Mis à jour le 4 décembre 2017.

Description sommaire

Ce cours offre un aperçu des principes généraux de la robotique mobile ainsi qu'un tour d'horizon des principaux défis. La pierre angulaire du cours sera le traitement de l'information captée en tenant compte de l'incertitude, afin d'avoir une abstraction du robot et de son environnement adaptée à la tâche à effectuer. Les composantes de bases utilisés en robotique mobile, tels que les actionneurs et les capteurs (sonar, laser, caméras, et centrale inertielle), seront présentées afin de comprendre d'où provient cette incertitude, et qu'est-ce qui est possible de faire avec ces composantes. La partie algorithmique du cours traitera de la locomotion, la localisation, la navigation, l'exploration, la cartographie de l'environnement et l'estimation d'état par des filtres (à particules, Kalman, Kalman étendu). Nous aborderons aussi la problématique du SLAM (Simultaneous Localization and Mapping) et sa composante essentielle de fermeture de boucles. Nous mettrons l'accent sur la robustesse de ces algorithmes, c'est-à-dire leur capacité de fonctionner malgré la présence d'erreurs aberrantes.

L'essentiel de la programmation du cours se fera avec matlab ou Python, afin de rendre le cours accessible à tous les programmes d'études. Dans les plate-formes robotiques utilisées dans le cours, toute l'information des capteurs sera accessible à partir de Python, avec des timestamps (données horodatées). Vous ne devriez donc pas consacrer trop de temps à l'intégration du système, pour plutôt faire de la fusion d'information entre capteurs et dans le temps.

Plus les plus courageux, vous pouvez aussi programmer les robots directement avec ROS, en utilisant le langage C++ ou Python.

Depuis 2012, nous utilisons de vrais robots mobiles et capteurs! Depuis 2016, nous utilisons les plate-formes (Kobuki). Pour les curieux, la documentation du robot par port USB est disponible ici. Ceci vous donne une idée des capacités de cette plateforme.
Ce robot est équipée des capteurs suivants ou disponible à l'occasion (*):

Capteur	Modèle
Distance (par infrarouge)	GP2Y0A21YKet GP2Y0A02YK0F
Gyroscope trois axes	Interne au robot
Odométrie	Interne au robot 11.7 impulsions/mm
Caméra 2D+3D	Microsoft Kinect v1 pour XBOX
4 convertisseurs analogue-numérique	12 bit, 0-3.3 V, 50 Hz Interne au robot
Télémètre laser*	URG-04LX-UG01

Le matériel vu en classe servira à l’utilisation et l'interprétation des signaux de ces capteurs.  En particulier, les capteurs infrarouges vous permettrons de mieux assimiler les concepts de bruit, de fonction de capteur, et de linéarisation. Et comme ils retournent parfois des données aberrantes, ils seront un excellent cas pour justifier l'utilisation de méthodes robustes!

Travaux

Pour les étudiants de 2^ème cycle, les travaux doivent être rédigé obligatoirement avec le traitement de texte LaTex. Les utilisateurs des plate-formes Windows pourront utiliser le gratuiciel miktek, disponible ici. Les utilisateurs de Mac OS X peuvent se référer ici. Il existe aussi des sites webs pour l'édition en ligne (incluant l'aspect collaboratif), tels qu'Overleaf ou ShareLatex.

Matlab et Miktex sont aussi disponibles au laboratoire d'informatique.

Description	Fichiers
Travail Pratique 1 (Équipe 1 ou 2)	Version complète TP1Complet.zip
Travail Pratique 2 (Équipe 1 ou 2)	TP2.zip
Remise du projet	Instruction pour le rapport et pour l'évaluation ici. Template latex pour GLO-7021 : rapportglo7021.zip

Horaire des leçons

2 Séances de laboratoire du vendredi:
#1 8h30 à 10h20  au PLT-3920
#2 10h30 à 12h20 au PLT-3920

Le code des laboratoires est disponible ici : https://github.com/davidlandry93/glo4001.

Sem #	Date	Sujets ______________________________	Acétates	Lectures suggérées (Comp. Princ. of Mobile Robotics)	Lectures suggérées (Autonomous Mobile Robots) _________________________________	Code matlab	Laboratoire du vendredi ____________________________
1	5 Sep	• Résumé du cours • Historique • Révision très rapide des concepts mathématiques tels que trigonométrie, algèbre linéaire	01-PlanCoursHistoMath.pdf	Chapitre 1 du manuel	Chapitre 1		Installation des logiciels sur les laptops. Connexion et utilisation de la plate-forme robotique.
2	12 Sep	• Capteurs : tactile, sonar, accéléromètre, gyroscopes, centrales inertielles. • Nappes lasers (LiDAR) 2D, 3D	02-Capteurs.pdf Cahier d'exercices Son solutionnaire ellipse.m plotEllipse.py	Chapitre 4 du manuel, jusqu'à la section 4.9	Chapitre 4: p.101 à 137		Labo 1 Calibration et utilisation du capteur infrarouge.
3	19 Sep	• Coordonnées homogènes • Capteurs vision • Caméra temps-de-vol • Localisation par trilatération • Modèle probabiliste des capteurs • Modèle sténopé de la caméra	RandomWalk.m 03-VisionI.pdf	Chapitre 5 : p.123 à 128, section 5.5.5.	Caméra: p.142 à 159 Stéréo: 169 à 179		Labo 2 Calibration et utilisation du gyroscope à taux. Création d'une carte 2D.
4	26 Sep	• Vision stéréo • Problème de correspondance • Capteur visuels actifs : Microsoft Kinect 1 et 2, pmdtech. • Notion de features comme point de repère. • Détecteurs de coin Harris, FAST	03-VisionSupplement.pdf 03-VisionII.pdf	VideoLocalisation Même vidéo, mais sur youtube. Pour ceux qui veulent un rafraîchissement sur les distributions normales Article sur SIFT RANSAC	Kinect: p. 137-139 Odométrie visuelle: p 187-188 Features visuels: p. 209-234	HarrisExample.m         Shakey.jpg	Labo 3 Laboratoire sur la caméra RGB.
5	3 Oct	• Feature visuels :     - SIFT     - SURF     - BRIEF (binaire)     - ORB • Algorithme RANSAC • Odométrie visuelle • Transformations homogènes	03-VisionIII.pdf 04.StatistiquesProbaBayesI.pdf		RANSAC: p. 252-255.		Labo 4 Modèle de déplacement du robot
6	10 Oct	• Probabilités • Modèles probabilistes des capteurs • Règle de Bayes • Locomotion à roues	04.StatistiquesProbaBayesII.pdf 05-LocomotionI.pdf Optionnel (pour mieux comprendre la convolution en probabilité) : Chapter7_SumOfProbabilities.pdf	Appendice A du manuel Chapitre 2 : tout sauf section 2.1 Chapitre 3 : lecture p.31, Section 3.1.5 et 3.1.6	Probabilités : p.296-306 Véhicules à roue Section 2.3 Chapitre 3: 57-63,	ExempleDiffDriveSansBruit.m	Labo 5 Utilisation de la Kinect et application pratique de RANSAC
7	17 Oct	• Modèle probabiliste des déplacements • Navigation à l'aveugle • Contenu de l'examen	05-LocomotionII.pdf	(à compléter) Chapitre 8 : du début jusqu’à la section 8.2 (8.2 non-incluse).	(à compléter)		Pas de laboratoire
8	24 Oct	Examen mi-session (les numéros de pages sont TOUJOURS inclusifs). Contenu à venir		Exemples de questions tirées de l'examen 2010 (un peu plus facile que 2011) Solutionnaire 2ème série d'exercices et ses solutions. Quelques détails sur solution Prelude Exercice pour RANSAC Exercise de transformation Guide d'étude : GuideDetudeMiSession2016.pdf Version préliminaire de la feuille d'aide incluse dans l'examen
9	31 Oct	Semaine de lecture					Pas de laboratoire
10	7 Nov	• Fusion de capteurs • Estimation d'état • Filtrage récursif • Filtre Kalman	07-EstimationEtat-A.pdf	Section 4.9 : p.102-114 kalman_intro.pdf Quelques exemples de filtres Kalman expliqués, avec le code dans ExemplesKalmanDoc.zip.	Types de localisation: p. 306 Localisation probabiliste: p307-342	MoyenneRecursive.m FiltreKalman.m FiltreKalmanGyroCompas.m FiltreKalmanNonLineaire.m	Retour sur l'examen, de 10h30 à 12h. Optionnel
11	14 Nov	• Linéarisation avec Jacobienne • Filtre Kalman Étendu (EKF) • Filtre Kalman non-parfumé (UKF)	07-EstimationEtatB.pdf 08-FiltreParticule-A.pdf	FiltreKalmanNonLinPseudoGPS.m			Labo 6 Filtre de Kalman codeKalman.zip
12	21 Nov	• Filtres à particules (si temps permet) • Méthode Iterative Closest Point (ICP) • Espace de configuration • Graphes de visibilité	08-FiltreParticuleICP-B.pdf 10-PlanifA.pdf			code des exemples de filtres à particule ExempleCarteGPS.zip PropagationNonLineaire.m	Labo 7 Télémètre laser + ICP
13	28 Nov	• Planification :     - champs de potentiels     - RRT • Cartographie SLAM :     - Description et taxonomie • Problème de loop closure • EKF SLAM • Méthodes dense vs. à features • Visual Place Recognition • Visual SLAM (FAB-MAP)	10-PlanifB.pdf 09-SLAM.pdf Section SLAM du Handbook of robotics, pages 1153-1176 , disponible à partir des ordinateurs de l'Université Laval via ce lien. ou celui-ci   SLAM course de Cyrill Stachniss EKF-SLAM Vidéo d'une demo EKF matlab	Section 8-8.1 (p. 240-249) Section 8.3 (p. 250-260) Section 9.2.2 (p.283-287)	SLAM : p. 348-356, 359-365. Reconnaissance de lieu: 234-242	EKFSlam.2.zip FastSLAM.zip	Présentations orales 2ème cycle 8h30-12h30
14	5 Dec	• FastSLAM 1.0 • Graph-SLAM • Grille d'occupation par SONAR • Représentation de l'espace:     - cartes métriques     - cartes topologiques     - cartes topométriques (hybride)	10-Carte.pdf	Chapitre 6 du manuel Chapitre 9, p. 276-282	Représentation carte: p. 284-297. Split and merge: p.249-250	OccupancyGrid.zip CarteMonde.zip	Pas de labo
15	12 Dec	Examen final	GuideDetudeFinal2016.pdf ExemplesExamenFinal.pdf Solutionnaire partiel Deuxième partie du solutionnaire. Feuille d'aide (cheat sheet)

Anciens laboratoires

1. Drivers pour les lasers Hokuyo URG-04LX-UG01 sur Windows
   
• Fichier à placer dans C:\Windows\inf  : URG_USB_Driver.inf
• Programme avec GUI pour lire les données du Hokuyo : UrgBenriSetup_1.1.11.exe
2. Drivers Windows pour le convertisseur analogue/numérique disponible ici. 
3. Le logiciel de capture de données WinDaq est ici. et ses manuel d’instruction. Après installation, il sera dans le répertoire C:\Dataq. Double clique sur HardwareManager.exe pour le démarrer. Faire right/left click pour zoomer sur la partie gauche d'un channel.
   

Code pour marqueurs fiduciaires

Ces bouts de code sont fournis sans grand support de ma part. Ils vont vous permettre d'extraire la position de marqueurs fiduciaires, tel qu'illustré ici :
Ce code est fourni "as is". Si vous pouvez l'améliorer, n'hésitez pas! Il est tiré en parti du site http://www.cs.ubc.ca/nest/imager/tr/2010/Atcheson_VMV2010_CALTag/.

• Code matlab Caltag nécessaire
• Code hacké et 10 tags en format postscipts : CaltagHack_4001_7021.zip
  

Travaux et projets

Voici des exemples de projets possibles pour le cours :

• Créer et utiliser une carte des graffitis dans les tunnels pour faire l'orientation et la localisation d'un robot mobile.
• Faire un robot "démineur" qui localise des objets métalliques au sol. Le robot devra faire un balayage complet d'un endroit pré-déterminé.
• Utiliser les distorsions de champs magnétiques pour localiser un robot dans un édifice.
  
• Utiliser des sondes tactiles pour naviguer un environnement.
• Utilisation des caméras pour naviguer l’environnement.
• Pousser un objet vers une position connue.
• Conduire manuellement le robot sur une trajectoire, puis utiliser des repères visuels (SIFT) pour refaire cette même trajectoire à l'envers.
  
• Développer un algorithme d'apprentissage automatique (reinforcement learning, par exemple) pour faire apprendre la nage à un robot à palmes .
• Navigation avec évitement d'obstacle pour une Kinect montée sur le robot.
• Application des RTT avec trajectoires courbes pour minimiser le temps de parcours des corridors.
• Faire du SLAM pour faire la carte du 3ème étage du Pouliot.
• Faire un robot qui peut livrer du courrier aux professeurs. Vous aurez besoin d'une carte du Pouliot, et vous devrez être capable de lire les noms affichés sur les portes des bureaux. Heureusement, les plaques des noms des professeurs sont à une hauteur accessible par la caméra du robot.
  
• Apprendre comment l'apparence d'un objet change selon le point de vue. En contrôlant la position de la caméra, i.e. le robot, on peut donc faire de l'active learning.
  
• Amélioration d'algorithmes déjà existants, et tests en simulation.
• Modification et ajouts de modules ROS (Robot Operating System) compatible avec l'environnement Logico.
  
• Test et démonstration de openSLAM avec le robot fournis.
• Faire un programme d'autocalibration qui permet d'identifier automatiquement la position de la caméras sur le robot mobile. L'idée est de regarder comment des points de repères visuels dans l'environnement changent, en fonction de commandes de déplacement du robot.
  

Liens utiles

• Voici un guide simplifié de Matlab produit par Hoang Le-Huy, du département de Génie Électrique.
• Pour bien comprendre ce qui se passe quand on additionne des variables aléatoires (en par la bande qu'est-ce qu'une convolution), voici un chapitre d'un livre de statistique : Chapter7_SumOfProbabilities.pdf .

Livre de référence

Computational Principles of Mobile Robotics 2nd edition, par Gregory Dudek et Michael Jenkin.
Introduction to Autonomous Mobile Robots, 2nd edition, par Roland Siegwart, Illah R. Nourbakhsh et Davide Scaramuzza. MIT Press.

Conférences et journaux en robotique
Pour les curieux, ou ceux en quête d'inspiration pour des idées de projets!
Conférences
Robotics: Science and Systems (RSS)
IEEE International Conference on Robotics and Automation (ICRA)
IEEE International Conference on Intelligent Robots and Systems (IROS)
Conference on Computer Robot and Vision (CRV)

Journaux
IEEE Transactions on Robotics
Autonomous Robots
International Journal of Robotics Research
Journal of Field Robotics
IEEE Robotics and Automation Magazine
Robotics and Autonomous Systems