Affinement de nuages de points par optimisation des paramètres intrinsèques

Dans le chapitre 3, nous avons présenté un algorithme d’optimisation des paramètres de calibrage extrinsèque dans le but d’affiner des nuages de points issus de cartographies mobiles. Si on se réfère à la figure 2.6, il s’agit d’une des trois étapes principales au géoréférencement des données lors d’une cartographie avec un véhicule mobile. Dans ce cas, nous avions supposé que les paramètres intrinsèques du système LIDAR étaient corrects, et que la trajectoire du véhicule à tout instant était connue. Cette hypothèse n’est pas forcément vérifiée, notamment concernant le calibrage intrinsèque d’un système LIDAR. En effet, là où le calibrage extrinsèque dépend du système mobile utilisé et de la configuration choisie par « l’utilisateur », le calibrage intrinsèque est plus spécifique, et dépend de la configuration du capteur utilisé pour l’acquisition : il s’agit de correctement récupérer les données brutes, généralement en coordonnées sphériques, et de référencer ces données dans un repère laser cartésien.Dans ce chapitre, nous allons présenter un algorithme permettant aussi d’affiner des nuages de points, mais en jouant sur les paramètres de calibrage intrinsèque cette fois-ci ; l’idée est d’aller dans la continuité de ce qui a été présenté au chapitre 3, voire de proposer une amélioration en optimisant un plus grand nombre de paramètres de calibrage pour un système d’acquisition. La solution que l’on présente dans ce chapitre est applicable dans sa méthodologie à l’optimisation des paramètres de calibrage d’un système mobile équipé soit d’un LIDAR multi-couches, soit de plusieurs LIDARs. Nous allons présenter un modèle d’optimisation pour un LIDAR du type Velodyne 32 fibres, mais en adaptant les équations de calibrage intrinsèque au type de système utilisé, l’optimisation est applicable aux mêmes types de systèmes que ceux présentés dans l’introduction du chapitre 3.

Le calibrage intrinsèque d’un système LIDAR dépend du modèle que le constructeur a choisi pour construire son ou ses capteurs LIDAR. En effet, la configuration « intrinsèque » d’un capteur LIDAR est fixe, et un modèle de calibrage est alors choisi pour représenter au mieux la transformation qui permet d’obtenir des données référencées dans le repère cartésien du capteur à partir des données brutes que le capteur acquiert. Le modèle peut prendre en compte des erreurs potentielles, ou être le plus simple possible : le modèle de calibrage est choisi par l’utilisateur en fonction de la configuration du scanner. Tout comme pour l’optimisation des paramètres de calibrage extrinsèque, l’optimisation des paramètres de calibrage intrinsèque a pour but d’affiner le nuage de point. Ce que l’on appelle calibrage intrinsèque pour un capteur LIDAR définit la transformation qui permet de référencer des données brutes qui sont en coordonnées sphériques en coordonnées cartésiennes dans le repère lié au capteur. Dans le cas d’un LIDAR mono-fibre, on trouve trois équations qui permettent d’effectuer le calibrage intrinsèque qui sont celles données par l’équation (2.1). Dans le cas d’un capteur multi-fibres, le modèle peut-être le même, que l’on applique à chaque laser du capteur. Ce modèle peut être utilisé par les systèmes LIDARs composés de plusieurs lasers centrés sur un axe vertical et tournants autour de ce même axe, comme le Velodyne 32 fibres par exemple ; pour certains capteurs comme le Velodyne modèle 64 fibres, les lasers sont excentrés et le modèle de calibrage donné par le constructeur est différent de celui-ci, plus complexe car il prend notamment en compte les offsets verticaux et horizontaux de chaque laser, ainsi que les offsets au niveau des rotations. Dans la suite de ce chapitre, pour la construction du modèle corrigé de calibrage intrinsèque que l’on va chercher à optimiser, nous allons détailler les calculs dans le cas du modèle présenté avec l’équation (2.1).

Tout comme pour les paramètres de calibrage extrinsèques, des paramètres de calibrage intrin- sèques erronés vont aussi fausser la projection des données dans le repère capteur, ce qui a pour effet d’engendrer un mauvais référencement et une déformation des données dans le repère monde. La figure 4.1 présente le type de déformation que l’on peut obtenir lorsque les paramètres intrinsèques sont erronés pour des fibres d’un capteur multi-fibres : l’erreur est de l’ordre du degré pour les angles et de quelques centimètres pour les distances. La sous-figure a) présente le nuage avec des paramètres de calibrage corrects, et la sous-figure b) un zoom sur un plan vertical du nuage. On voit avec la sous-figure c) les effets d’une erreur sur les paramètres de calibrage, où les plans verticaux sont déformés. Les erreurs sur les paramètres de calibrage intrinsèque proviennent généralement d’un modèle simplifié induit par la structure du système LIDAR. Dans le cas de capteurs multi-fibres comme le Velodyne 32 ou le Quanergy, on a un faisceau de fibres réparties en éventail sur un axe vertical tournant, et un modèle de calibrage simplifié est celui que l’on donne avec l’équation (2.1). Une correction du modèle permet de corriger une bonne partie des erreurs induites par ce modèle : c’est ce que nous allons présenter dans la suite de ce chapitre, tout d’abord en présentant un état de l’art de différentes méthodes d’optimisation de calibrage intrinsèques, puis le modèle de calibrage corrigé avec lequel on cherche à affiner les données issues d’une acquisition mobile, ainsi que différents résultats expérimentaux permettant de valider le modèle corrigé et l’optimisation effectuée, et nous terminerons par présenter certaines limites que nous avons rencontrés au cours des expérimentations effectuées.