Spatial representation for on-board navigation assistance by mixed sensor association
Représentation spatiale à des fins d'assistance à la navigation embarquée par association mixte de capteurs
Résumé
Planted forests, play a crucial role as carbon sinks and economic resources. However, their sustainable management is complex due to major challenges such as fires and diseases, as well as requirements of different nature, such as climatic conditions or environmental forces, such as wind, which impact forest growth cycles and require detailed information that is often difficult to collect. Autonomous drone navigation beneath the canopy emerges as a promising solution for efficient data collection, responding to the growing interest in this field within the robotics community.This research is structured around three main axes. The first axis involves the development of a real-time image segmentation system integrated into an embedded system using a stereoscopic camera. The second axis focuses on leveraging the results of this segmentation to build a semantic map and enable efficient drone localization. Finally, the third axis focuses on navigation and path planning strategies based on the analysis of this map to meet operational objectives safely.The major contributions of this research include an innovation in sensor positioning, notably the original use of a vertically positioned LiDAR, which required the development of new real-time perception methods. Additionally, a semantic SLAM algorithm was developed, leveraging image segmentation and the geometric characteristics of maritime pine trees. Finally, a navigation strategy based on potential fields was implemented, enabling safe navigation through automatically positioned safety points according to the mission orders.This work offers new perspectives for sustainable forest management by improving the precision and efficiency of data collection at the individual tree level.
Les forêts, en particulier les forêts plantées, jouent un rôle essentiel en tant que puits de carbone et ressources économiques. Leur gestion durable est toutefois complexe en raison de défis majeurs tels que les incendies et les maladies, ainsi que de contraintes continues liées à des facteurs multifactoriels comme les conditions climatiques ou les forces environnementales, telles que le vent, qui influencent le cycle de croissance des forêts. Ces dynamiques nécessitent la collecte de données détaillées, souvent difficiles à obtenir. Dans ce contexte, la navigation autonome de drones sous la canopée se présente comme une solution prometteuse pour une collecte de données plus efficace, suscitant un intérêt croissant dans la communauté robotique.Ce travail de recherche s'articule autour de trois axes principaux. Le premier axe consiste en le développement d'un système de segmentation d'images en temps réel intégré à un système embarqué utilisant une caméra stéréoscopique. Le deuxième axe concerne l'exploitation des résultats de cette segmentation pour construire une cartographie sémantique et permettre une localisation précise du drone. Enfin, le troisième axe se concentre sur la mise en place de stratégies de navigation et de planification de trajectoire basées sur l'analyse de cette cartographie, afin de répondre de manière sécurisée aux objectifs opérationnels.Les contributions majeures de cette recherche incluent une innovation dans le positionnement des capteurs, notamment avec l'utilisation originale d'un LiDAR positionné verticalement, ce qui a nécessité le développement de nouvelles méthodes de perception en temps réel. De plus, un algorithme de SLAM sémantique a été développé, exploitant la segmentation d'images et les caractéristiques géométriques du pin maritime. Enfin, une stratégie de navigation basée sur les champs de potentiels a été mise en œuvre, permettant une navigation sécurisée à travers des points de sécurité positionnés automatiquement en fonction des ordres de mission.Ces travaux ouvrent de nouvelles perspectives pour la gestion durable des forêts, en améliorant la précision et l'efficacité de la collecte de données à l'échelle individuelle des arbres.
| Origine | Version validée par le jury (STAR) |
|---|---|
| Licence |
