CHAPITRE 1
FIGURE 1.9 - Diagramme de relations entre l'environnement du
robot et sa représentation interne
allant de 180° à 360°, soit en utilisant des
capteurs optiques (caméras) qui permettent d'ex-traire des informations
plus riches tels que les couleurs, les formes ou les textures. Chaque
méthode à des avantages et des inconvénients, et il n'est
pas rare dans les applications réelles de combiner les deux
méthodes afin de maximiser la qualité des cartes crées, au
profit d'une augmentation des besoins en puissance de calcul et de la
capacité de stockage. Le tableau 1.2 présente une comparaison
entre les deux méthodes.
Les cartes peuvent être classées en deux
catégories selon le type de la structure de données
utilisée pour les représenter:
Cartes métriques
Elles sont le résultat de la représentation de
l'environnement sous forme matricielle, afin de représenter les
obstacles avec des formes géométriques simples, telles que des
lignes, cercles et polygones.
Elle s'intéresse à la représentation des
périmètres des objets et leur emplacement sans forcément
connaître leurs natures, puisque l'objectif est souvent de pouvoir
distinguer entre l'espace « vide » où le robot peut naviguer
en toute sécurité, et l'espace « occupé »
où il y a un grand risque de collision.
Dans la figure 1.10 par exemple, nous retrouvons une
représentation d'une carte métrique 2D construire en utilisant la
méthode des grilles d'occupations : la zone blanche représente
l'espace vide de l'environnement, les lignes noires représentent la
périphérie des murs et obstacles, tandis que l'espace gris
représente l'espace non accessible.
Ce type de cartes est simple à réaliser à
partir des observations, mais nécessite de connaître la position
exacte des obstacles et du robot, ce qui la lie fortement à la
problématique de localisation décrite un peu plus loin dans ce
chapitre.
Un autre inconvénient est la nature limitée du
modèle. En effet, ces cartes 2D représentent l'environnement par
vue d'oiseau, ce qui rends difficile l'estimation de la hauteur d'un objet ou
de connaître sa nature. Afin de pallier à cette limitation, une
tendance récente est l'utilisation de télémètres 3D
ou de caméras 3D pour représenter ces cartes sous forme de nuage
de points comme on peut le voir sur la figure 1.11. L'avantage de cette
représentation est d'offrir la notion de « profondeur » qui
est très utile pour pouvoir distinguer entre les murs, les êtres
vivants et les objets mobiles.
33
TABLE 1.2 - Comparaison entre les capteurs de distance et les
capteurs optiques
|
Type
|
Capteurs de distance
|
Capteurs optiques
|
|
Exemples
|
Télémètres (laser / infra-
rouge), radars (ultrason)
|
Caméras 2D, caméras 3D
|
|
Type d'information
|
Distance des obstacles
|
Couleurs, formes, textures + distance en utilisant des
caméras 3D
|
|
Fréquence de me- sure
|
100 à 1000 observations par seconde
|
15 à 30 observations par se-conde pour la majorité
des caméras
|
|
Rapidité de traite- ment*
|
Supérieur à 100 observations par seconde
|
1 à 10 observations par se-conde. Peut être
augmenté en relayant les calculs à une carte graphique
|
|
Distance maximale
|
10, 20, 40m pour le laser selon la gamme; 0.5 à 10m pour
l'ul-trason
|
Techniquement pas de limite
|
|
Angle d'observation
|
180° à 360° pour les
télémètres laser; 30° à 60° pour les cap-
teurs ultrason.
|
Varie selon l'objectif; 100° à 180° pour la
majorité des ca-méras.
|
|
Précision
|
0.1° pour le laser; 1° à 3° l'ul- trason
|
Dépends de la distance avec l'objet
|
|
Nature de la donnée
|
Vecteur de nombre réels
|
Matrice de pixels
|
|
Taille de la donnée
|
Quelques kilo-octets
|
> 2 méga-octets selon la résolution de
l'image
|
*Rapidité de traitement: temps nécessaire pour
effectuer les opérations d'extraction d'in-formations utiles à
partir d'observations brutes en utilisant un processeur moyen
| 
