Integration of Scan-Matching-based LiDAR Odometry with INS and GNSS for UAVs in Unstructured Natural Environments
Este artículo propone una arquitectura de navegación basada en un filtro de Kalman de estado de error en tiempo real que acopla estrechamente GNSS de doble diferencia con odometría LiDAR de coincidencia de escaneo débilmente acoplada para lograr un posicionamiento de nivel centimétrico y una estimación de la actitud significativamente mejorada para UAVs que operan en entornos naturales no estructurados donde las señales de GNSS se ven degradadas por la vegetación.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina un dron volando justo por encima de un río serpenteante, con la misión de mapear la superficie del agua, medir su caudal y rastrear su salud. Para hacer esto con precisión, el dron debe saber exactamente dónde está, qué tan rápido se mueve y hacia qué dirección apunta. En el cielo abierto, esto es fácil: el dron escucha las señales de los satélites de navegación para determinar su ubicación. Pero los ríos rara vez están abiertos. A menudo están rodeados de árboles altos y vegetación espesa que bloquean las señales de los satélites, dejando que el compás interno y los sensores de movimiento del dron adivinen su posición. Sin las señales de los satélites, estas suposiciones derivan rápidamente, como un reloj que pierde un minuto cada hora, lo que eventualmente conduce a una pérdida de control o un choque. El desafío para los científicos es mantener al dron estable y preciso incluso cuando el cielo está oculto por las hojas y el agua debajo no ofrece puntos de referencia claros.
Un equipo de investigadores de Dinamarca y el Reino Unido ha desarrollado una nueva forma de resolver este problema combinando tres tipos diferentes de sensores en un solo sistema inteligente. Equiparon un dron con un escáner láser, un sensor de movimiento y un receptor de satélite, y lo hicieron volar sobre ríos y lagos reales en Dinamarca. El objetivo era ver si podían usar el escáner láser para "ver" el mundo cuando las señales de los satélites eran débiles, y luego mezclar esa información con el sensor de movimiento y los datos del satélite para crear una imagen de navegación perfecta. Su enfoque es diferente de los métodos anteriores porque no intenta encontrar formas específicas, como troncos de árboles o rocas, para fijarse en ellas. En su lugar, simplemente hace coincidir el patrón general de los puntos láser de un momento a otro, una técnica que funciona incluso cuando la superficie del río es lisa y los árboles están borrosos.
Los investigadores probaron su sistema en dos entornos muy diferentes. El primero fue un tramo del río Suså, donde el dron voló bajo sobre el agua, rodeado de bancos altos y árboles que frecuentemente bloqueaban las señales de los satélites. El segundo fue una prueba de "estrés" que comenzó sobre un lago abierto, donde las señales de los satélites eran perfectas pero el escáner láser casi no veía nada porque el agua absorbe la luz del láser, y luego se movió hacia un sendero estrecho cubierto de árboles donde las señales de los satélites desaparecieron pero el escáner láser se vio inundado de datos de la densa vegetación. En ambos casos, la computadora del dron tuvo que cambiar entre depender de los satélites, depender del láser, o depender de una mezcla de ambos, todo esto mientras volaba a alta velocidad.
Los resultados mostraron que este nuevo método funcionó significativamente mejor que las formas estándar de navegar un dron en estas condiciones difíciles. Cuando los investigadores compararon su sistema con los mejores métodos existentes, que dependen de encontrar características geométricas específicas como bordes o esquinas, su nuevo enfoque fue más preciso en cada categoría. En la prueba del río, el nuevo sistema mantuvo la posición del dron precisa dentro de unos pocos centímetros, un nivel de precisión que es difícil de lograr incluso en condiciones ideales. También mejoró la capacidad del dron para saber hacia dónde apuntaba, reduciendo los errores en su rumbo en dos tercios en comparación con el método estándar. Esto es crucial porque conocer la dirección es a menudo la parte más difícil de la navegación cuando el dron se mueve a través de un entorno sin rasgos distintivos.
El estudio también reveló por qué los métodos antiguos fallaban en estos entornos. Los investigadores encontraron que los sistemas que intentan fijarse en características específicas, como el borde de un árbol o una roca, a menudo se confundían cuando el viento o las propias hélices del dron sacudían las hojas, o cuando la superficie del agua era demasiado lisa para reflejar un patrón claro. Al ignorar las características específicas y en su lugar hacer coincidir la nube de puntos láser general, el nuevo sistema se mantuvo estable incluso cuando el entorno era caótico. Fue capaz de manejar el cambio repentino de cielo abierto a bosque denso sin perder el rumbo, una capacidad con la que otros sistemas tuvieron dificultades. El sistema también fue lo suficientemente rápido como para ejecutarse en tiempo real en una computadora portátil estándar, lo que significa que podría instalarse en un dron para trabajos de campo reales sin necesidad de una supercomputadora.
Si bien el sistema tuvo un gran éxito en mantener al dron en su trayectoria horizontal, los investigadores señalaron una limitación restante: era ligeramente menos preciso al determinar la altura exacta sobre el agua. Esto se debe a que el escáner láser ve muy bien los lados de los árboles y los bancos, lo que ayuda a fijar la posición izquierda-derecha y adelante-atrás, pero la superficie del agua ofrece muy poco en lo que el láser pueda agarrarse para medir la altura. A pesar de esto, el desempeño general fue un gran paso adelante para el uso de drones para estudiar ríos y otros entornos naturales. El trabajo demuestra que, al dejar que un dron "sienta" su camino a través de un bosque usando una técnica simple de emparejamiento de patrones, en lugar de intentar "ver" objetos específicos, podemos mantener estas máquinas volando de manera segura y precisa incluso en los rincones más desafiantes y con menos señal del mundo natural.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.