Advancing LiDAR perception in degraded visual environments: a probabilistic approach for degradation analysis and in inference of visibility
Perception LiDAR dans des Environnements Visuels Dégradés : Une Approche Probabiliste pour l'Analyse de la Dégradation et l'Inférence de la Visibilité
Résumé
The subject focuses on the adverse weather limitations of autonomous vehicles. Weather events like rain, fog or snow alter the performances of our current sensors by generating false positives and degrading signals. Thus, the vital capacities of autonomous vehicles of obstacle detection, localization and navigation are reduced. To be brought to the market with full disponibility, these issues must be overcome. A study of the physics of the sensors against these phenomena will allow us to understand the limitations. New available sensors and signal processing methods will lead us to an innovative sensor set coupled with adapted algorithmic solutions of filtering and data fusion. The goal is to enhance the perception capabilities in adverse weather conditions to improve autonomy availability.
Cette thèse se concentre sur les défis de la conduite autonome dans des environnements visuels dégradés (DVE). Les DVE désignent les conditions environnementales, telles que la pluie, le brouillard et la fumée, qui peuvent dégrader les capacités de perception des véhicules autonomes, en particulier ceux qui reposent sur la technologie 3D-LiDAR. L'objectif de la thèse est de quantifier les dégradations induites par les DVE sur les nuages de points LiDAR et de développer un modèle d'inférence bayésien pour améliorer la perception dans les DVE. Les contributions comprennent une analyse quantitative des impacts des DVE, un modèle d'inférence bayésien pour récupérer la visibilité à partir des nuages de points LiDAR, et des propositions d'utilisation du modèle pour améliorer la perception dans les DVE. La thèse est divisée en deux parties : la première présente le contexte, notamment la technologie 3D-LiDAR et les scénarios de DVE, tandis que la se! conde présente la méthodologie, les résultats expérimentaux et le modèle d'inférence développé. L'approche globale souligne l'importance de comprendre et de résoudre les effets des DVE sur la conduite autonome afin d'améliorer la sécurité et la fiabilité.
Domaines
Robotique [cs.RO]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|