Plusieurs techniques reconnues existent pour la localisation et cartographie simultanées (SLAM), allant de la technique SLAM classique reposant sur le filtre Kalman étendu aux algorithmes contemporains basés sur les graphiques. Notre laboratoire a développé un algorithme SLAM inédit qui utilise les numérisations laser 3D comme entrée. Notre algorithme se différencie par l'application de la théorie Dempster-Shafer à la place de la théorie bayésienne pour représenter un modèle de cellule de carte. Dans les méthodes traditionnelles, chaque cellule a une probabilité spécifique d'occupation. Toutefois, la théorie Dempster-Shafer autorise la présence de plusieurs masses dans la même cellule et fournit des formules pour les mettre à jour. Le concept de base de ce projet est d'exploiter ces masses pour identifier des modèles sur la carte. Ces modèles peuvent se présenter sous la forme de bordures d'objets reconnaissables ou de zones qui correspondent à des objets entiers dans l'environnement.

La surveillance des profils de nuages de points nous permet d'utiliser la méthode MCU (Maximum Covariance Unfolding). Cette technique permet de traiter une dimension réduite du profil résultant, tout en préservant sa relation avec les variables explicatives. Ces variables décrivent le modèle acquis en fonction de la déviation de certaines fonctionnalités par rapport à leur référence. Entre autres facteurs, la variable explicative peut représenter l'angle de déviation du modèle le long d'un axe spécifique. Nous explorons actuellement l'utilisation de la technique MCU pour identifier rapidement les angles à 90°, qui sont prédominants dans les environnements en intérieur, afin de faciliter la localisation des robots dans ces espaces.