SLAM based state estimator for indoor operations of UAVs

Abstract

Unbemannte Luftfahrzeuge (UAVs) gewinnen immer mehr an Bedeutung. Das bringt die Notwendigkeit moderner Regelstrategien, die eine genaue Information über den Systemzustand (d.h. die Lage und Position des UAV) erfordern, mit sich. Insbesonders bei UAV Anwendungen in Gebäuden entstehen zusätzliche Herausforderungen, weil keine satellitengestützten Navigationssysteme zur Verfügung stehen. Diese Diplomarbeit beschäftigt sich mit der Entwicklung eines Zustandsbeobachters für UAVs in geschlossenen Räumen. UAV-bedingte Einschränkungen bei Sensoren, Rechenleistung und Echtzeitverhalten sind berücksichtigt. Es wird eine Karte an Landmarken der Umgebung erstellt und anhand der Position und Lage in Bezug auf die erstellte Karte geschätzt. Diese verwendete Methode wird als simultaneous localization and mapping (SLAM) bezeichnet. Optische Sensoren werden zur Erkennung von Landmarken und zur Messung der Entfernung zum Boden eingesetzt. Dadurch kann auf Lage und Position geschlossen werden. Ein local optimized random sample consensus (LO-RANSAC) Algorithmus wird verwendet, um Landmarken aus den optischen Messergebnissen zu extrahieren. Darüber hinaus steht eine inertiale Messeinheit (IMU), bestehend aus einem Beschleunigungssensor und einem Gyroskop, zur Zustandsabschätzung zur Verfügung. Das vorgeschlagene Konzept der Sensorfusion basiert auf einem kinematischen mathematischen Modell des System, das in einem erweiterten Kalman-Filter (EKF) verwendet wird. Für Position und Lage wird das kinematische Modell, und für den Gyroskop-Bias wird ein Zufallsbewegungsmodell eingesetzt. Der Beobachter fusioniert die Messwerte aller Sensoren und die Modellinformation, um den wahrscheinlichsten Wert der Systemzustände, d. h. die Position und Lage des UAVs im Raum und der Gyroskop-Bias, zu errechnen. Um den Rechenaufwand des Algorithmus zu reduzieren, wird ein reduziertes mathematisches Modell vorgestellt. Um die Genauigkeit zu erhöhen, wird zusätzlich eine Ansatz mit einer zweiten IMU untersucht. Zur Bewertung des entworfenen Beobachters wird eine mobile Plattform mit allen notwendigen Sensoren ausgestattet. Mit einem optischen Bewegungserfassungssystem werden Referenzmessung der kinematischen Zustände durchgeführt. Die Genauigkeit des vorgestellten Ansatzes wird anhand dynamischer und statischer Experimente untersucht.

Unmanned aerial vehicles (UAVs) become more and more important. This brings along the need for modern control strategies, which require an accurate informaton of the system state (i. e. the attitude and position of the UAV). In particular, UAV indoor applications involve additional challenges like the absence of global navigation satellite system (GNSS). This diploma thesis deals with the development of a state observer for UAVs in indoor areas. UAV related limitations on sensors, computing power and real time behavior are taken in account. A map of landmarks of the indoor environment is created, and position and attitude are determined in reference to the estimated map. This step is referred to as simultaneous localization and mapping (SLAM). Optical sensors are used for landmark detection and distance measurements allow the calculation of the distance and orientation towards the ground. A local optimized random sample consensus (LO-RANSAC) algorithm is used to extract landmarks of the optical measurements. Furthermore, an inertial measurement unit (IMU), comprising an accelerometer and a gyroscope, is utilised. The proposed sensor fusion concept is based on a kinematic mathematic model of the system utilized in an extended Kalman filter (EKF). The kinematic model is formulated for position and attitude, and a random walk model is used for the gyroscope bias. The observer fuses the measurements of all sensors and the model information to estimate the most likely states, i. e. the position and attitude of the UAV in the room and the gyroscope bias. To reduce the computational effort of the algorithm, a reduced mathematical model is introduced. In order to increase the accuracy, additionally an approach with a second IMU is investigated. To evaluate the design, a mobile platform is equipped with all discussed sensors. Using an optical motion detection system, a reference measurement of the kinematic states is available. The quality of the presented approach is verified by means of dynamic and static experiments.