Estimation d’état avec représentations mixtes

Auteur : Francis Colas et Vincent Thomas

Informations générales

Encadrants	Francis Colas	Vincent Thomas
Adresse
Téléphone	03 54 95 86 30	03 54 95 85 08
Email	francis.colas@inria.fr	vincent.thomas@loria.fr
Bureau	C125	C125

Motivation

Un robot doit, pour pouvoir réaliser des tâches non triviales, se construire une représentation de lui-même et de son environnement. Une technique classique pour réaliser l’estimation d’état ou la cartographie est le filtrage bayésien, c’est-à-dire le calcul et la mise à jour d’une distribution de probabilités grâce à des observations et un modèle d’évolution du système dans le temps. Sous certaines hypothèses on connait des formes closes pour l’inférence exacte et, lorsque ces hypothèses ne sont pas valides, il existe différentes approximations. Ces approximations peuvent reposer notamment sur des représentations différentes des distributions de probabilités, comme une distribution gaussienne , un ensemble d’échantillons , ou une discrétisation de l’espace d’état .

La complexité de ces techniques croit avec la taille de l’espace d’observation et la taille de l’espace d’état. On a alors tendance à décomposer des systèmes complexes pour réduire la taille des filtres et utiliser l’approche adéquate à chaque sous-système. Les différentes approches sont adaptées à des cas différents mais sont difficiles à concilier. De plus, elles partagent toutes la nécessité de connaitre exactement et sous une forme adaptée, un modèle de l’évolution du système et du lien entre l’espace d’état et l’espace d’observation.

Sujet

Le sujet de ce stage est donc de développer et d’appliquer de nouvelles techniques de filtrage. Le premier axe est de développer des méthodes pour adapter les informations d’un type de représentation à l’autre, de manière à pouvoir tenir compte des couplages entre les capteurs. L’objectif est alors de concevoir une représentation intégrée des différents éléments de l’environnement et du robot.

Le deuxième axe s’intéresse à dépasser le besoin d’un modèle exact du système et des observations en envisageant, par exemple, d’intégrer des méthodes d’apprentissage pour modifier les prédictions du modèle de transition. Il s’agit ici à la fois d’utiliser des données pour pallier la difficulté de spécification d’un modèle précis et complet tout en s’appuyant sur des modèles approchés pour réduire la quantité de données nécessaire.

Cadre du travail

Ces méthodes seront mises en œuvre et évaluées sur des robots évoluant dans l’appartement intelligent d’Inria Nancy Grand Est. Cet appartement, plate-forme expérimentale pour l’étude notamment de l’assistance à la personne, comporte une grande variété de capteurs distribués dans l’environnement et plusieurs robots. Ceux-ci peuvent alors se construire individuellement mais aussi collectivement une représentation de leur état et de l’environnement.

References

Doucet, A. and De Freitas, N. and Murphy, K. and Russel, S. (2000) Rao-Blackwellised particle filtering for dynamic Bayesian networks. Proceedings of the Sixteenth conference on Uncertainty in artificial intelligence, pages 176–183.

Kalman, R. E. (1960) A new approach to linear filtering and prediction problems. Journal of Basic Engineering, vol. 82(1), pages 35-45.

Rabiner, L. R. (1989) A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, vol. 77(2), pages 257–286.