Thèse Perception Collaborative Multi-Robots pour une Localisation et une Cartographie Sémantique Améliorées Co-Perform H/F - Doctorat.Gouv.Fr

Établissement : Université Clermont Auvergne École doctorale : Sciences pour l'Ingénieur Laboratoire de recherche : Institut Pascal Direction de la thèse : PAUL CHECCHIN ORCID 0000000229303393 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-06-01T23:59:59 Ce projet de thèse propose le développement d'un cadre centralisé de localisation collaborative et de
cartographie sémantique intégrant les données de perception de plusieurs robots équipés de
capteurs hétérogènes tels que des caméras, des LiDAR et des capteurs inertiels. Le système
reposera sur une architecture de cartographie centralisée agrégeant les observations de plusieurs
robots dans une carte globale cohérente, une approche dont l'efficacité a été démontrée pour le
SLAM visuel-inertiel multirobots. Bien que des alternatives distribuées aient montré de bonnes performances pour des opérations pair-à-pair résilientes, une architecture centralisée permet une optimisation globale plus fine et une intégration plus directe de modalités de capteurs hétérogènes. En plus de la cartographie géométrique, le cadre intégrera des techniques de perception sémantique capables de détecter et de décrire des objets statiques et dynamiques dans l'environnement, en s'appuyant sur les avancées en graphes de scènes sémantiques et en cartographie collaborative à vocabulaire ouvert.
L'hypothèse centrale de cette recherche est que l'intégration des informations de perception de
plusieurs robots dans un cadre SLAM coopératif centralisé peut améliorer significativement la
précision de localisation, la cohérence de la carte et la compréhension sémantique de
l'environnement par rapport à une cartographie indépendante.
Une contribution clé du projet sera le développement de mécanismes de validation croisée exploitant
les observations redondantes de plusieurs robots. Ces mécanismes permettront d'améliorer la
précision de localisation, d'augmenter la fiabilité de la détection d'objets et d'accélérer la construction de la carte. Une exploration efficace sera également soutenue par des stratégies de partage de frontières permettant de répartir activement les robots dans les zones encore inexplorées.
Le sujet aborde plusieurs défis scientifiques tels que :
- La fusion robuste de données multi-robots, permettant une intégration cohérente des
observations issues de capteurs hétérogènes collectées par différents robots.
- L'association de données inter-robots, notamment pour les repères et objets sémantiques
observés depuis différents points de vue et à différents moments, incluant la reconnaissance de lieux
robuste et les boucles inter-robots pour des plateformes équipées de LiDAR.
- L'optimisation centralisée du SLAM à grande échelle, capable de maintenir la cohérence globale
lorsque le nombre de robots et d'observations augmente, un défi ouvert que les architectures de
graphes sémantiques relationnels commencent à traiter dans des cadres distribués.
- La prise en compte des incertitudes et des environnements dynamiques, incluant la détection et
la gestion des objets en mouvement dans des cartes collaboratives.
Les résultats attendus incluent de nouveaux algorithmes de SLAM multirobots centralisé, des
techniques de cartographie sémantique collaborative et une validation expérimentale sur des
plateformes robotiques réelles. En s'appuyant sur nos travaux récents en cartographie dynamique
rapide et en planification efficace de trajectoires, ces contributions feront progresser la
robotique collaborative pour des applications telles que l'exploration autonome, l'inspection
industrielle, les systèmes de transport intelligents et une cohabitation homme-robot plus sûre dans
des environnements contraints et dynamiques pour l'industrie 5.0. Les robots autonomes évoluant dans des environnements inconnus doivent simultanément
estimer leur position et construire une carte de leur environnement. Au cours de la dernière
décennie, des avancées majeures ont été réalisées dans les systèmes de SLAM (Simultaneous
Localization and Mapping) basés sur la vision et le LiDAR, permettant une localisation et une
cartographie robustes dans des environnements complexes. Cependant, la plupart des solutions
SLAM existantes sont conçues pour des systèmes mono-robot et restent limitées dans des
environnements de grande échelle ou dynamiques, où la perception est incomplète en raison
d'occlusions, d'une couverture limitée des capteurs ou de la variabilité de l'environnement.
Les systèmes multi-robots offrent une opportunité de surmonter ces limitations grâce à la perception
collaborative. Plusieurs robots peuvent observer l'environnement depuis différents points de vue et
partager leurs observations pour améliorer la précision de la localisation et la complétude de la carte.
Dans ces systèmes, certains repères ou objets peuvent être visibles par un robot mais pas par un
autre, tandis que les observations redondantes de plusieurs robots permettent de réduire
significativement les incertitudes. En particulier, les boucles inter-robots (loop closures) et les repères
partagés permettent de réduire la dérive des trajectoires individuelles et d'améliorer la cohérence
globale de la carte.

Etudiant(e) issu(e) d'Ecole d'ingénieur ou de Master 2 ayant étudié un ou plusieurs des domaines suivants : robotique, systèmes de perception, automatique, informatique embarquée.
Solides compétences en Python, C++ and/or MATLAB.