Integration of Scan-Matching-based LiDAR Odometry with INS and GNSS for UAVs in Unstructured Natural Environments
Cet article propose une architecture de navigation en temps réel basée sur un filtre de Kalman à état d'erreur qui couple étroitement le GNSS en double différence avec une odométrie LiDAR par mise en correspondance de scans en couplage lâche afin d'atteindre un positionnement au centimètre près et une estimation de l'attitude considérablement améliorée pour les drones opérant dans des environnements naturels non structurés où les signaux GNSS sont dégradés par la végétation.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez un drone survolant de près une rivière sinueuse, sa mission étant de cartographier la surface de l'eau, de mesurer le débit et de suivre la santé du cours d'eau. Pour ce faire avec précision, le drone doit savoir exactement où il se trouve, à quelle vitesse il se déplace et dans quelle direction il pointe. Dans un ciel ouvert, c'est facile : le drone écoute les signaux des satellites de navigation pour localiser sa position. Mais les rivières sont rarement dégagées. Elles sont souvent bordées d'arbres hauts et d'une végétation dense qui bloquent les signaux satellites, laissant le compas interne et les capteurs de mouvement du drone deviner sa position. Sans les signaux satellites, ces estimations dérivent rapidement, comme une horloge qui perd une minute chaque heure, menant finalement à une perte de contrôle ou à un crash. Le défi pour les scientifiques est de maintenir le drone stable et précis, même lorsque le ciel est caché par les feuilles et que l'eau en dessous n'offre aucun point de repère clair.
Une équipe de chercheurs du Danemark et du Royaume-Uni a développé une nouvelle façon de résoudre ce problème en combinant trois types différents de capteurs en un seul système intelligent. Ils ont équipé un drone d'un scanner laser, d'un capteur de mouvement et d'un récepteur satellite, et l'ont fait voler au-dessus de véritables rivières et lacs au Danemark. L'objectif était de voir s'ils pouvaient utiliser le scanner laser pour « voir » le monde lorsque les signaux satellites étaient faibles, puis de fusionner cette information avec le capteur de mouvement et les données satellites pour créer une image de navigation parfaite. Leur approche est différente des méthodes précédentes car elle ne tente pas de trouver des formes spécifiques, comme des troncs d'arbres ou des rochers, pour s'y accrocher. Au lieu de cela, elle se contente de faire correspondre le motif global des points laser d'un instant à l'autre, une technique qui fonctionne même lorsque la surface de la rivière est lisse et que les arbres sont flous.
Les chercheurs ont testé leur système dans deux environnements très différents. Le premier était un tronçon de la rivière Suså, où le drone volait bas au-dessus de l'eau, entouré de berges hautes et d'arbres qui bloquaient fréquemment les signaux satellites. Le second était un vol de « test de résistance » qui commençait au-dessus d'un lac ouvert, où les signaux satellites étaient parfaits mais le scanner laser ne voyait presque rien car l'eau absorbe la lumière du laser, puis se déplaçait vers un sentier étroit couvert d'arbres où les signaux satellites disparaissaient mais où le scanner laser était inondé de données provenant de la végétation dense. Dans les deux cas, l'ordinateur du drone devait alterner entre dépendre des satellites, dépendre du laser, ou dépendre d'un mélange des deux, tout en volant à grande vitesse.
Les résultats ont montré que cette nouvelle méthode fonctionnait de manière nettement plus efficace que les méthodes de navigation standard de drones dans ces conditions difficiles. Lorsque les chercheurs ont comparé leur système aux meilleures méthodes existantes, qui reposent sur la recherche de caractéristiques géométriques spécifiques comme des bords ou des coins, leur nouvelle approche s'est révélée plus précise dans toutes les catégories. Lors du test de la rivière, le nouveau système a maintenu la position du drone avec une précision de quelques centimètres, un niveau de précision difficile à atteindre même dans des conditions idéales. Il a également amélioré la capacité du drone à connaître sa direction, réduisant les erreurs de cap de deux tiers par rapport à la méthode standard. Cela est crucial car connaître la direction est souvent la partie la plus difficile de la navigation lorsqu'on se déplace dans un environnement sans caractéristiques distinctives.
L'étude a également révélé pourquoi les anciennes méthodes échouaient dans ces contextes. Les chercheurs ont constaté que les systèmes tentant de se verrouiller sur des caractéristiques spécifiques, comme le bord d'un arbre ou d'un rocher, se confondaient souvent lorsque le vent ou les propres hélices du drone faisaient vibrer les feuilles, ou lorsque la surface de l'eau était trop lisse pour réfléchir un motif clair. En ignorant les caractéristiques spécifiques et en faisant plutôt correspondre le nuage global de points laser, le nouveau système restait stable même lorsque l'environnement était chaotique. Il a été capable de gérer le passage soudain d'un ciel ouvert à une forêt profonde sans perdre sa route, une capacité avec laquelle d'autres systèmes ont lutté. Le système était également assez rapide pour fonctionner en temps réel sur un ordinateur portable standard, ce qui signifie qu'il pourrait être installé sur un drone pour des travaux de terrain réels sans avoir besoin d'un supercalculateur.
Bien que le système ait été très efficace pour maintenir le drone sur sa trajectoire horizontale, les chercheurs ont noté une limitation restante : il était légèrement moins précis pour déterminer la hauteur exacte au-dessus de l'eau. Cela s'explique par le fait que le scanner laser voit très bien les côtés des arbres et des berges, ce qui aide à fixer la position gauche-droite et avant-arrière, mais la surface de l'eau offre très peu de matière pour que le laser puisse s'y accrocher afin de mesurer la hauteur. Malgré cela, la performance globale constitue une avancée majeure pour l'utilisation des drones pour étudier les rivières et d'autres environnements naturels. Ce travail prouve qu'en laissant un drone « tâtonner » son chemin à travers une forêt en utilisant une technique simple de reconnaissance de formes, plutôt qu'en essayant de « voir » des objets spécifiques, nous pouvons maintenir ces machines en vol sûr et précis, même dans les recoins les plus difficiles et les plus pauvres en signaux du monde naturel.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.