Integration of Scan-Matching-based LiDAR Odometry with INS and GNSS for UAVs in Unstructured Natural Environments
Dit artikel stelt een real-time, op een error state Kalman filter gebaseerde navigatiearchitectuur voor die double-differenced GNSS nauw koppelt aan los gekoppelde, scan-matching LiDAR-odometrie om centimeterspecifieke positionering en een significant verbeterde houdingsschatting te bereiken voor UAV's die opereren in ongestructureerde natuurlijke omgevingen waar GNSS-signalen worden gedegradeerd door vegetatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een drone voor die vlak boven een kronkelende rivier vliegt, met als missie het in kaart brengen van het wateroppervlak, het meten van de stroming en het volgen van de gezondheid van de rivier. Om dit nauwkeurig te doen, moet de drone precies weten waar hij is, hoe snel hij beweegt en welke kant hij op wijst. In de open lucht is dit eenvoudig: de drone luistert naar signalen van navigatiesatellieten om zijn locatie te bepalen. Maar rivieren zijn zelden open. Ze zijn vaak omzoomd door hoge bomen en dichte vegetatie die de satellietsignalen blokkeren, waardoor de interne kompas en bewegingssensoren van de drone hun positie moeten gokken. Zonder de satellietsignalen dwalen deze gissingen snel af, zoals een klok die elke uur een minuut verliest, wat uiteindelijk leidt tot een verlies van controle of een crash. De uitdaging voor wetenschappers is om de drone stabiel en accuraat te houden, zelfs wanneer de hemel verborgen is door bladeren en het water beneden geen duidelijke oriëntatiepunten biedt.
Een team onderzoekers uit Denemarken en het Verenigd Koninkrijk heeft een nieuwe manier ontwikkeld om dit probleem op te lossen door drie verschillende soorten sensoren te combineren in één slim systeem. Ze namen een drone uitgerust met een laser scanner, een bewegingssensor en een satellietontvanger, en vlogen ermee over echte rivieren en meren in Denemarken. Het doel was om te zien of ze de laser scanner konden gebruiken om de wereld te "zien" wanneer de satellietsignalen zwak waren, en die informatie vervolgens konden mengen met de bewegingssensor en de satellietgegevens om een perfect navigatiebeeld te crekken. Hun aanpak is anders dan eerdere methoden omdat het niet probeert specifieke vormen te vinden, zoals boomstammen of rotsen, om zich aan vast te leggen. In plaats daarvan koppelt het simpelweg het algemene patroon van de laserpunten van het ene moment naar het andere, een techniek die zelfs werkt wanneer het rivieroppervlak glad is en de bomen wazig zijn.
De onderzoekers testten hun systeem in twee zeer verschillende omgevingen. De eerste was een deel van de Suså-rivier, waar de drone laag over het water vloog, omringd door hoge oevers en bomen die de satellietsignalen regelmatig blokkeerden. De tweede test was een "stress-test"-vlucht die begon boven een open meer, waar de satellietsignalen perfect waren maar de laser scanner bijna niets zag omdat water het laserlicht absorbeert, en vervolgens bewoog naar een smal, door bomen bedekt pad waar de satellietsignalen verdwenen maar de laser scanner werd overspoeld met gegevens van de dichte vegetatie. In beide gevallen moest de computer van de drone schakelen tussen het vertrouwen op satellieten, het vertrouwen op de laser, of het vertrouwen op een combinatie van beide, terwijl hij met hoge snelheid vloog.
De resultaten lieten zien dat deze nieuwe methode aanzienlijk beter werkte dan de standaard manieren om een drone in deze moeilijke omstandigheden te navigeren. Wanneer de onderzoekers hun systeem vergeleken met de beste bestaande methoden, die vertrouwen op het vinden van specifieke geometrische kenmerken zoals randen of hoeken, was hun nieuwe aanpak nauwkeuriger in elke categorie. In de riviertest hield het nieuwe systeem de positie van de drone nauwkeurig binnen enkele centimeters, een niveau van precisie dat moeilijk te bereiken is, zelfs onder ideale omstandigheden. Het verbeterde ook het vermogen van de drone om te weten welke kant hij op wees, waarbij de fouten in de koers met twee derde werden verminderd ten opzichte van de standaardmethode. Dit is cruciaal omdat het weten van de richting vaak het moeilijkste deel van navigatie is wanneer de drone zich door een kenmerkloze omgeving beweegt.
De studie onthulde ook waarom oudere methoden faalden in deze omgevingen. De onderzoekers ontdekten dat systemen die probeerden vast te leggen op specifieke kenmerken, zoals de rand van een boom of een rots, vaak in de war raakten wanneer de wind of de eigen propellers van de drone de bladeren deden trillen, of wanneer het wateroppervlak te glad was om een duidelijk patroon te reflecteren. Door specifieke kenmerken te negeren en in plaats daarvan de algemene wolk van laserpunten te matchen, bleef het nieuwe systeem stabiel, zelfs wanneer de omgeving chaotisch was. Het was in staat om de plotselinge overgang van open lucht naar diep bos aan te kunnen zonder de weg kwijt te raken, een capaciteit waar andere systemen moeite mee hadden. Het systeem was ook snel genoeg om in realtime te draaien op een standaard laptop, wat betekent dat het op een drone geïnstalleerd kan worden voor daadwerkelijk veldwerk zonder dat er een supercomputer nodig is.
Hoewel het systeem zeer succesvol was in het houden van de drone op koers horizontaal, merkten de onderzoekers één resterende beperking op: het was iets minder precies bij het bepalen van de exacte hoogte boven het water. Dit komt omdat de laser scanner de zijkanten van de bomen en de oevers heel goed ziet, wat helpt om de links-rechts en voorwaarts-achterwaartse positie vast te leggen, maar het wateroppervlak zelf biedt heel weinig om de laser aan vast te grijpen om de hoogte te meten. Ondanks dat was de algehele prestatie een grote stap voorwaarts voor het gebruik van drones om rivieren en andere natuurlijke omgevingen te bestuderen. Het werk bewijst dat door een drone zijn weg te laten "voelen" door een bos met behulp van een eenvoudige patroonherkenningsmethode, in plaats van te proberen specifieke objecten te "zien", we deze machines veilig en nauwkeurig kunnen laten vliegen, zelfs in de meest uitdagende, signaalarme hoekjes van de natuurlijke wereld.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.