This work proposes an innovative approach to enhance the localization of unmanned aerial vehicles (UAVs) in dynamic environments. The methodology integrates a sophisticated object-tracking algorithm to augment the established simultaneous localization and mapping (ORB-SLAM) framework, utilizing only a monocular camera setup. Moving objects are detected by harnessing the power of YOLOv4, and a specialized Kalman filter is employed for tracking. The algorithm is integrated into the ORB-SLAM framework to improve UAV pose estimation by correcting the impact of moving elements and effectively removing features connected to dynamic elements from the ORB-SLAM process. Finally, the results obtained are recorded using the TUM RGB-D dataset. The results demonstrate that the proposed algorithm can effectively enhance the accuracy of pose estimation and exhibits high accuracy and robustness in real dynamic scenes.

Les drones autonomes dédiés à la surveillance nécessitent une localisation visuelle fiable tout en respectant des contraintes de poids, de coût et de consommation énergétique. Dans ce contexte, les capteurs légers comme les caméras monoculaires représentent une solution attrayante. Cependant, les algorithmes classiques de SLAM visuel, tels qu'ORB-SLAM, montrent leurs limites dans des environnements réels où les objets dynamiques perturbent la carte de navigation, où l'échelle métrique est absente, et où la localisation absolue n'est pas garantie. Cette thèse vise à lever ces verrous en adaptant ORB-SLAM aux contraintes spécifiques d'un drone de surveillance visuelle. La méthodologie développée repose sur trois améliorations clés. D'abord, les objets dynamiques sont détectés automatiquement et les points d'intérêt associés sont retirés du processus de SLAM afin d'éviter les erreurs d'ancrage sur des entités en mouvement. Ensuite, l'échelle est estimée à partir d'objets statiques dont les dimensions sont connues, permettant de reconstruire des cartes cohérentes en unités réelles. Enfin, la localisation est initialisée de façon absolue grâce à un repère visuel géoréférencé dans l'environnement, assurant une pose globale cohérente dès le démarrage. Au-delà de l'amélioration de la robustesse du SLAM, cette méthode permet également d'alimenter le système de surveillance en fournissant des positions absolues de cibles, exploitables par des opérateurs humains pour des tâches d'observation et d'intervention. La détection des objets dynamiques a été validée par des expérimentations sur la base de données TUM RGB-D et montre une nette amélioration par rapport à un SLAM classique. L'approche globale intégrant les trois volets (objets dynamiques, objets statiques, repère d'initialisation) a quant à elle été validée expérimentalement dans une volière sur un drone DJI Tello, démontrant la faisabilité et la pertinence de cette solution embarquée pour des missions de surveillance autonomes.