Kilometer-Scale GNSS-Denied UAV Navigation via Heightmap Gradients: A Winning System from the SPRIN-D Challenge

Resumen Técnico: Navegación de UAV sin GNSS a Escala de Kilómetros mediante Gradientes de Mapas de Altura

Definición del Problema
La navegación fiable a larga distancia para Vehículos Aéreos No Tripulados (UAV) en entornos donde el Sistema Global de Navegación por Satélite (GNSS) está denegado sigue siendo un desafío significativo. Los métodos de odometría estándar, como la Odometría Visual-Inercial (VIO) y la Odometría LiDAR-Inercial (LIO), acumulan deriva ilimitada con el tiempo, especialmente en áreas previamente no vistas donde no están disponibles los cierres de bucle. Si bien la geolocalización basada en aprendizaje profundo ofrece alta precisión, a menudo resulta computacionalmente prohibitiva para su ejecución en tiempo real en plataformas embebidas con recursos limitados. Por el contrario, los sistemas existentes que solo utilizan odometría son eficientes, pero no logran mantener un error acotado en trayectorias a escala de kilómetros. El problema central abordado es cómo gestionar la deriva utilizando datos geográficos disponibles en un UAV de baja altitud con potencia de cálculo limitada, específicamente sin depender de mapeo denso previo ni de mapas pregrabados del área específica de la misión.

Metodología
Los autores presentan un sistema totalmente a bordo desarrollado para el SPRIN-D Funke Fully Autonomous Flight Challenge, diseñado para navegar una secuencia de 9 km de puntos de referencia por debajo de 25 m sobre el nivel del suelo (AGL) sin GNSS. El sistema integra percepción, mapeo, planificación y control en una arquitectura cohesiva que se ejecuta en hardware exclusivo de CPU (Intel NUC i7).

• Hardware y Percepción: El UAV utiliza un conjunto de sensores heterogéneo que incluye un LiDAR Livox Mid-360 para nubes de puntos densas, un Intel RealSense D435 para la percepción de obstáculos a corto alcance, y una cámara RGB Bluefox acoplada a una unidad de medición inercial (IMU) para VIO (utilizando OpenVINS). Para garantizar la fiabilidad de la VIO, la IMU y la cámara están desacopladas mecánicamente del fuselaje mediante bloques silenciosos impresos en 3D para atenuar las vibraciones de alta frecuencia.
• Pipeline de Localización: La innovación central es un método ligero de corrección de deriva que fusiona la odometría con datos geográficos previos.
  • Generación de Mapas de Altura: Se genera un mapa de ocupación local a partir de datos LiDAR y se convierte en un mapa de altura 2D (resolución de 1 m) que representa las alturas máximas de los obstáculos dentro de los contenedores.
  • Emparejamiento Basado en Gradientes: En lugar de emparejar elevaciones absolutas (que son poco fiables debido al ruido barométrico y la pendiente del terreno), el sistema empareja los gradientes del mapa de altura local contra un Modelo Digital de Elevación (DEM) geo-referenciado previo. Solo se consideran gradientes con valores absolutos superiores a 5 m, filtrando objetos pequeños o transitorios y enfatizando estructuras estables como árboles y edificios.
  • Emparejamiento de Plantillas: Se utiliza un coeficiente de correlación no normalizado para comparar los mapas de bordes binarizados del mapa de altura local con el mapa previo.
  • Filtro de Partículas Agrupado: Las puntuaciones de similitud se fusionan con la odometría y los datos de la brújula en un filtro de partículas. Para manejar el aliasing perceptual y el ruido de la odometría, el sistema emplea agrupamiento K-means en el conjunto de partículas, seleccionando el centroide del grupo más grande como la estimación final de la posición.
• Control de Misión: Una máquina de estados finitos gestiona la misión, transitando entre navegación, detección de puntos de referencia (utilizando un modelo ligero YOLOv8n entrenado con datos sintéticos y reales) y patrones de búsqueda si un punto de referencia no se detecta inmediatamente.

Contribuciones Clave

1. Sistema Completo a Bordo: Los autores demuestran un sistema UAV completo capaz de vuelo sin GNSS a escala de kilómetros por debajo de 25 m AGL, operando enteramente a bordo sin aceleración GPU dedicada.
2. Método Novel de Corrección de Deriva: Introducen una técnica de localización específica basada en el emparejamiento de plantillas de gradientes de mapas de altura derivados de LiDAR. Este enfoque conecta las señales estructurales basadas en LiDAR con información semántica, ofreciendo una solución computacionalmente eficiente y robusta para entornos mixtos urbanos y forestales.
3. Validación en Campo: El sistema fue validado en el SPRIN-D Challenge a través de diversos entornos (urbano, forestal, campos abiertos), logrando una reducción sustancial de la deriva en comparación con la odometría cruda.

Resultados
El sistema fue evaluado durante el SPRIN-D Challenge en la base aérea de Erding.

• Rendimiento: El equipo logró el primer lugar en la competición. El sistema ejecutó con éxito múltiples vuelos a escala de kilómetros (hasta ~1.3 km por vuelo) con un Error Cuadrático Medio (RMSE) de localización general inferior a 11 m. En contraste, la odometría alineada solo con brújula exhibió RMSE de hasta 53 m.
• Corrección de Deriva: En vuelos de prueba donde la localización se inicializó intencionalmente con un desplazamiento de 32 m respecto a la posición real, el sistema logró re-localizarse con éxito y reducir el error a aproximadamente 4 m al final del vuelo.
• Robustez Ambiental: El método funcionó particularmente bien en entornos urbanos con características distintivas. En campos abiertos con menos características, el sistema dependió más pesadamente de la odometría, aunque el emparejamiento de gradientes aún proporcionó correcciones cuando se encontraron estructuras distintivas.
• Limitaciones: Los vuelos se terminaron principalmente debido a restricciones de batería o problemas de hardware (por ejemplo, fallos en tarjetas WiFi) en lugar de deriva de localización, lo que indica que el algoritmo de localización no fue el principal cuello de botella para el alcance de la misión.

Significado y Afirmaciones
El artículo afirma que el sistema propuesto proporciona un plano fundamental para la autonomía resiliente sin GNSS. Los autores enfatizan que, para misiones a larga distancia, la capacidad de recuperarse de periodos de alta incertidumbre y re-localizarse es más crítica que mantener un RMSE instantáneo consistentemente bajo. Destacan que ningún sensor individual es totalmente fiable (notando la deriva de la brújula cerca de hormigón armado) y que la fusión de sensores es esencial. El trabajo demuestra que el emparejamiento de datos geográficos ligero y basado en gradientes puede corregir eficazmente la deriva de la odometría en diversos entornos no vistos en hardware con recursos limitados, permitiendo el despliegue práctico de UAV autónomos en escenarios donde el GNSS no está disponible.