Sensors Data Fusion for the Absolute Localisation of a Mobile Robot by a Possibility Theory Based Method. Comparison with Kalman Filter. Fusion de Données Capteurs Envue de la Localisation Absolue d'un Robot Mobile par une Méthode Basée Surla Théorie des

In order to improve autonomous system, it is necessary to determine accurately its position . In this paper, a method based on possibility theory has been developed in the experimental framework of the localisation of a miniature mobile robot from odometry reading and exteroceptive sensors into an environment equipped with beacons . The data are modelled in the setting of the possibility theory which provides interesting tools of representing imprecision and uncertainty . A comparison with a classical method (Kalman filter) taken as a reference is realised . Basically, the fusion procedure by Kalman filtering method can be seen as a weighted average by the information uncertainties. Its principle is to favour the information with low uncertainty (i.e. low variance) and to realise a fusion by "minimisation of variance" . On the other hand, the adaptive combination rule used in the possibilistic method takes into account the level of conflict between the sources and favour the redundancy of the information which are in agreement. Then, it is rather a fusion by "agreement" . In spite of these fundamental discrepancies, the outcomes of simulation and/or of experiences on the real robot, obtained by both methods are satisfactory and quite close.

Résumé 

Pour améliorer l'autonomie d'un système mobile, il nécessaire de pouvoir déterminer précisément sa position . Dans cet article, une méthode basée sur la théorie des possibilités a été développée dans le cadre applicatif de la localisation d'un robot mobile miniature à partir de données odométriques et extéroceptives dans un environnement balisé . La modélisation des données est réalisée dans le cadre de la théorie des possibilités qui fournit des outils intéressants de représentation de l'imprécision et de l'incertitude. De plus, les contraintes souples qui régissent cette théorie permettent un choix étendu pour la combinaison des informations issues des différentes sources, allant du mode conjonctif au mode disjonctif en passant par le mode compromis. Nous nous sommes particulièrement intéressés ici à la règle de combinaison adaptative proposée par Dubois et Prade. Une chaîne complète de fusion des données odométriques et extéroceptives sous forme de distributions de possibilité est ainsi proposée et mise en oeuvre pour la localisation aussi bien en simulation que par des expériences réelles . Cette méthode fait l'objet d'une comparaison détaillée avec la méthode du filtrage de Kalman. Alors que la méthode de Kalman réalise une fusion par moyenne pondérée par l'incertitude liée aux informations (fusion par minimisation de la variance) la méthode possibiliste privilégie, elle, la redondance des informations fournies par les sources (fusion par concordance). Malgré ces différences fondamentales, les résultats obtenus par les deux approches sont assez voisines et la méthode possibiliste possède a priori une meilleure robustesse pour traiter des données conflictuelles.