Portrait de Louis Petit

Louis Petit

Membre affilié
Professeur adjoint, Université de Sherbrooke, Département de génie électrique et informatique
Sujets de recherche
Apprentissage par renforcement
Apprentissage profond
Navigation robotique autonome
Optimisation
Robotique
Systèmes multi-agents
Vision par ordinateur

Biographie

Louis Petit est professeur adjoint à l’Université de Sherbrooke, où il dirige le laboratoire SAFiR.

Ses recherches portent sur des stratégies innovantes en matière de perception, de cartographie, de planification, de prise de décision et de contrôle afin d'améliorer l'autonomie des robots aériens, terrestres et aquatiques dans des environnements réels et complexes. Ses travaux trouvent des applications dans la recherche et le sauvetage, les systèmes avancés d'aide à la conduite, l'inspection d'infrastructures et la surveillance des écosystèmes.

Avant de rejoindre l'Université de Sherbrooke, il était chercheur postdoctoral à l'Université McGill. Il détient un doctorat de l'Université de Sherbrooke ainsi qu'une maîtrise en ingénierie mécatronique de l'UCLouvain en Belgique. Le professeur Petit a contribué à des bibliothèques de robotique à source ouverte largement utilisées pour la planification de trajectoires et la cartographie.

Publications

Topological mapping for traversability-aware long-range navigation in off-road terrain
Jean-François Tremblay
Julie Alhosh
Faraz Lotfi
Lara Landauro
Autonomous robots navigating in off-road terrain like forests open new opportunities for automation. While off-road navigation has been stud… (voir plus)ied, existing work often relies on clearly delineated pathways. We present a method allowing for long-range planning, exploration and low-level control in unknown off-trail forest terrain, using vision and GPS only. We represent outdoor terrain with a topological map, which is a set of panoramic snapshots connected with edges containing traversability information. A novel traversability analysis method is demonstrated, predicting the existence of a safe path towards a target in an image. Navigating between nodes is done using goal-conditioned behavior cloning, leveraging the power of a pretrained vision transformer. An exploration planner is presented, efficiently covering an unknown off-road area with unknown traversability using a frontiers-based approach. The approach is successfully deployed to autonomously explore two 400 meters squared forest sites unseen during training, in difficult conditions for navigation.