Le principal avantage du SLAM visuel est qu’il exploite un capteur à bas coût pour estimer la position du véhicule : la caméra. Le coût d’une caméra est en effet très faible par rapport aux autres capteurs habituellement utilisés pour la localisation des véhicules autonomes (quelques dizaines de milliers d’euros pour un lidar ou un système GNSS à haute précision).
Pour garantir le meilleur compris entre vitesse et précision, la majorité des algorithmes de SLAM visuel sont basés sur une représentation éparse de l’environnement. En mettant en correspondance des amers visuels sur des images successives, ou entre une carte de l’environnement et l’image courante de la caméra, il est possible d’estimer la pose (position, orientation) de la caméra et donc du véhicule.
Ces amers sont généralement extraits grâce à des détecteurs de points d’intérêts (Harris, SIFT, SURF, ORB) auxquels on associe un descripteur qui sera nécessaire pour la mise en correspondance.
Quelques algorithmes ont montré d’excellentes performances et sont parfois proposés à la communauté en open source. Nous pouvons en particulier mentionner l’algorithme ORB-SLAM [Mur-Artal et al, 2015] et son évolution ORB-SLAM2 [Mur-Artal et al, 2017]. Ces algorithmes sont particulièrement adaptés aux environnements intérieurs, ou extérieurs lorsqu’il se passe peu de temps (et donc de changements) entre la phase de construction de la carte et la phase de relocalisation.
Cependant, la localisation par SLAM visuel présente encore de nombreux défis dans un environnement extérieur sujet à des changements d’apparence, notamment :
- Les changements de saisons
- Les changements d’illumination
- Les changements météorologiques
- Les changements de points de vue
- Les changements dus aux objets dynamiques, c’est-à-dire pouvant être présents lors de la création de la carte mais absents lors de la relocalisation, ou vice versa.La relocalisation dans des zones précédemment cartographiées peut donc être une tâche extrêmement difficile en environnement extérieur puisque l’apparence de l’environnement ne cesse de changer. Dans le contexte du véhicule autonome, la tâche de localisation est critique car si celle-ci est inexacte, voire
totalement erronée, elle peut entrainer de mauvaises décisions sur la conduite du véhicule.