localisation visuelle par approche neuromimétique dans le contexte de la délégation de conduite

L'objectif premier de cette thèse est de tester et d'étendre des modèles de navigation initialement développés pour de la navigation en intérieur et de les appliquer à la délégation de conduite des véhicules autonomes. La particularité de ces architectures de contrôle pour robot mobile est qu'elles sont issus d'une approche bio-inspirée et sont dite neurorobotiques : elles reproduisent les mécanismes neuronaux impliqués dans les comportements de navigation observés chez les animaux.Ces travaux concourent à introduire auprès de la communauté du véhicule autonome les approches bio-inspirées et leur potentiel au travers des modèles présentés.Cette thèse commence par aborder les technologies utilisées (GPS, lidar, ...) et les différentes stratégies de navigation (réactive, avec carte). Cette présentation se termine en circonscrivant le problème de la navigation des véhicules autonomes à la reconnaissance de lieux par la vision.Le manuscrit présente ensuite les approches bio-inspirée et neurorobotique avant de donner les notions d'anatomie facilitant la compréhension des modèles bio-inspirés décrits par la suite. Un modèle de reconnaissance de lieux par la vision est présenté en détail. Des expériences de simulations avec des données réelles permettent de tester ce modèle, initialement conçu pour la navigation intérieure, dans des environnements propres aux véhicules. Les résultats de ces tests montrent que le modèle construit une représentation de l'environnement capable de discriminer et de reconnaître des lieux. Une architecture neuronale de navigation réactive reposant sur le précédent système, le modèle PerAc est décrite ensuite. Ce modèle utilise les lieux construits par le modèle de reconnaissance et associe chaque lieu à une direction à suivre. Par un ensemble d'associations, il est possible d'apprendre à suivre de manière robuste des trajectoires ou une position à rejoindre. Ce modèle, conçu pour de la navigation en intérieur, est testé sur un véhicule dans des expériences servant à évaluer sa capacité à fonctionner sur véhicule. Les résultats prouvent que le modèle est capable d'apprendre des trajectoires avec une voiture en environnement extérieur.Ma dernière contribution porte sur un modèle de contextes visuels permettant d'accroître les performances computationnelles de la reconnaissance de lieux. Une chaîne de traitements visuelle inspirée du cortex visuel primaire effectue un découpage de l'environnement qui vient moduler la reconnaissance de lieux du modèle précédent. Ce manuscrit se termine en proposant un ensemble de pistes à même d'améliorer les différents aspects des modèles présentés, par exemple, en modélisant plus finement certaines zones du cerveau ou en utilisant un codage épars afin de réduire le coût computationnel.