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

Resumo Técnico: Navegação de UAVs sem GNSS em Escala Quilométrica via Gradientes de Mapas de Altura

Definição do Problema
A navegação confiável de longa distância para Veículos Aéreos Não Tripulados (UAVs) em ambientes onde o Sistema Global de Navegação por Satélite (GNSS) está indisponível permanece um desafio significativo. Métodos padrão de odometria, como Odometria Visual-Inercial (VIO) e Odometria LiDAR-Inercial (LIO), acumulam deriva ilimitada ao longo do tempo, particularmente em áreas nunca vistas anteriormente onde fechamentos de laço estão indisponíveis. Embora a geolocalização baseada em aprendizado profundo ofereça alta precisão, ela é frequentemente proibitiva do ponto de vista computacional para execução em tempo real em plataformas embarcadas com recursos limitados. Por outro lado, sistemas existentes baseados apenas em odometria são eficientes, mas falham em manter erros limitados em trajetórias de escala quilométrica. O problema central abordado é como gerenciar a deriva utilizando dados geoespaciais disponíveis em um UAV de baixa altitude com poder computacional limitado, especificamente sem depender de mapeamento denso prévio ou mapas pré-gravados da área específica da missão.

Metodologia
Os autores apresentam um sistema totalmente embarcado desenvolvido para o Desafio de Voo Totalmente Autônomo SPRIN-D Funke, projetado para navegar uma sequência de 9 km de pontos de passagem abaixo de 25 m acima do nível do solo (AGL) sem GNSS. O sistema integra percepção, mapeamento, planejamento e controle em uma arquitetura coesa executada em hardware apenas com CPU (Intel NUC i7).

• Hardware e Percepção: O UAV utiliza um conjunto heterogêneo de sensores, incluindo um LiDAR Livox Mid-360 para nuvens de pontos densas, um Intel RealSense D435 para percepção de obstáculos de curto alcance e uma câmera RGB Bluefox acoplada a uma Unidade de Medição Inercial (IMU) para VIO (usando OpenVINS). Para garantir a confiabilidade da VIO, a IMU e a câmera são mecanicamente desacopladas da estrutura da aeronave por meio de blocos silenciosos impressos em 3D para atenuar vibrações de alta frequência.
• Pipeline de Localização: A inovação central é um método leve de correção de deriva que funde odometria com dados geoespaciais prévios.
  • Geração de Mapa de Altura: Um mapa de ocupação local é gerado a partir de dados do LiDAR e convertido em um mapa de altura 2D (resolução de 1 m) representando as alturas máximas dos obstáculos dentro dos bins.
  • Correspondência Baseada em Gradientes: Em vez de corresponder elevações absolutas (que são pouco confiáveis devido ao ruído barométrico e à inclinação do terreno), o sistema corresponde os gradientes do mapa de altura local contra um Modelo Digital de Elevação (DEM) geo-referenciado prévio. Apenas gradientes com valores absolutos superiores a 5 m são considerados, filtrando objetos pequenos ou transitórios e enfatizando estruturas estáveis como árvores e edifícios.
  • Correspondência de Modelos: Um coeficiente de correlação não normalizado é usado para comparar os mapas de borda binarizados do mapa de altura local com o mapa prévio.
  • Filtro de Partículas Agrupado: As pontuações de similaridade são fundidas com dados de odometria e bússola em um filtro de partículas. Para lidar com aliasing perceptual e ruído de odometria, o sistema emprega agrupamento K-means no conjunto de partículas, selecionando o centróide do maior agrupamento como a estimativa final de posição.
• Controle de Missão: Uma máquina de estados finitos gerencia a missão, transitando entre navegação, detecção de pontos de passagem (usando um modelo leve YOLOv8n treinado em dados sintéticos e reais) e padrões de busca se um ponto de passagem não for detectado imediatamente.

Contribuições Principais

1. Sistema Totalmente Embarcado: Os autores demonstram um sistema completo de UAV capaz de voo sem GNSS em escala quilométrica abaixo de 25 m AGL, operando inteiramente embarcado sem aceleração dedicada por GPU.
2. Método de Correção de Deriva Inovador: Eles introduzem uma técnica de localização específica baseada na correspondência de modelos de gradientes de mapas de altura derivados de LiDAR. Esta abordagem une pistas estruturais baseadas em LiDAR e informações semânticas, oferecendo uma solução computacionalmente eficiente e robusta para ambientes mistos urbanos e florestais.
3. Validação de Campo: O sistema foi validado no Desafio SPRIN-D em diversos ambientes (urbano, floresta, campos abertos), alcançando uma redução substancial da deriva em comparação com a odometria bruta.

Resultados
O sistema foi avaliado durante o Desafio SPRIN-D na base aérea de Erding.

• Desempenho: A equipe conquistou o primeiro lugar na competição. O sistema executou com sucesso múltiplos voos em escala quilométrica (até ~1,3 km por voo) com um Erro Quadrático Médio (RMSE) de localização geral abaixo de 11 m. Em contraste, a odometria alinhada apenas com bússola apresentou RMSEs de até 53 m.
• Correção de Deriva: Em voos de teste onde a localização foi intencionalmente inicializada 32 m fora da posição real, o sistema conseguiu re-localizar e reduzir o erro para aproximadamente 4 m ao final do voo.
• Robustez Ambiental: O método performou particularmente bem em ambientes urbanos com características distintas. Em campos abertos com menos características, o sistema dependeu mais fortemente da odometria, embora a correspondência de gradientes ainda fornecesse correções quando estruturas distintas eram encontradas.
• Limitações: Os voos foram encerrados principalmente devido a restrições de bateria ou problemas de hardware (por exemplo, falhas em cartões WiFi) e não à deriva de localização, indicando que o algoritmo de localização não foi o principal gargalo para o alcance da missão.

Significado e Alegações
O artigo afirma que o sistema proposto fornece um projeto fundamental para autonomia resiliente sem GNSS. Os autores enfatizam que, para missões de longo alcance, a capacidade de se recuperar de períodos de alta incerteza e re-localizar é mais crítica do que manter um RMSE instantâneo consistentemente baixo. Eles destacam que nenhum sensor único é totalmente confiável (notando a deriva da bússola próximo a concreto armado) e que a fusão de sensores é essencial. O trabalho demonstra que a correspondência leve de dados geoespaciais baseada em gradiente pode corrigir efetivamente a deriva de odometria em diversos ambientes não vistos em hardware com recursos limitados, permitindo a implantação prática de UAVs autônomos em cenários onde o GNSS está indisponível.