Description

La localisation et la cartographie simultanées (SLAM) constituent un domaine de recherche très dynamique, ayant connu des progrès rapides ces dernières années. L’objectif de la thèse est de contribuer au développement de méthodes SLAM intègres, en mettant l’accent sur la quantification de l’incertitude associée aux capteurs de perception. Plus précisément, cette thèse s’intéresse aux mesures Lidar 3D afin de garantir une localisation précise et intègre dans des environnements complexes, où les signaux GNSS sont indisponibles ou fortement dégradés.

Dans les problèmes d’estimation d’état, les paramètres de bruit des mesures sont généralement réglés manuellement à partir de l’expertise humaine. Cependant, les incertitudes de position obtenues dépendent fortement de ce choix, ce qui peut affecter la fiabilité et la sécurité des systèmes autonomes.
L’estimation de ces incertitudes est difficile, mais elle reste cruciale pour obtenir une localisation fiable et une carte exploitable à long terme. Récemment, la quantification de l’incertitude des mesures a fait l’objet de plusieurs travaux de recherche, en se basant sur l’apprentissage profond [1] [2].
Contrairement aux approches déjà existantes, qui se focalisent sur la segmentation, la détection d’objets ou encore la quantification des incertitudes de l’odométrie visuelle basée sur des nuages des points, notre objectif est d’obtenir une incertitude sur l’observation issue de l’ensemble des traitements du nuage de points, pour une estimation d’état précise et consistante. Dans cette thèse, nous étudierons la propagation des incertitudes, depuis le nuage de points Lidar et l’étape de segmentation jusqu’aux caractéristiques extraites, conduisant en dernière étape à une estimation de la covariance au niveau de l'observation. Cette analyse pourra être menée soit dans une approche end-to-end, soit en se focalisant sur l’élément final de la chaîne de traitement. Notre but est aussi d’obtenir une incertitude qui s’adapte aux variations du bruit en temps réel. Pour le moment, nous nous orientons vers des approches basées sur l’apprentissage profond avec une possibilité de profiter de l’optimisation bayésienne [3].
Pour évaluer la qualité de la quantification des incertitudes, une estimation d’état basée sur une fusion de données sera réalisée. La thèse pourra s’appuyer sur les expertises déjà acquises dans nos travaux antérieurs et considérer des approches basées sur un couplage entre méthodes bayésiennes et ensemblistes [4], ainsi que des approches fondées sur les factor graphs.

D’autre part, la quantification des incertitudes peut profiter de la redondance des mesures. Cette redondance apparaît naturellement dans un système multi-robot où chaque robot permet d’améliorer l’estimation d'état grâce aux informations et mesures partagées [5]. Une autre approche envisageable consiste à s’appuyer sur la redondance analytique. La thèse peut aussi profiter du paradigme des méthodes d’ensemble qui consiste à combiner plusieurs réseaux pour obtenir une meilleure quantification de l’incertitude [6].

La thèse s'appuiera sur des datasets et sur des données réelles à acquérir sur les véhicules robotisés du laboratoire Heudiasyc. Ces véhicules sont équipés de différents capteurs : récepteurs GNSS (Global Navigation Satellite System), odométrie, Lidars et caméras. Des cartes haute définition sont également disponibles.

Compétences requises

Diplôme d'ingénieur et master en robotique et/ou informatique et/ou automatique, bonnes compétences en programmation (Python, C++). Expérimentation et algorithmes embarqués. Bonnes connaissances du machine learning pour la vision/lidar Contexte de travail

Bibliographie

[1] A. De Maio and S. Lacroix, “Deep bayesian icp covariance estimation,” in 2022 International Conference on Robotics and Automation (ICRA), IEEE, 2022, pp. 6519–6525.
[2] M. Dolatabadi, F. Ayar, E. Javanmardi, M. Tsukada, and M. Javanmardi, “Towards Robust LiDAR Localization: Deep Learning-based Uncertainty Estimation,” Sep. 23, 2025, arXiv: arXiv:2509.18954.
[3] M. Salhi and J. Al Hage, “ 'High Integrity Localization with Bayesian Optimization for Information Filter Tuning with Fault Detection.' 2025 28th International Conference on Information Fusion (FUSION). IEEE, 2025..
[4] M. Salhi and J. Al Hage, “Zonotopic and gaussian information filter for high integrity localization,” in 2024 27th International Conference on Information Fusion (FUSION), IEEE, 2024, pp. 1–8.
[5] M. Escourrou, J. Al Hage, and P. Bonnifait, “Fault tolerant decentralized collaboration for simultaneous localization and prior map update with stable 2D features,” Robotics and Autonomous Systems, p. 105402, 2026.
[6] J. Gawlikowski et al., “A survey of uncertainty in deep neural networks,” Artif Intell Rev, vol. 56, no. S1, pp. 1513–1589, Oct. 2023.

Mots clés

robotique , estimation d'état, quantification des incertitudes, SLAM, apprentissage machine, Lidar