Experience

SYSNAV
• France
• Technology, Information and Internet
• 1 - 100 Employee
• Ingénieur chercheur

  • Mar 2021 - Present


CEA List

• France
• Think Tanks
• 100 - 200 Employee

• Ingénieur chercheur

  • Nov 2017 - Nov 2020

  Thèmes de recherche : Vision 3D et fusion de capteur Réalisations : — Conception d’une initialisation visuelle-inertielle-GNSS temps-réel. — Implémentation (C++) d’une fusion caméras-IMU : SLAM (Simultaneous Localization and Mapping) basé optimisation non-linéaire en utilisant le concept d’ "IMU preintegration". — Comparaison avec une méthode basée filtre de Kalman : le MSCKF. — Étude de la fusion des données visuelles et inertielles avec d’autres capteurs : LIDAR… Show more Thèmes de recherche : Vision 3D et fusion de capteur Réalisations : — Conception d’une initialisation visuelle-inertielle-GNSS temps-réel. — Implémentation (C++) d’une fusion caméras-IMU : SLAM (Simultaneous Localization and Mapping) basé optimisation non-linéaire en utilisant le concept d’ "IMU preintegration". — Comparaison avec une méthode basée filtre de Kalman : le MSCKF. — Étude de la fusion des données visuelles et inertielles avec d’autres capteurs : LIDAR, magnétomètre. Compétences scientifiques acquises : — Calibration (extrinsèque, intrinsèque et temporelle) de caméras et d’IMU (outil "Kalibr"). — Algèbre de Lie associée aux groupes SO3 et SE3 pour la représentation d’une rotation 3D ou d’une pose 3D et sa linéarisation dans le cadre d’une optimisation non-linéaire. — Intégration matérielle d’un système multi-caméra et inertiel : synchronisation capteur et tests (cartographie temps réelle 3D d’un environnement, navigation autonome d’un robot). Autre : — Participation au challenge MALIN (MAîtrise de la Localisation INdoor) organisé par l’ANR et la DGA (équipe Smart-Iloc). — Participation à l’encadrement de deux stages en lien avec les thèmes de recherches. Show less Thèmes de recherche : Vision 3D et fusion de capteur Réalisations : — Conception d’une initialisation visuelle-inertielle-GNSS temps-réel. — Implémentation (C++) d’une fusion caméras-IMU : SLAM (Simultaneous Localization and Mapping) basé optimisation non-linéaire en utilisant le concept d’ "IMU preintegration". — Comparaison avec une méthode basée filtre de Kalman : le MSCKF. — Étude de la fusion des données visuelles et inertielles avec d’autres capteurs : LIDAR… Show more Thèmes de recherche : Vision 3D et fusion de capteur Réalisations : — Conception d’une initialisation visuelle-inertielle-GNSS temps-réel. — Implémentation (C++) d’une fusion caméras-IMU : SLAM (Simultaneous Localization and Mapping) basé optimisation non-linéaire en utilisant le concept d’ "IMU preintegration". — Comparaison avec une méthode basée filtre de Kalman : le MSCKF. — Étude de la fusion des données visuelles et inertielles avec d’autres capteurs : LIDAR, magnétomètre. Compétences scientifiques acquises : — Calibration (extrinsèque, intrinsèque et temporelle) de caméras et d’IMU (outil "Kalibr"). — Algèbre de Lie associée aux groupes SO3 et SE3 pour la représentation d’une rotation 3D ou d’une pose 3D et sa linéarisation dans le cadre d’une optimisation non-linéaire. — Intégration matérielle d’un système multi-caméra et inertiel : synchronisation capteur et tests (cartographie temps réelle 3D d’un environnement, navigation autonome d’un robot). Autre : — Participation au challenge MALIN (MAîtrise de la Localisation INdoor) organisé par l’ANR et la DGA (équipe Smart-Iloc). — Participation à l’encadrement de deux stages en lien avec les thèmes de recherches. Show less

• Stagiaire

  • Apr 2017 - Sep 2017

  Le SLAM (Simultaneous Localization And Mapping) visuel est un algorithme de vision par ordinateur qui permet de cartographier une zone et de s’y localiser en utilisant des images. Un inconvénient majeur du SLAM visuel est qu’il dérive au cours du temps à cause de l’accumulation d’erreurs. Dans le cas du SLAM monoculaire (une seule camera) il s’ajoute une dérive en échelle, en plus d’une erreur de facteur d’échelle initiale. L’objectif de ce stage est l’étude et l’implémentation de… Show more Le SLAM (Simultaneous Localization And Mapping) visuel est un algorithme de vision par ordinateur qui permet de cartographier une zone et de s’y localiser en utilisant des images. Un inconvénient majeur du SLAM visuel est qu’il dérive au cours du temps à cause de l’accumulation d’erreurs. Dans le cas du SLAM monoculaire (une seule camera) il s’ajoute une dérive en échelle, en plus d’une erreur de facteur d’échelle initiale. L’objectif de ce stage est l’étude et l’implémentation de l’Ajustement de faisceaux global visuel-inertiel, algorithme permettant de corriger au mieux ces inconvénients. Cela consiste en la fusion de données visuelles et inertielles avec la méthode d’ajustement de faisceaux, et la théorie de la préintégration des données inertielles. Avant de réaliser cette fusion, un algorithme d’initialisation de la centrale inertielle est nécessaire pour estimer les variables de démarrage comme le vecteur gravité et les biais du gyromètre et de l’accéléromètre. Pour évaluer les résultats de ces deux algorithmes, le dataset EuRoC MAV d’ETH et des acquisitions réalisées au laboratoire ont été utlisés. Show less Le SLAM (Simultaneous Localization And Mapping) visuel est un algorithme de vision par ordinateur qui permet de cartographier une zone et de s’y localiser en utilisant des images. Un inconvénient majeur du SLAM visuel est qu’il dérive au cours du temps à cause de l’accumulation d’erreurs. Dans le cas du SLAM monoculaire (une seule camera) il s’ajoute une dérive en échelle, en plus d’une erreur de facteur d’échelle initiale. L’objectif de ce stage est l’étude et l’implémentation de… Show more Le SLAM (Simultaneous Localization And Mapping) visuel est un algorithme de vision par ordinateur qui permet de cartographier une zone et de s’y localiser en utilisant des images. Un inconvénient majeur du SLAM visuel est qu’il dérive au cours du temps à cause de l’accumulation d’erreurs. Dans le cas du SLAM monoculaire (une seule camera) il s’ajoute une dérive en échelle, en plus d’une erreur de facteur d’échelle initiale. L’objectif de ce stage est l’étude et l’implémentation de l’Ajustement de faisceaux global visuel-inertiel, algorithme permettant de corriger au mieux ces inconvénients. Cela consiste en la fusion de données visuelles et inertielles avec la méthode d’ajustement de faisceaux, et la théorie de la préintégration des données inertielles. Avant de réaliser cette fusion, un algorithme d’initialisation de la centrale inertielle est nécessaire pour estimer les variables de démarrage comme le vecteur gravité et les biais du gyromètre et de l’accéléromètre. Pour évaluer les résultats de ces deux algorithmes, le dataset EuRoC MAV d’ETH et des acquisitions réalisées au laboratoire ont été utlisés. Show less


HRW Bottrop
• Stagiaire

  • May 2016 - Jul 2016