Reflection-Based Relative Localization for Cooperative UAV Teams Using Active Markers

Riepilogo Tecnico: Localizzazione Relativa Basata su Riflessioni per Squadre di UAV Cooperativi

Enunciato del Problema
Una localizzazione relativa affidabile è fondamentale per l'esecuzione sicura di compiti collaborativi da parte di sistemi multi-robot. Sebbene i Sistemi di Navigazione Satellitare Globale (GNSS) siano lo standard per le operazioni all'aperto, la loro affidabilità degrada significativamente in foreste dense, canyon urbani e paesaggi naturali, e sono completamente indisponibili in ambienti interni. Le alternative esistenti presentano limitazioni specifiche: i sistemi Real-Time Kinematic (RTK) vincolano le operazioni alla portata di una stazione a terra; i sistemi di motion capture mancano della flessibilità necessaria per ambienti sconosciuti; e i metodi basati sulla visione che utilizzano marcatori passivi (ad esempio AprilTags) impongono vincoli sulla dinamica del sistema e sulle dimensioni dei marcatori. Inoltre, i sistemi di marcatori attivi (ad esempio UVDAR) richiedono tipicamente una conoscenza preliminare della configurazione del marcatore e soffrono di una ridotta accuratezza all'aumentare della distanza, in particolare per i Micro Aerial Vehicles (MAV) dove lo spazio fisico tra i marcatori diventa insufficiente per una separazione affidabile dei pixel. Inoltre, le riflessioni superficiali provenienti da marcatori attivi sono tradizionalmente considerate una fonte di ambiguità e rumore, spesso mitigate utilizzando filtri di polarizzazione o luce strutturata, piuttosto che essere sfruttate per la localizzazione.

Metodologia
L'approccio proposto introduce un innovativo sistema di localizzazione relativa basato su riflessioni che sfrutta le riflessioni superficiali di marcatori attivi attaccati ai membri della squadra. Il sistema opera senza conoscenza preliminare delle dimensioni del robot, della configurazione del marcatore o delle proprietà della superficie.

• Fondamento Teorico: Il metodo modella l'interazione tra luce non polarizzata (emessa da LED degli UAV) e superfici riflettenti. Tiene conto sia delle riflessioni speculari che di quelle diffuse, riconoscendo che le irregolarità superficiali (ad esempio onde d'acqua, pavimenti testurizzati) causano la diffusione della riflessione. Il sistema deriva il coefficiente di potenza della riflessione basandosi sulle equazioni di Fresnel e modella la rugosità superficiale utilizzando distribuzioni gaussiane dell'altezza o modelli di onde capillari-gravitazionali per superfici d'acqua dinamiche.
• Rilevamento e Clustering: Ogni UAV emette una sequenza unica di lampeggiamenti tramite LED UV. L'UAV osservatore rileva questi segnali e le loro riflessioni. Per gestire le impostazioni ad alta esposizione richieste per il rilevamento delle riflessioni, dove un singolo LED può apparire come più punti luminosi, il sistema impiega un algoritmo di clustering. Le rilevazioni entro un raggio specifico vengono raggruppate; il cluster dominante rappresenta la sorgente luminosa diretta ($p_d$), mentre un cluster secondario situato verticalmente sotto viene identificato come candidato per la riflessione ($p_r$). Se la sequenza di lampeggiamenti non può essere estratta dalla riflessione, $p_r$ viene identificato geometricamente in base all'allineamento verticale rispetto a $p_d$.
• Modellazione Geometrica: Il sistema costruisce due coni ellittici per rappresentare l'incertezza:
  1. Cono della Sorgente Diretta: Rappresenta l'incertezza attorno al vettore di rilevamento diretto ($\vec{b}_d$) dovuta alla risoluzione della camera e alle imprecisioni di rilevamento.
  2. Cono di Riflessione: Rappresenta l'incertezza attorno al vettore di riflessione ($\vec{b}_r$). Questo cono è costruito in base alla diffusione della riflessione sulla superficie, definita dagli assi maggiore e minore di un'ellisse centrata sul baricentro della riflessione.
• Stima della Posizione: L'intersezione di questi due coni definisce la posizione possibile dell'UAV trasmettitore. Poiché l'intersezione di due coni risulta in un sistema non lineare complesso, gli autori adottano un approccio basato sul campionamento casuale. Vettori vengono campionati dal cono di riflessione e testati contro i vincoli del cono della sorgente diretta. I campioni validi (inlier) vengono immessi in un filtro particellare con un modello di moto a velocità costante e un kernel Cauchy robusto per gli aggiornamenti dei pesi. La stima finale della posizione è derivata dalla nuvola di particelle ponderata.
• Vincoli: Il metodo assume l'operatività su superfici terrestri o acquatiche dove può essere ottenuta in modo affidabile una singola riflessione dominante. Non si basa su riflessioni da pareti, poiché le pareti urbane producono tipicamente riflessioni diffuse con intensità insufficiente e richiedono la conoscenza dell'orientamento della parete.

Contributi Chiave

1. Derivazione Teorica: Il lavoro fornisce le basi teoriche e la fisica alla base della localizzazione basata su riflessioni, modellando l'interazione della luce con varie proprietà superficiali.
2. Algoritmo Innovativo: Viene proposto un approccio di localizzazione relativa basato solo sulla camera che richiede solo la distanza dalla superficie riflettente (ad esempio da un telemetro orientato verso il basso o un barometro) e nessuna conoscenza preliminare delle dimensioni dei membri della squadra o delle proprietà della superficie.
3. Validazione Sperimentale: L'approccio è stato validato su piattaforme eterogenee (UAV grandi e piccoli MAV) sia in ambienti interni che esterni, dimostrando robustezza rispetto a condizioni di illuminazione variabili e tipi di superficie (PVC, piastrelle, acqua).

Risultati

• Prestazioni Indoor: Gli esperimenti condotti su pavimenti in PVC e piastrellati in condizioni di luce diurna e notturna hanno mostrato un funzionamento affidabile. L'Errore Assoluto Medio (MAE) è stato costantemente più basso lungo l'asse verticale (z) (circa 0,08–0,12 m) e più alto lungo l'asse ottico (x) (circa 1,22–2,12 m), come previsto per la stima della profondità monoculare. Il sistema è stato eseguito con successo in tempo reale su hardware a bassa potenza di calcolo (Raspberry Pi 5).
• Prestazioni Outdoor: Negli esperimenti all'aperto sull'acqua, il metodo ha raggiunto una portata efficace superiore a 30 metri.
• Confronto con lo Stato dell'Arte: Rispetto al metodo UVDAR (che si basa sul rilevamento in linea retta di spaziature di marcatori noti):
  • Il metodo basato su riflessioni ha mantenuto un'alta accuratezza a distanze superiori a 30 m, mentre UVDAR ha mostrato difficoltà oltre i 20 m.
  • Lungo l'asse ottico (x), il metodo proposto ha ridotto il MAE dal 18,5% al 37,3% rispetto a UVDAR, con miglioramenti statisticamente significativi (p-value < 0,05).
  • Lungo l'asse laterale (y), sono stati osservati miglioramenti dal 13,9% al 58,7% in esperimenti specifici.
  • L'accuratezza verticale (z) è stata comparabile a quella di UVDAR, senza differenze statisticamente significative.
• Robustezza: L'analisi di sensibilità ha indicato che bias sistematici di altezza fino a ±15% hanno provocato solo variazioni minori nell'accuratezza di localizzazione, confermando la robustezza del metodo.

Significato
Il documento afferma che questo lavoro rappresenta la prima esplorazione della localizzazione relativa per sistemi multi-robot utilizzando riflessioni superficiali. Trasformando un artefatto tipicamente indesiderato (le riflessioni) in un segnale utile, il metodo estende la portata operativa della localizzazione basata sulla visione ed elimina la dipendenza da configurazioni di marcatori predefiniti. Ciò consente soluzioni efficienti e compatte per voli di formazione cooperativa ravvicinati in ambienti interni confinati e operazioni marine, in particolare laddove il GNSS non è disponibile e i sistemi tradizionali basati su marcatori sono limitati da vincoli di dimensioni o illuminazione. L'approccio offre un'alternativa leggera ed economicamente vantaggiosa che potenzia l'autonomia di squadre eterogenee di UAV.