourrions commencer les développements souhaités que nous expliciterons ultérieurement. Une autre expérimentation a eu lieu sur une piste appartenant au LIVIC, située à Satory, permettant de valider la pertinence des données.

Dans le cadre du projet VIZIR, nous avons numérisé quatre itinéraires avec cette première

version du prototype, deux dans les Côtes d’Armor et deux autres dans le département de l’Essonne. Les explications des objectifs du projet et des traitements seront données par la suite mais nous parlons dès à présent de ces expérimentations pour montrer les limitations du système « Télémètre Laser et Localisation » ainsi que les corrections que nous avons apportées.

Nous avons également utilisé pour nos tests deux zones situées dans les Yvelines sur la commune

de Magny-Les-Hameaux (Tableau 1).


10/47

Tableau 1. Acquisitions effectuées avec le premier prototype

Date Département Localisation Longueur Commentaires

Mars 2003 Yvelines (78) Satory 3500m Piste du LIVIC

31/03/2005 Yvelines (78) Neauphle-le-Château (RD11) 250m Fort virage

27/03/2006 Côtes d’Armor (22) Guingamp (RD8) 4700m Forts virages encaissés

29/03/2006 Cotes d’Armor (22) Quintin (RD790) 5888m Intersections dangereuses

15/11/2006 Essonne (91) Ollainville (RD116d) 1038m Itinéraire vallonné

15/11/2006 Essonne (91) Courances (RD372) 5940m Nombreux petits virages

22/01/2007 Yvelines (78) Magny-Les-Hameaux 310m Zone urbaine

22/01/2007 Yvelines (78) Magny-Les-Hameaux 450m Zone rurale

2.2.1.1 - Cotes d’Armor

Ces relevés ont été réalisés avec le soutien logistique du LRPC de Saint-Brieuc et du Conseil

Général du département des Côtes d’Armor (CG 22), partenaires du projet VIZIR. Leur soutien était nécessaire car un avertissement aux usagers de la route et une protection du prototype s’avéraient indispensables. Lors des phases d’acquisition sur les itinéraires, nous étions suivis d’un véhicule de la direction départementale de l’équipement équipé de la signalisation « chantier mobile ».

Le premier itinéraire se situe sur la RD 8 entre les villes de Guingamp et de Bourbriac. Cet

itinéraire de 4700 m a été choisi à cause de la succession de deux virages à fortes courbures de 80 et 50 m qui génèrent une forte accidentologie matérielle avec peu de dommages matériels [LRP06] (Figure 7).

Le deuxième itinéraire est une portion de la RD 790 entre Plouvenez et Quintin, il mesure 5888 m

de long et présente des virages de courbures plus faibles mais des obstacles (maison, etc. . .) le long de la route génèrent des pertes de visibilité dangereuses (Figure 8).


11/47

Figure 7 La carte de la portion de la RD 8 des Côtes d’Armor et le nuage de points correspondants

Figure 8 La carte de la portion de la RD 790 et le nuage de points correspondant


12/47

2.2.1.2 - Essonne

Nous avons également numérisé deux sites dans le département de l’Essonne en partenariat avec

le CG 91, également partenaire du projet SARI. Le premier, sur la RD 116d est un itinéraire de campagne très vallonné de 1038 m, aux environs des villes de Ollainville et de Bruyères-le-Châtel. Cette caractéristique représente la raison du choix de cet itinéraire car il s’agit d’un facteur de manque de visibilité que nous n’avions pas encore rencontré sur les autres itinéraires (Figure 9).

Le deuxième, sur la RD 372, se situe également dans une zone rurale mais il est beaucoup plus

long, 5940 m. Il est légèrement vallonné mais se caractérise surtout par de nombreux petits virages et de nombreuses intersections (Figure 10).

Figure 9 La carte de la portion de la RD 116d de l’Essonne et le nuage de points correspondant


13/47

Figure 10 La carte de la portion de la RD 372 de l’Essonne et le nuage de points correspondant

2.2.1.3 - Yvelines

Dans la période de décembre 2006 à février 2007, nous avons effectué des acquisitions dans une autre zone des Yvelines, sur le territoire de la commune de Magny-les-Hameaux.. Ces acquisitions n’ont pas été faites spécifiquement pour le projet VIZIR, mais nous les présentons car elles nous ont servi pour analyser le fonctionnement de notre système. Il y avait deux acquisitions, l’une en zone urbaine et l’autre en zone rurale. Les itinéraires d’acquisition sur les deux zones sont présentés en sur-impression sur des ortho-photos aériennes, Figure 11 et Figure 12. La période d’acquisition a été étendue sur plusieurs semaines à cause de difficultés matérielles survenues, que nous analysons ci-après.

Figure 11 Zone Urbaine

Figure 12 Zone rurale


14/47

2.2.2 - Analyse des nuages de points 3D

Une première difficulté est due au fait que notre véhicule est un prototype et donc l’installation

n’est pas complètement robuste en terme électrique et matériel. De légères avaries pouvant survenir et une impossibilité de fonctionner sous la pluie rendent les phases d’acquisition délicates. Nous avons par exemple observé une dégradation du fonctionnement du télémètre laser lorsque la température extérieure s’approche de zéro. Nous avons tout particulièrement rencontré ce problème avec les acquisitions qui ont eu lieu dans l’Essonne.

Une autre difficulté plus importante est survenue sur ces longs itinéraires, la perte de signal du

GPS due à des masquages ou de mauvaises configurations satellitaires. A long terme, la centrale inertielle diverge fortement si elle n’est pas corrigée par des informations GPS. La localisation du véhicule étant la base du système de numérisation, une mauvaise localisation se répercute fortement sur le modèle 3D. De la même façon, un des points faibles d’une localisation à partir du GPS et d’une centrale inertielle est le manque de précision en altitude et sur l’angle de lacet. Une étude sur ces manques de précision, dont nous présentons les principaux résultats ci-dessous, a été effectuée dans le cadre d’un stage de fin d’étude de cycle ingénieur [Cho07] avec l’aide et la collaboration du LRPC de Strasbourg.

2.2.2.1 - L’erreur sur l’altitude

Après avoir étudié la reconstruction du nuage de points 3D, nous avons trouvé des « sauts » sur le

modèle 3D. Ces fortes variations d’altitude en un temps très court ne correspondent pas à la réalité du terrain. Parmi eux, certains sont même d’une magnitude de l’ordre de grandeur de plusieurs mètres.

Pour l’acquisition sur les sites des Côtes d’Armor (Figure 13), il y a de grands sauts sur l’altitude

dans les nuages de points qui sont parfois de plusieurs mètres de hauteur. Il apparaît que les erreurs proviennent des mesures brutes des capteurs, dans lesquelles on observe également ces sauts. Ces erreurs ne sont donc pas imputables à notre méthode de fusion. Lorsque le récepteur GPS nous fournit une position, il nous fournit également une indication sur la validité de cette valeur par un signal nommé PDOP (Position Dilution Of Precision). Ce PDOP caractérise la configuration des satellites visibles, leur nombre et leur arrangement dans l’espace. Plus le PDOP augmente, plus la configuration est mauvaise pour une bonne localisation.

Figure 13 Saut d’altitude sur les sites des Côtes d’Armor (RD8)

Ce problème a aussi été observé sur la zone urbaine de Magny-Les-Hameaux (Figure 14).


15/47

Figure 14 Sauts observés, zone urbaine de Magny les Hameaux

La Figure 15 montre, pour l’itinéraire de Guingamp-Bourbriac, le profil en long z = f(s) en fonction de l’abscisse curviligne dans le plan (x, y), et le tracé en plan x = f(y) avec indication en rouge des zones de mauvais PDOP (> 6). La corrélation entre les zones de mauvais PDOP et les sauts d’altitude apparait nettement, la mauvaise réception GPS semble donc être en cause sur cette erreur de positionnement.

Sans compter les sauts sur l’altitude, celle-ci reste également très bruitée. Les origines possibles

sont soit les bruits entraînés par les capteurs GPS et INS, soit l’inadaptation de l’algorithme de fusion des capteurs, soit un mauvais réglage des paramètres de cet algorithme.

Figure 15 Analyse des données GPS avec PDOP dans le cas de Guingamp-Bourbriac (script : LRPC de Strasbourg)


16/47

0 50 100 150 200 250 300 350 400 450 500-1

0

1

2

3

4

5Profil en long

Abscisse cumulée s

z

Figure 16 Analyse des données GPS avec PDOP dans le cas de Magny les Hameaux

La Figure 16 montre aussi le profil en long (s, z) en fonction de l’abscisse curviligne avec indication

en rouge des zones de mauvais PDOP (>3.9) pour la zone urbaine de Magny-Les-Hameaux. Les zones rouges correspondent bien aux positions des erreurs. Donc ceci montre que c’est bien une mauvaise qualité de GPS qui est l’origine des sauts observés. Il faudra trouver le moyen pour éviter ce problème.

2.2.2.2 - L’erreur sur l’orientation

Normalement, les profils 2D obtenus par le télémètre laser à balayage doivent être

perpendiculaires à la direction de la trajectoire du véhicule. Mais à certains endroits, on observe que le géo-référencement de ces profils, qui permet l’obtention des points 3D, ne les positionne plus à la perpendiculaire et même, dans le pire des cas, ils sont presque parallèles à la direction du véhicule (Figure 17). Il s’agit d’une erreur sur l’angle de lacet qui nous est fournie exclusivement par la Centrale Inertielle. De plus, cet angle n’est pas directement mesuré par celle-ci mais estimée à partir des autres mesures.

Figure 17 Exemple d’erreur d’orientation dans le cas de zone urbaine et de zone rurale (Magny-les-Hameaux)


17/47

2.2.2.3 - Le manque de données

Enfin, il y a certains endroits où les nuages de points sont moins denses. Ceci a été observé sur les

zones de Magny-Les-Hameaux (Figure 18) et sur les zones de l’Essonne. Il semble que cette erreur provienne du dysfonctionnement du télémètre laser à cause du froid. Ce dysfonctionnement a empiré avec le temps jusqu’à la mise hors service du télémètre qui a dû être réparé par la suite. Les précautions que nous avons prises depuis sont donc de le protéger du froid par de la matière isolante. Pour les autres erreurs, d’altitude et d’orientation nous avons utilisé des algorithmes de post-traitement qui permettent de les corriger, présentés en quatrième partie du document.

Figure 18 Exemple de manque de données dans le cas de zone urbaine et de zone rurale (Magny-les-Hameaux)

2.3 - Triangulation des nuages de points : modélisation après segmentation

Dans une première approche, nous avions choisi de réaliser au préalable une segmentation des

différents objets présents dans la scène pour séparer les points appartenant au sol des différents objets sur le bord de la route, puis une modélisation du sol et des obstacles. Le processus de segmentation doit réaliser la tâche difficile d’extraire des informations « utiles » qui permettront in fine de localiser et d’interpréter les entités présentes dans la scène.

2.3.1 - Segmentation de points

Pour cette partie nous nous sommes inspirés d’une méthode qui avait déjà été développée au

laboratoire ([AMM04] et [AAN+04]), qui est un algorithme de segmentation par histogramme. C’est une représentation employée pour montrer les caractéristiques principales de la distribution des données de façon pratique. Un histogramme sépare les valeurs possibles des données en classes ou groupes. Nous travaillons profil par profil et nous effectuons tout d’abord un histogramme selon l’altitude des points (selon l’axe z) ce qui nous permet de trouver les points de la route et du sol puis un deuxième histogramme dans la largeur (selon axe x) qui nous permet de séparer les objets verticaux.


18/47

Nous obtenons donc, dans ce profil, les points appartenant aux deux classes qui nous intéressent, à savoir le sol (route et bas-côté) et les obstacles gênant la visibilité sur le bas-côté. Illustrons l’algorithme directement par un exemple simple sur un profil de données. Examinons de plus près un profil (Figure 19). On vérifie que la route est un objet horizontal assez proche du télémètre (à peu près à 1 mètre en dessous du télémètre), ce qui signifie qu’elle est représentée dans notre acquisition par une grande densité de points. Calculons l’histogramme d’un profil suivant l’axe de l’élévation z, c’est à dire comptons le nombre de points qui existent par intervalle d’élévation (le pas p de l’histogramme). Nous pouvons distinguer clairement sur cet histogramme un pic P1 d’amplitude h1 correspondant à l’élévation de la route. C’est-à-dire tous les points qui appartiennent à un certain intervalle autour de ce pic sont des points qui correspondent à l’élévation du sol et par suite peuvent être classés comme une tranche du sol. Nous classons tous les points qui appartiennent au voisinage du pic principal comme une partie du sol. Ce voisinage doit contenir tous les pics voisins de P1 et de grande amplitude. Pour regrouper tous les points du sol autour de ce pic principal et éviter l’ajout des points des autres objets, nous choisissons un voisinage qui ne contient que des pics supérieurs à h1/10. Le pic principal et son voisinage défini comme nous venons de le faire se nomme un mode de l’histogramme. La route est un objet linéaire et qui est en contact avec tous les autres objets de la scène. Ce qui nécessite une analyse fine d’où le choix d’un pas de l’histogramme de p = 10 cm. Ce petit pas permet d’avoir une résolution suffisante dans la zone de contact pour éviter ainsi une classification grossière entre les différents objets dans ces régions. Cette extraction ne se base sur aucune connaissance a priori sur l’élévation de la route mais seulement sur une information géométrique qui décrit le sol comme étant un objet linéaire et horizontal. Un exemple de l’extraction de la route est présenté sur les Figure 19 et Figure 20.

Figure 19 A gauche le profil de données, à droite l’histogramme vertical correspondant


19/47

Figure 20 Exemple de profil de données complet et la partie classée au sol

Appliquons le même raisonnement sur les points restants non classés. Ces objets restants sont des

entités verticales indépendantes et détachées spatialement. Un histogramme suivant la dimension latérale du profil (soit l’axe y) permet donc de séparer ces différentes entités. La Figure 21 montre un exemple de cet histogramme, on peut remarquer qu’il s’agit d’un histogramme multimodal où chaque mode (ou groupe de pics) correspond bien à un objet indépendant dans ce profil. La séparation des pics de cet histogramme aboutit donc à la séparation des tranches d’objets qui existent dans un profil de l’acquisition laser. Pour le calcul de l’histogramme et vu la nature dispersée des objets, un grand pas de l’histogramme Y est utilisé (p = 1 m). Ce pas important est pourtant nécessaire pour pouvoir regrouper un objet assez dispersé autour d’un seul pic, comme un arbre, et éviter ainsi une sur-segmentation dans un même profil. La séparation des modes se fait de la même manière que dans le cas horizontal : chaque mode Mi est formé d’un pic (ou maximum local) Pi d’amplitude hi et des pics adjacents de valeurs plus grandes que hi/10. Tous les points appartenant à un mode Mi sont classés comme étant une tranche d’un objet 3D différent.


20/47

Figure 21 L’histogramme suivant l’axe y après extraction de la route

2.3.2 - Triangulation du sol

Dans cette section, nous allons expliquer la manière dont nous créons des triangles à partir des

points classifiés comme appartenant au sol dans l’étape de segmentation que nous venons de présenter. Lorsque nous recevons un nouvel ensemble de points du sol d’un nouveau profil, nous les projetons perpendiculairement selon l’axe z (l’élévation), nous décimons cet ensemble pour avoir un écart entre deux points successifs du même ordre de grandeur de taille que la distance entre deux profils pour avoir des triangles homogènes et nous ajoutons ces points à la triangulation de Delaunay. Nous avons donc directement la triangulation de la surface du sol comme nous pouvons le voir sur la Figure 22.

Figure 22 Triangulation des points du sol de la scène


21/47

Pour séparer la route proprement dite de ses bas-côtés, nous faisons l’hypothèse que lors du déplacement du prototype LARA-3D, le véhicule roule effectivement sur la route, ce qui est évidemment toujours le cas. Ainsi, les triangles situés au dessous et à la verticale de la position du télémètre appartiennent à la route et nous pouvons donc propager ce label « route » aux triangles voisins dont la normale reste similaire. Nous avons donc les limites à droite et à gauche de la route en détectant la rupture de la continuité des normales.

Comme nous venons de le voir, nous sommes en mesure d’identifier les points de mesure

appartenant uniquement à la route ce qui nous permet d’estimer localement (sur environ une dizaine de profils successifs à chaque fois) une surface bi-quadratique approximant la courbure de la route. Nous avons réalisé cette estimation par l’algorithme des moindres carrés résolu numériquement par l’algorithme de Levenbergt-Marquardt [BRUN07]. Cette estimation de la courbure nous permet alors de lisser les données en plaçant les points sur cette surface. Nous avons fait cela car l’erreur de mesure du télémètre sur la distance est de 5 cm, ce qui engendre une erreur relative importante pour les faibles distances (< 2 m), ce qui est le cas des points de la route. Nous obtenons alors un modèle de route lisse.

2.3.3 - Modélisation des obstacles

En ce qui concerne la modélisation des « obstacles » qui se situent sur le bord de la route nous

avons choisi une représentation simple et suffisante pour nos besoins : l’enveloppe convexe. Il existe beaucoup d’algorithmes permettant de calculer l’enveloppe convexe d’un nuage de points

en 2D et 3D, nous citerons par exemple l’algorithme QuickHull [BDH96] qui est un des plus rapides et des plus répandus. Ce type de méthode étant récursive, il n’est pas possible de l’appliquer de manière incrémentale.

Nous avons donc utilisé un autre algorithme, proposé par Clarkson et al. [CMS93], qui permet

l’insertion de points dans un ensemble et la modification incrémentale de son enveloppe convexe. Les Figure 23 et Figure 24 montrent le résultat de cet algorithme sur un itinéraire dans le département des Côtes d’Armor. Nous reviendrons plus en détail sur les avantages et inconvénients de cette méthode lorsque nous la comparerons aux autres méthodes que nous avons mises en oeuvre mais nous pouvons dès à présent situer le problème de la non continuité entre le sol et les obstacles qui engendre la possibilité du passage du rayon lorsque nous estimerons la distance de visibilité. C’est pourquoi nous avons cherché à développer d’autres types de modélisations.

Figure 23 Vue aérienne de l’ensemble du modèle et détail du modèle de route avec les objets du bas-côté


22/47

Figure 24 Détail du début du modèle de la RD 8 des Côtes d’Armor

2.4 - Résultats obtenus et conclusions

Une première chaîne complète de construction de modèles 3D a pu être testée avec tous les algorithmes présentés ici. Les modèles 3D créés ont permis de générer des cartes de distance de visibilité avec l’outil mis au point par le LRPC de Strasbourg. La première version de l’outil de diagnostic mis au point a apporté des réponses sur la faisabilité d’un tel procédé pour le calcul de distance de visibilité géométriques.

Sur la base des expérimentations réalisées, nous pouvons tirer les conclusions suivantes :

- l’importance de la robustesse et de la fiabilité du matériel sur la génération de nuage de points 3D. Nous l’avons particulièrement vu dans le cas de l’Essonne avec un télémètre laser défectueux

- l’importance de la localisation. C’est en effet la localisation précise du véhicule qui va permettre de créer un nuage de points 3D avec la plus grande précision. Nous avons vu l’impact sur la création des nuages lorsque nous avions des problèmes d’orientation, de sauts du GPS…

- l’importance de la modélisation : la méthode utilisée pour trianguler le nuage de points (c’est à dire transformer le nuage de points en modèle 3D) va avoir un impact sur les résultats dans les calculs de distances de visibilité. Avec la méthode décrite plus haut, la non-continuité des éléments de l’environnement avec la route fausse les calculs.

Ces différentes questions ont été examinées pour apporter plusieurs types d’améliorations, présentées dans la suite de ce document.


23/47

3 - AMELIORATIONS DE L’OUTIL DE DIAGNOSTIC

3.1 - Améliorations de la triangulation : approches par modélisation directe

Nous avons amélioré dans une première étape la phase de création du modèle 3D à partir du

nuage de points. Nous nous sommes passé de la phase de segmentation pour trianguler directement l’ensemble de la scène. Pour réaliser cela, nous avons cherché à projeter le profil de points de manière astucieuse. En effet, la surface décrite par l’ensemble du profil ne peut pas s’exprimer sous la forme z = f(x, y), les objets verticaux comme les façades ou les arbres ne peuvent pas se projeter selon l’axe z (l’élévation). Nous allons donc présenter ici deux méthodes que nous avons développées pour réaliser cette projection [BRUN07].

3.1.1 - Projection dans le plan (x,θ)

La première projection que nous avons imaginée s’inspire de la façon dont le télémètre effectue

les mesures de distances. Il effectue une rotation, ce qui ordonne les points de mesure selon un angle de mesure θ. Nous projetons les points dans le plan (x, θ) comme le montre la Figure 25. L’idée adapte l’algorithme « Meshless Parametrization » en projetant dans un plan et en respectant le voisinage du point. Le voisinage des points nous est donné directement par la méthode de mesure. Par contre, entre deux profils successifs, les points ayant le même angle de mesure θ se retrouvent donc voisins, or il est possible que dans le premier profil le point appartienne à une voiture au niveau du trottoir alors que dans le deuxième le point appartienne à la façade du bâtiment en arrière plan de l’arbre (Figure 26). De plus, lorsque des arbres sont présents dans la scène, cette méthode va relier des points internes entre eux, des triangles qui ne représentent aucune surface existante dans la réalité sont donc créés, les propriétés de la surface ne sont donc pas respectées. Pour remédier à cela, nous avons imaginé une seconde méthode de projection que nous avons nommée, algorithme du « voile ».

Figure 25 Projection dans le plan (x, Theta)


24/47

Figure 26 Résultat de la triangulation par la projection dans le plan (x, Theta)

3.1.2 - Algorithme du « voile »

Nous l’avons nommé ainsi car il s’inspire de ce qui ce passe lorsqu’un voile tombe sur un objet : si

l’on appuie dessus, il prendra la forme de l’objet. Dans notre cas, nous travaillons avec un profil plan donc le voile sera représenté par un segment. L’initialisation de l’algorithme consiste à créer le segment [AB], nous considérons la boîte englobante du profil et nous le plaçons « au-dessus » de cette boîte. A chaque itération (Figure 27), nous considérons le centre C du segment [AB] à partir duquel nous faisons « descendre » un point D dans la direction perpendiculaire au segment (A~B· C~D = 0), ce qui nous forme deux triangles (ACD et BCD). Nous faisons descendre D jusqu’à ce qu’un nouveau point E devienne intérieur à l’un des deux triangles et cela tant que la taille de [CD] est inférieure ou égale à [AB] ce qui arrête l’algorithme lorsque aucun point n’est trouvé. En pratique, nous descendons de manière discrète D avec un pas de longueur égale à 10% de celle de [AB]. Il est possible que plusieurs points deviennent intérieurs en même temps dans les triangles, nous choisissons alors celui qui est le plus proche de la droite (AB). L’algorithme recommence alors cette étape avec chacun des deux segments créés. Il s’arrête lorsqu’il ne trouve aucun point ou lorsque la taille des segments formés est inférieure à un seuil s correspondant à la longueur entre les profils pour obtenir des triangles homogènes. Nous avons imaginé cette méthode pour repérer les points formant une enveloppe de « dessus », points que nous conservons pour la triangulation.


25/47

Figure 27 Schéma d’une étape de l’algorithme

Figure 28 Résultat de l’algorithme du voile sur un profil

La Figure 28 montre le résultat de l’algorithme sur un profil correspondant à des données réelles.

Nous observons que nous obtenons une enveloppe englobant correctement le profil. Il est intéressant de noter que sur la droite du profil, sur la zone qui correspond à des points appartenant à un arbre, nous ne conservons qu’une enveloppe externe correcte de l’arbre en supprimant tous les points internes néfastes pour la triangulation. Il nous reste alors à projeter les points repérés par l’algorithme selon leur position dans la liste obtenue. Nous projetons en gardant l’ordre fourni par l’algorithme et en conservant également la distance entre les points, la Figure 29 nous montre la triangulation de la projection 2D ainsi que sa correspondance pour les profils 3D. Cette méthode s’inspire à la fois du « Greedy Algorithm » dans le sens où nous sélectionnons les points que nous ajoutons à la triangulation et de l’algorithme « Meshless


26/47

Parametrization » parce que nous projetons selon un certain voisinage pour trianguler dans le plan et reporter cette triangulation aux points 3D correspondants.

Figure 29 Triangulation de la projection et triangulation des profils correspondants

3.1.3 - Filtrage

Dans le cas de ces deux méthodes de triangulation directes, des triangles que nous qualifierons de

dégénérés apparaissent. Il s’agit par exemple de triangles qui ont deux cotés très grands par rapport au troisième. Ils ne représentent pas, comme nous l’avons vu, une surface existante dans la scène réelle, il est donc nécessaire de les supprimer. Théoriquement, un triangle dégénéré est un triangle dont les trois sommets sont alignés, mais en pratique dès qu’ils sont « presque » alignés, nous considérons le triangle comme dégénéré. Un résultat de ce filtrage est présenté à la Figure 30.

Cependant, on observe un inconvénient à cette méthode, dans le fait que de « bons » triangles

sont enlevés comme le montre la Figure 31.

3.1.4 - Analyse et comparaison

Nous avons présenté deux méthodes de modélisation que nous avons mises en oeuvre : la

modélisation précédée d’une étape de segmentation et la modélisation directe par l’algorithme du voile. Dans les deux cas, nous traitons les données en quasi temps-réel, c’est-à-dire à la vitesse d’acquisition des données ce qui permet d’embarquer ces algorithmes sur le véhicule pour générer des modèles de son environnement au fur et à mesure de son déplacement. Nous vérifions cela expérimentalement, c’est-à-dire que nous observons que les traitements sont effectués sans pertes de données.

La première méthode présente l’avantage de nous fournir plus d’informations sémantiques sur

l’environnement, comme par exemple la position des bords de route et des obstacles à l’erreur de segmentation près. Par contre, comme nous l’avons déjà évoqué, la non continuité possible entre différents éléments de la scène s’avère être très gênante pour l’application qui utilise ces modèles. Par ailleurs, l’utilisation de l’enveloppe convexe des obstacles surestime la taille de ces derniers et il peut même arriver que certains d’entres eux « débordent » sur la route. Ces surestimations des obstacles sont très gênantes pour l’étude de visibilité.


27/47

La seconde méthode résout ces problèmes de continuité et estime correctement une enveloppe des obstacles, il ne s’agit plus de leur enveloppe convexe mais d’une autre spécialement adaptée à leur utilisation pour l’estimation de la visibilité géométrique. L’autre avantage réside dans le fait que les paramètres et seuils de l’algorithme sont automatiquement calculés en fonction des données, il n’y a pas de seuil à régler manuellement, tout est entièrement automatique. La difficulté réside dans le réglage du filtrage pour éliminer correctement les triangles dégénérés.

Figure 30 Vue aérienne de l’ensemble du modèle et détail du modèle de route avec les objets du bas côté

Figure 31 Détail du début du modèle de la RD 8 des Côtes d’Armor


28/47

Dans le cadre d’expérimentations avec le LRPC de Paris, nous avons aussi modélisé avec les

mêmes méthodes la piste du LIVIC qui se situe à Satory (Figure 32), dont les données brutes avaient été obtenues auparavant (Tableau 1). Nous observons une bonne qualité de modèle, due à la qualité de réception du GPS dans cette zone.

Figure 32 Modèle de route de la piste du LIVIC à Satory

A l’inverse, en construisant les modèles 3D avec l’algorithme du voile sur les deux zones de l’Essonne, nous nous sommes aperçu de problèmes de triangulation (voir Figure 33 et Figure 34). En effet, comme nous l’avons mentionné précédemment, nous avions eu des problèmes de télémètres laser lors de l’acquisition de ces zones. Les nuages de points 3D créés avaient de nombreux artefacts visibles (par exemple des points en dessous de la route qui ne devaient pas exister). Ces points dégénérés, dus à la faiblesse du capteur laser, ont créé des artefacts dans le modèle 3d rendant ceux-ci inexploitables pour la génération de cartes de visibilité. Nous voyons encore une fois ici l’importance de la robustesse et de la fiabilité du matériel lors d’expérimentations ainsi que la sensibilité de la création de modèles aux nuages de points 3D.


29/47

Figure 33 RD 112D dans l’Essonne

Figure 34 RD372 dans l’Essonne


30/47

3.2 - Corrections de localisation en « post-processing »

Pour palier aux problèmes de localisation, nous avons mis en place une chaîne de traitement

« post-processing », c'est-à-dire hors acquisition, pour corriger les données du GPS et les données de la centrale inertielle. Les corrections que nous avons utilisées sont calculées en « hors-ligne », une fois que l’ensemble de la trajectoire et des angles d’Euler ont été calculés par la fusion du GPS et de la centrale inertielle. Ainsi, pour chaque position de la trajectoire, nous obtenons un terme correctif pour la position et l’orientation du véhicule, corrections que nous appliquons ensuite dans une nouvelle phase de reconstruction du nuage de points. D’autres travaux sont actuellement en cours au laboratoire pour améliorer en temps-réel la localisation du véhicule en intégrant de nouveaux capteurs, une boussole numérique pour l’orientation, un baromètre pour l’altitude, etc... Des recherches sont également menées sur d’autres méthodes de fusion de données, différentes du filtrage de Kalman.

3.2.1 - Correction de la trajectoire

Pour corriger la trajectoire, nous avons fait le choix de procéder en deux étapes : tout d’abord

nous commençons par corriger l’altitude z indépendamment des deux autres variables planes x et y, puis ces deux dernières sont corrigées ensemble. Pour corriger l’altitude, nous effectuons également deux traitements, le premier est un recalage par « offset » des différentes portions pour supprimer les sauts importants comme le montre la Figure 35. Le deuxième est un lissage de la trajectoire par la méthode semi-quadratique.

Figure 35 Correction des sauts par offset

Nous avons choisi cette méthode semi quadratique [CHO07], nous invitons le lecteur à se référer

à [CTI08], [GG84] et [HUB81] pour plus de détails, car elle a été développée, en relation avec le LRPC de Strasbourg, pour être plus robuste vis-à-vis des données fortement erronées par rapport aux méthodes quadratiques classiques telles que les moindres carrés. En effet, le critère que nous cherchons à minimiser comporte le terme quadratique classique plus un terme semi-quadratique de régularisation (Figure 36).

Pour le lissage de la trajectoire avec les coordonnées (x, y) en fonction de l’abscisse curviligne,

nous avons utilisé une courbe spline car elle se base sur une liste de points pour obtenir une courbe paramétrique lisse passant par ces points. La Figure 37 montre le résultat de ce lissage. Nous avons donc à ce stade, une trajectoire lisse qui va nous permettre de lisser l’orientation obtenue par la fusion GPS/INS.


31/47

Figure 36 Lissage semi-quadratique de l’altitude

Figure 37 Lissage du profil en long par une courbe Spline

3.2.2 - Correction de l’orientation

Pour corriger les erreurs sur l’orientation par post-processing, l’orientation pour chaque profil 2D

peut être calculée à partir de la trajectoire en Lambert (c’est-à-dire dans le plan (x, y)) que nous venons de lisser, au lieu d’utiliser les donnés erronées fournies par INS. Le calcul d’orientation est fait à partir des deux points successifs sur la trajectoire. Avec les deux points voisins, nous pouvons calculer un vecteur entre eux et nous pouvons calculer l’orientation de ce vecteur dans le sens trigonométrique.


32/47

Ce mode de calcul discret de l’orientation génère un résultat fortement bruité. Il est alors nécessaire de filtrer et lisser cette orientation, nous appliquons pour cela de nouveau la méthode semi-quadratique. La Figure 38 montre la trajectoire brute calculée ainsi que celle lissée.

Figure 38 A gauche, l'orientation brute calculée par la trajectoire et à droite le résultat du lissage

3.2.3 - Résultat

Nous montrons ici les résultats des reconstructions de nuages de points avec les corrections sur la

position et l’orientation de la trajectoire du véhicule traceur (Figure 39 à Figure 42). Nous voyons aisément la suppression des sauts sur l’altitude, et une orientation correcte des profils par rapport à la trajectoire sur les figures suivantes.

Figure 39 Résultat sur le site de Guingamp-Bourbriac dans les Côtes d'Armor


33/47

Figure 40 Résultat sur le site urbain de Magny-Les-Hameaux

Figure 41 Détails du résultat sur le site urbain de Magny-Les-Hameaux


34/47

Figure 42 Détails du résultat sur le site rural de Magny-Les-Hameaux

3.2.4 - Récapitulatif des améliorations apportées

Nous faisons la synthèse dans le Tableau 2 des problèmes de localisation observés et des solutions ou éléments de solutions apportés au cours du projet VIZIR.

Tableau 2. Récapitulatif des problèmes rencontrés et des solutions apportées

Lieu d’Acquisition Erreur rencontrée Origine d’Erreur Solution apportée

Côte d’Armor Saut

Bruit sur l’altitude

GPS

GPS

Correction par offset

Lissage semi-quadratique

Zone urbaine, Magny les Hameaux

Saut


Orientation

Manque de données

GPS

GPS

INS

Télémètre laser

Correction par offset


Lissage par Spline

Dépannage puis Remplacement

Zone rurale, Magny les Hameaux


Orientation

Manque de données

GPS

INS

Télémètre laser


Lissage par Spline

Dépannage puis Remplacement


35/47

3.3 - Améliorations matérielles du prototype LARA-3D

3.3.1 - Améliorations mécaniques

Le prototype LARA-3D a aussi subi de nombreuses modifications matérielles apportant de réels bénéfices à la construction des modèles 3D. Il a subi de nombreuses transformations entre 2006 et 2008, tout au long du projet VIZIR. La dernière version est plus robuste avec la construction d’un portique sur le toit du véhicule (Figure 43). Le télémètre laser et la centrale inertielle sont fixés à l’extérieur du véhicule sur ce portique. Cette installation est mobile car ces appareils ne supportent pas (du point de vue technique et de sécurité) de rester montés à l’extérieur. En effet, comme nous l’avons vu dans le cas de l’Essonne, les capteurs sont sensibles aux conditions météorologiques. Nous avions donc besoin d’une plateforme mobile intégrant tous les capteurs. Le portique construit au laboratoire permet de placer le télémètre laser à une hauteur d’environ 2,5m. Cela permet de générer des nuages de points 3D avec moins d’occlusions (voitures nous dépassant) et une meilleure homogénéité des points représentant la route et son environnement.

Figure 43 Prototype LARA 3D version 2008


36/47

3.3.2 - Capteurs

Le véhicule LARA 3D a été équipé au départ de nombreux capteurs : un télémètre laser IBEO, un GPS Ag132, une centrale inertielle VG600, un PC embarqué avec un disque dur externe.

Pour garantir une meilleure connaissance de l’angle du lacet initial à chaque expérimentation, nous

avons ajouté une boussole numérique Nous avons aussi ajouté une caméra numérique à l’avant pour permettre d’avoir une

correspondance entre les données capteurs et l’image du terrain (comme dans le cas du prototype VANI). Il est ainsi possible d’obtenir avec l’ajout de cette caméra un ensemble d’images prises tous les 5m suivant l’abscisse curviligne de la trajectoire de notre prototype (Figure 44). Cette information s’avère être très utile pour l’inspection des modèles 3D, par exemple avant les calculs de visibilité avec le logiciel « Qt-Ballad ».

Les caractéristiques techniques de ces différents capteurs sont présentées en Annexe 2.

Figure 44 Image de la caméra avant (Marlin F46C)


37/47

3.3.3 - Informatique embarquée

Le PC embarqué à l’intérieur du véhicule a été changé entre 2006 et 2008 pour être remplacé par

un véritable PC embarqué (modèle AEC-6920) fonctionnant sur batterie. Tout le câblage électrique à l’intérieur du véhicule a aussi été revu (voir Figure 45).

IBEO DL

IMU VG600

GPS AG132

DC/DC 12/24

Compas

HD ext.

PC

Ecran

PCMCIA ARCNET

Chargeur

USB2.0

USB2.0

USB2.0

PCMCIA

RS232

RS232

VGA

Disjoncteur 12V Disjoncteur 24V

Commutateur Batterie

Batterie Voiture

Batterie Equipements 220V

SW_24V SW_12V

SW_GPS SW_IMU SW_IBEO

Boîtier commutation

Boîtier Disjoncteurs

Caméra FireWire

Carte FireWire

FireWire

PCIx

Figure 45 Aspects de l’installation électrique pour alimenter les appareils


38/47

3.3.4 - Nouvelles expérimentations réalisées

De nouvelles expérimentations ont été réalisées dans les Côtes d’Armor sur la RD 786 au niveau

des PR27 et PR69 avec la version 2008 du prototype LARA-3D (Tableau 3).

Tableau 3. Acquisitions réalisées avec le prototype version 2008

Date Département Localisation Longueur Commentaires

20/02/2008 Côtes d’Armor (22) Saint-Brieuc (RD786) 1811m PR27+915 à PR28+420

21/02/2008 Côtes d’Armor (22) Saint-Brieuc (RD786) 1675m PR69 à PR69+1675

La Figure 46 montre des photos prises lors de ces acquisitions en février 2008. Sur la Figure 47 est

représenté le nuage de points obtenu au niveau du PR27 et sur la Figure 48 le modèle à facettes correspondant calculé avec l’algorithme du « voile » .

Figure 46 Photos du prototype LARA-3D version 2008

Figure 47 Nuage de points de la RD786 au niveau du PR27


39/47

Figure 48 Modèle 3D de la RD786 au niveau du PR27

3.4 - Conclusions sur les améliorations apportées

Les améliorations matérielles qui ont été apportées au prototype LARA-3D ont permis d’obtenir des résultats plus robustes et plus fiables tout en conservant les mêmes capteurs. De plus, en travaillant sur la localisation et plus précisément en corrigeant la trajectoire et l’orientation en « post-processing », cela nous a donné de bien meilleurs résultats sur les nuages de points 3D. Il faut noter que le modèle 3D est très sensible à la qualité du nuage de points 3D obtenus lors du géo-référencement. Enfin, les deux nouvelles méthodes de triangulation nous ont permis de construire de meilleurs modèles de l’environnement routier. En effet, la trajectoire et le modèle de l’environnement sont deux éléments importants dans la phase de calcul des distances de visibilité géométrique.


40/47

4 - CONCLUSIONS-PERSPECTIVES

Le prototype LARA-3D mis au point au CAOR a permis de tester une nouvelle méthode de calcul de

distance de visibilité géométrique, en lien avec les traitements effectués par le logiciel « Qt-Ballad » du LRPC de Strasbourg. Les éléments importants qui sont fournis par cet outil de diagnostic en entrée de « Qt-Ballad » sont :

• Un modèle 3D (actuellement : à facettes)

• Une trajectoire 3D

• Le nuage de points 3D bruts

• Une série d’images frontales, référencées tous les 5 m

Le modèle 3D et la trajectoire 3D sont indispensables pour la phase de calcul de visibilité. Les nuages de points 3D bruts et la série d’images frontales, bien que non nécessaires en phase de calcul, s’avèrent être très utiles en phase d’inspection avant calcul.

Ce nouvel outil de diagnostic à travers ses différentes améliorations présentées dans ce document est encore à l’état de prototype. Nous pouvons noter que nous ne sommes pas encore prêt pour une industrialisation de notre prototype : manque de robustesse, sensibilité aux différents paramètres expérimentaux ou de calcul de la construction du nuage de points. Nous travaillons actuellement sur l’amélioration de ces points.

Dans le cadre de la poursuite de ces travaux dans la continuité du projet VIZIR, ARMINES se propose d’explorer plusieurs pistes pour encore améliorer le système LARA-3D sur différents points : fiabilité du système, précision de la localisation, comparaisons entre modèles acquis à plusieurs vitesses, problèmes liés à la taille des modèles qui devient importante avec des modèles 3D de routes entières. Sur ce dernier point, plusieurs pistes sont à l’étude pour conserver la qualité des modèles en réduisant le nombre de facettes par décimation géométrique ou en construisant des modèles non plus à facettes mais basés sur des plans, des polygones ou des splines…


41/47

ANNEXE 1. REFERENCES BIBLIOGRAPHIQUES

[AAN+04] I. Abuhadrous, S. Ammoun, F. Nashashibi, F. Goulette, and C. Laurgeau. « Digitizing and 3d modeling of urban environments and roads using vehicle-borne laser scanner system ». Proc. Intelligent Robots and Systems, 2004.

[ABU03] I. Abuhadrous, F. Nashashibi, C. Laurgeau, F. Goulette. « Onboard Real-time system for Digitizing and Geo-referencing of 3D Urban Environments ». Proc. of the 11th International Conference on Advanced Robotics, pp. 479-483, University of Coimbra, Portugal, 2003.

[ABU05] I. Abuhadrous. « Système embarqué temps réel de localisation et de modélisation 3D par fusion multi-capteur ». Thèse de Doctorat, Ecole des Mines de Paris, 2005.

[AMM04] S. Ammoun, I. Abuhadrous, F. Nashashibi, F. Goulette, C. Laurgeau, « Modélisation 3D d’environnement urbains et routiers numérisées par télémétrie laser embarquée ». Actes du congrès Numérisation3D-Scanning, Paris, 2004.

[ANLC03] I. Abuhadrous, F. Nashashibi, C. Laurgeau, and M. Chincole. « Multi-sensor data fusion for land vehicle localization using RTmaps ». Dans les actes de Intelligent Vehicles Symposium, 2003.

[ASA05] T. Asai - M. Kanbara - N. Yokoya. « 3D Modeling of Outdoor Environments by Integrating Omnidirectional Range and Color Images », The 5th International Conference on 3-D Digital Imaging and Modeling June 13-16, Ottawa, Otario,Canada, 2005.

[BDH96] C.B. Barber, D.P. Dobkin, and H. Huhdanpaa. « The quickhull algorithm for convex hulls ». Dans les actes de ACM Transactions on Mathematical Software, pages 469–483, 1996.

[BRE06] F. Bretar, « Couplage de Données Laser Aéroporté et Photogrammétriques pour l'Analyse de Scènes Tridimensionnelles », Thèse de Doctorat de l'Ecole Nationale Supérieure de Télécommunication de Paris, 2006.

[BRUN06] X. Brun, F. Goulette, P. Charbonnier, C. Bertoncini, S. Blaes. « Modélisation 3d de routes par télémétrie laser embarquée pour la mesure de distance de visibilité ». Journées des Sciences de l’Ingénieur 2006 (Réseau Scientifique et Technique du Ministère de l’Equipement) – Marne-la-Vallée 5-6 décembre 2006.

[BRUN07] X. Brun. « Modélisation 3D texturée en temps réel d’environnements urbains et routiers, et application au calcul de distance de visibilité routière ». Thèse de Doctorat, Ecole des Mines de Paris, 2007.

[BRR06] R. Brémond, « Vocabulaire de la visibilité routière », Livrable 1.1.1, Consortium VIZIR, projet PREDIT SARI, 2006.

[CET90] ICTAVRU : Instruction sur les Conditions Techniques d’Aménagement des Voies Rapides Urbaines, CETUR, Ministère de l’équipement, des transports et du logement, 01/1990. Titre II, Partie 1.

[CHA96] P. Charbonnier et O. Cuisenaire. Une étude des contours actifs : modèles classique, géométrique et géodésique. Rapport technique 163, Université Catholique de Louvain, Laboratoire TELE, Place du Levant 2, 1348 LOUVAIN-LA-NEUVE (Belgique), juillet 1996.

[CHA07] P. Charbonnier, F. Goulette et al., « Mesure de la visibilité géométrique à partir d’un modèle 3D de la route et de son environnement proche », Livrable Action 1.2 document B, Consortium VIZIR, projet PREDIT SARI, 2007.

[CHO07] S. Choi. « Géo-localisation précise et robuste pour la modélisation d’environnements 3d avec la plateforme lara-3d ». Mémoire de fin d’étude, Mines Paris, 2007.


42/47

[CMS93] K. L. Clarkson, K. Mehlhorn, and R. Seidel. « Four results on randomized incremental constructions ». Dans les actes de Theoretical Aspects of Computer Science, 1993.

[CTI08] P. Charbonnier, J.P. Tarel, and S.S. Ieng,. « Théorie semi-quadratique, régularisation et estimation robuste ». In Pierre argoul, editor, Problèmes inverses et d’identification de paramètres pour le génie civil et urbain, Collection Études et Recherches des Laboratoires des Ponts et Chaussées (ERLPC). Laboratoire Central des Ponts et Chaussées, 2008.

[DEL05] Delaval E., Charbonnier P., Kerdudo K. (2005), Mesure de la visibilité –Les différents systèmes disponibles, Axe 3 – Amélioration de la pertinence des études de sécurités, Opération Sécurité des Itinéraires.

[GG84] S. Geman and D. Geman. « Stochastic relaxation, gibbs distributions and the Bayesian restoration of images ». PAMI, 6(6) :721–741, November 1984.

[GOU06] F. Goulette, F. Nashashibi, I. Abuhadrous , S. Ammoun, C. Laurgeau , « An Integrated On-Board Laser Range Sensing System forOn-The-Way City and Road Modelling ». Int Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol 34, Part A.

[FRU03] C. Frueh and A. Zakhor, “3D Model Generation for Cities Using Aerial Photographs and Ground Level Laser Scans”, Computer Vision and Pattern Recognition, Vol 2, pages 562-569, June, 2003.

[FRU04] C. Frueh - R. Sammon - A. Zakhor1, “Automated Texture Mapping of 3D cities models using oblique aerial images”, 2nd International Symposium on 3D Data Processing, Visualization, and Transmission (3DPVT), Thessalonikki, Greece 2004.

[HOR95] R. Horaud, O. Monga, Vision par ordinateur – Outils fondamentaux – 2ème édition revue et augmentée, Traité des Nouvelles Technologies, Série informatique, ISBN : 2-86601-481-2, Hermes, Paris, 1995.

[HUB81] J. Huber. « Robust statistics ». John Wiley and Sons, New York, 1981.

[IEN04] S.S. Ieng, Méthodes robustes pour la détection et le suivi des marquages, Thèse de doctorat, Université Paris VI, 2004.

[INT06] Intempora, RT MAPS User’s Manual. Intempora SA. http://www.intempora.com

[ISR88] Instruction Interministérielle sur la Signalisation Routière, septième partie : marques sur chaussées, pages 19 à 21, arrêté du 16/02/1988.

[LAF06] F.Lafarge, X. Descombes, J. Zerubia, M. Pierrot-Deseilligny, « An Automatic 3D City Model : a Bayesian Approach using Satellite Images », In Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) , Toulouse, France, mai 2006.

[LOE87] D. G. Loewe, « Three-dimensional object recognition from single two-dimensional images », Artificial Intelligence, vol. 31, n°3, pp. 355-395, 1987.

[LRP05] LRPC de Saint-Brieuc, Présentation de Visuline, Séminaire Caractéristique routière et Sécurité, 2005.

[LRP06] LRPC de Saint-Brieuc, Choix des sites expérimentaux, Rapport de visite, 2006.

[MAN01] D. Manandhar- R. Shibasaki, “Vehicle-borne Laser Mapping System (VLMS) - A New Observation System for 3-D Mapping of Urban Areas”, Remote Sensing and Data Fusion over Urban Areas, IEEE/ISPRS, 2001.

[PAP04] N. Paparoditis, O. Bentrah, M. Deveau, L. Pénard, Modélisation 3D terrestre d'environnements urbains à très grande échelle. Bulletin d’information de l’IGN, Journées de la recherche IGN, Saint-Mandé, France, mars 2004.

[Phil07] N. Philipps, P. Charbonnier. « Amélioration d’un logiciel de calcul de visibilité routière ». Mémoire de fin d’étude, 2007.


43/47

[PRE92] W. H. Press, S.A. Teulosky, W. T. Vetterling, B. P. Flannery, Numerical Recipes in C, The Art of Scientific Computing, 2nd edition, Cambridge University Press, 1992.

[ROB97] A. Robert, S. Agard. Rapport de stage ingénieur, Application du GPS à la trajectographie routière, CETE du Sud-Ouest, Laboratoire de Bordeaux, 1997.

[SET86] SETRA, Mission Sécurité Routière, « Vitesses pratiquées et géométrie de la route », Note d’information, B.C. 10, avril 1986.

[SET94] SETRA, « ARP : Aménagement de Routes Principales (sauf les autoroutes et routes express à deux chaussées) », 08/1994. Chapitre 4 et Annexe 3.

[SET00] SETRA, « ICTAAL : Instruction sur les Conditions Techniques d’Aménagement des Autoroutes de Liaison », circulaire du 12/12/2000.

[SET06] SETRA, « Comprendre les principaux paramètres de conception géométrique des routes », Note d’information, Collection « les rapports », janvier 2006.

[TAS00] T. Tasdizen, J.-P. Tarel et D.B. Cooper, « Improving the Stability of Algebraic Curves for Applications ». IEEE Transactions on Image Processing, vol. 9, n°3, pp. 405-416, mars 2000.


44/47

ANNEXE 2. CAPTEURS UTILISES

• Centrale Inertielle

Les appareils de type DMU-VG fabriqués par la société Crossbow sont utilisés dans ce travail. Ils comprennent trois accéléromètres, trois gyroscopes (FOG), pour mesurer l’accélération et la vitesse angulaire autour de 3-axes orthogonaux. Un processeur permet de prendre en compte la température. La fréquence d’échantillonnage est 84Hz, et le temps de latence de 10msec environ. La sortie existe en forme analogique et numérique sur un port série RS232.

Figure 49 : Centrale Inertielle IMU VG600CA (image Crossbow)

Les caractéristiques des gyroscopes et accéléromètres sont les suivantes :

1. Les gyroscopes (Vitesse angulaire):

Etendue (plage de mesure) : Roulis, Tangage, Lacet (°/sec) ±260

Biais (dérive): Roulis, Tangage, Lacet (°/sec) : < ±0.03 soit 108 °/heure

La précision de facteur d’échelle (%) : < 1 (< 10000 ppm)

Non linéarité (%FS) (linéarité du facteur d'échelle) : < 0.3 de la plage de mesure

Résolution (°/sec) : < 0.025

Bande passante (Hz) : > 100

Marche aléatoire (°/hr0.5) : < 1.25

2. Les accéléromètres (Accélération):

Etendue (plage de mesure): X/Y/Z (g) : ±2

Biais: X/Y/Z (mg) : < ±8.5

La précision de facteur d’échelle (%) : <±1

Non linéarité (%FS) : <±1

Résolution (mg) : <0.25

Bande passante (Hz): > 10

Marche aléatoire (m/s/hr0.5) : < 0.1

3. Les angles (roulis et tangage) :

Etendue : Roulis, Tangage (°) ±180 ± 90

La précision statique : <±0.5

La précision dynamique : 2.0

Résolution (°) : < 0.1


45/47

• DGPS

Le récepteur du GPS utilisé dans ce travail [AGG 00] est fabriqué par Trimble62. Il communique avec le data logger par un port série. La figure montre le récepteur GPS utilisé, c’est un DGPS Ag132 avec correction différentielle.

Dans la pratique, nous n’avions pas accès à la correction différentielle lorsque nous avons fait nos tests, nous utilisions donc le GPS en mode simple.

Figure 50 : Le récepteur DGPS Trimble Ag132 (image Trimble)

Les caractéristiques :

Il utilise le code L1 C/A. Fréquence (1Hz ou 10Hz). Avec une latence de mois de 100 millisecondes. Il fournit la position différentielle avec précision sub-métrique (avec 5 satellites visibles au minimum, PDOP<4), et il offre une vitesse différentielle avec une précision meilleure que 0.16 m/h). Un signal PPS (impulsions par seconde) est disponible à la sortie de la porte série du récepteur GPS, permettant à un instrument externe (e. g. la CI) de synchroniser son horloge interne avec l'horloge interne du récepteur. Le PPS dans l'Ag132 est fourni à moins de 40ns du temps du GPS.

• Boussole numérique

La boussole numérique F350 de Silicon Labs est un compas multi-axes basé sur le C8051F350 MCU, avec 3 axes de magnétorésistance et 2 axes d’accéléromètres.

Figure 51 Boussole numérique F350 (image Silicon Labs)


46/47

• Caméras numériques

Les caméras de la famille Pike de la société Allied Vision Technologies (AVT) sont équipées d’interface IEEE1394b (S800) avec une cellule CCD de grande qualité. Le modèle 421C offre une résolution d’image de 2048x2048 jusqu’à une fréquence de 16 images par seconde pour une taille de capteur de 1.2 pouces. Nous possédons aussi le modèle Pike F145C qui est identique au modèle F421C avec une résolution moindre de 1388x1038. Enfin, nous avons aussi une petite caméra Marlin F46C avec une résolution de 780x582 mais qui peut monter jusqu’à une fréquence de 53 images par seconde.

Figure 52 Caméra Pike 421C (image AVT)

Figure 53 Caméra Marlin F46C (image AVT)


47/47

• Télémètre Laser à balayage

Le télémètre laser que nous utilisons pour numériser l’environnement proche de la voiture est un « LD Automotive » de la société IBEO© qui balaye dans un plan une zone angulaire de 270°. Le principe utilisé par ce capteur est celui du temps de vol. Durant son balayage circulaire, ce système fournit pour chaque position angulaire la distance à l’obstacle le plus proche qui intersecte le rayon laser émis, ainsi que l’intensité du signal réfléchi. Il s’agit d’un laser de la classe de sécurité I, c’est-à-dire qu’il ne comporte pas de danger pour les yeux en cas d’exposition en respectant évidement un temps d’exposition pas trop élevé. Il peut donc être utilisé en milieu urbain sans risquer de blesser les passants. La distance maximale à laquelle un obstacle renvoi un écho détectable dépend fortement des ces caractéristiques réflectives propres, elle peut dépasser la centaine de mètres pour un objet réfléchissant à plus de 90% et atteint seulement 50 m pour une réflectance de 20%. La zone angulaire couverte est de 270 avec un pas de 0.25 à une précision de 0.07° ce qui nous fournis un échantillonnage de 1080 points, et la fréquence de rotation de la tête de mesure est de 10 Hz. Enfin, la précision annoncée sur la mesure de la distance est de 5 cm dans la direction de la mesure quelle que soit la distance de l’obstacle.

Figure 54 : Le télémètre laser et son principe de fonctionnement (image IBEO)

PROJET SARI PREDIT 3sari.ifsttar.fr/livrables/vizir/VIZIR_2.1.3.pdf · calcul de la visibilité...

Documents

Transcript of PROJET SARI PREDIT 3sari.ifsttar.fr/livrables/vizir/VIZIR_2.1.3.pdf · calcul de la visibilité...