Multisensory data fusion for localisation in mobile robotics

Mobile robotics is an essential application field for multisensor fusion . This paper presents some works performed in three Frenc h laboratories concerning the localisation of mobile robots . The proposed methods and algorithms combine the relative localisatio n obtained from vehicle referenced sensors (odometers and accelerometers) and measurements from world characteristics (punctua l beacons and landmarks) such as distances or angles . The main discussed formalism is Kalman filtering . Anyway, the method is shown to be adaptable to the use of bounded erro r estimation algorithms . This last technique has been found to be well suited to the treatment of blind zones in (restricted) visio n problems . Sensor fusion yields at the same time an estimation of the robot configuration (position, orientation, . . .) together wit h the uncertainty of this estimation . A generalisation of localisation algorithms in a partially known environment is further discussed . In this case, the position of poorly known beacons is updated in the same time the localisation of the robot is obtained from accurately known references . Additionally, an intelligent management of world referenced measurements is used to select the most useful data in order to limit th e computational burden of the localisation and to speed up the real time execution of the algorithms without significant degradatio n of estimator performances . The different solutions have been validated and are illustrated by simulations and real experiments .La robotique mobile est un champ d'application privilégié de la fusion de données multisensorielles. Cet article est une synthèse de travaux effectués dans trois laboratoires sur la localisation de véhicules mobiles. Après avoir défini le problème, nous présentons les algorithmes proposés combinant la localisation relative - obtenue par exploitation des données fournies par différents capteurs proprioceptifs (odomètre et centrale à inertie) - avec un recalage absolu par rapport à des balises ponctuelles ou des segments de droite - les mesures étant des distances et/ou des angles. Le formalisme retenu est principalement celui du filtrage de Kalman mais, de manière similaire, la localisation des véhicules peut être obtenue en mettant en oeuvre un algorithme d'estimation à erreur bornée. Cette dernière technique est bien adaptée pour la gestion de données manquantes dans des angles morts, point qui est également abordé. La fusion de données fournit non seulement une estimation de la configuration du robot (position, orientation,...) mais également l'incertitude avec laquelle cette grandeur est connue. Une généralisation des algorithmes dans un environnement qui n'est que partiellement connu est également présentée : la position des repères mal connus est recalée et la localisation du robot est effectuée avec des repères bien connus. Une gestion intelligente des données extéroceptives permet de sélectionner ou de prévoir celles qui sont les plus pertinentes, limitant ainsi les traitements et les calculs sans pour autant dégrader de façon significative les performances de l'estimateur de la configuration du véhicule. Les différentes solutions proposées ont été validées en simulation et partiellement testées sur site réel avec différents robots et capteurs