Optimal and robust UAV state estimation based on Gps and optical flow

Nowadays the UAVs (Unmanned Aerial Vehicles) represent a wide field of research and development because of the versatility shown in a lot of application fields, both military and civilian. This leads the UAVs to face up with different and more insidious environments of work, so, in the last years, the navigation system of drones has continuously improved with new kinds of sensors and technologies. One of the most challenging way is about the integration of optical technologies in order to equipped the UAV with the vision. The idea to compute a quantity called optical flow vector, that represents the relative motion of the environment around the observer, and integrate it in a position and velocity estimation process, could improve and make robust the pre-existing navigation system, allowing the autonomous flight of the UAV in cluttered or indoor environment. The purpose of this thesis work is to integrate an optical flow sensor, called Px4Flow, on board of an UAV, already equipped with an inertial measurement unit and a Gps receiver, and to implement a Kalman filter, able to manage this integration, that gives a reliable estimation of the position and the velocity of the drone. The first goal to achieve is to identify the output of the sensor by flight test activity and to find a relation between the optical flow and the velocity that we want to estimate. The found relation must be integrated in the mathematical model. For the estimation, in detail, a Kalman filter based on Gps and optical flow measurements has been implemented. The most important requirement, in order to reach the aim of the thesis, is to implement a Kalman filter able to manage the multi-rate problem given by the different sampling frequency of the sensors. The thesis work presents also a supplementary implementation of the H-infinity filter in a suitable form for the already implemented architecture of the Kalman filter. The aim of this addition, is to give the possibility to change the performance of the filter, changing the measurement covariance matrix. The finalization of this work consists of applying the implemented filters on real data set collected during indoor and outdoor flights, and evaluate the estimation results. What we want to state is: if obtaining reliable estimates of position and velocity in outdoor and indoor environment using the optical flow measurements is possible; if the Gps and optical flow measurements can be fused together in a Kalman filter, making the estimate more robust.

Al giorno d’oggi, gli UAVs (Unmanned Aerial Vehicls), comunemente noti col nome di droni, rappresentano un grosso ambito di ricerca e sviluppo, grazie alla versatilità che, questi velivoli, hanno dimostrato di avere in applicazioni militari e civili. Questo ha portato i droni ad essere applicati in diverse condizioni ambientali sempre più insidiose, e di conseguenza a cercare di migliorare il loro sistema di navigazione con sempre più nuove tecnologie e sensori. Una delle idee maggiormente stimolanti è quella di introdurre a bordo tecnologie di tipo ottico, in modo tale da donare la ”vista” al velivolo. L’idea di calcolare una nuova grandezza, chiamata vettore optical flow, e di integrarla in un processo di stima di posizione e velocità, potrebbe migliorare e rendere più robusto il preesistente sistema di navigazione, permettendo, così, il volo autonomo del drone in ambienti congestionati o al chiuso. L’obiettivo di questa tesi è di utilizzare un sensore, chiamato Px4Flow, atto alla misurazione dell’optical flow, ed integrarlo a bordo di un drone già munito di una IMU (inertial measurement unit) e di un’antenna Gps; quindi implementare un filtro di Kalman, in grado di gestire questa integrazione, che ci restituisca una stima affidabile di posizione e velocità del drone. Il primo obiettivo è identificare l’output del suddetto sensore ottico, eseguendo un’attività di test di volo e trovare quindi una relazione tra il vettore optical flow e la velocità che vogliamo stimare. Una volta trovata tale relazione si procederà ad integrarla all’interno del modello matematico su cui verrà utilizzato il filtro di Kalman. Il requisito fondamentale, è implementare un filtro di Kalman che utilizzi le misurazioni del Gps e di optical flow e che sia in grado di gestire il problema di ”multi-rate” dovuto alle diverse frequenze di campionamento dei vari sensori. Il lavoro di tesi prevede anche la supplementare implementazione di un filtro H-infinito in una forma adattabile all’architettura del suddetto filtro di Kalman, con l’obiettivo di fornire la possibilità di far variare le performance del filtro, agendo sulla matrice di covarianza delle misurazioni. Infine il lavoro è stato finalizzato, applicando il filtro implementato sui dati reali raccolti durante una campagna di test di volo interni ed esterni, e valutandone quindi i risultati. Le conclusioni a cui vogliamo giungere sono: determinare se è possibile ottenere stime affidabili di posizione e velocità, utilizzando le misurazioni di optical flow, in ambienti interni ed esterni; determinare se il Gps e l’optical flow possono essere utilizzati insieme all’interno di un filtro di Kalman, rendendo la stima più robusta.