Kalman filtering for UAV navigation using optical flow

Nowadays the drone tehnology is used in several activities, civil and military, then it represents a wide field of research and development. Despite the UAVs are still in the infancy stage, in terms of mass adoption and usage, respect to what they can offer, they have already exploited in the industries, decreasing the workload and the production costs, imoproving accuracy, and resolving some security issues. Moreover the UAVs are extensively used for photography, journalism and to capture films; for shipping and delivery; to penetrate extreme enviroments (like mines) and for other several activities. Therefore the navigation system has become an important player, which has been subjected to continious developments and improvements with new kinds of sensors and technologies. In this historical period, the use of optical technologies in order to equipped the UAV with the vision, is of large use. The integration of the aforesaid technology returns an improvement and more robustness to the pre-existing navigation system, allowing the autonomous flight of the UAV in cluttered or indoor enviroment. The purpose of the thesis is to integrate the GPS with the optical sensor, in order to improve the estimation process keeping into account that the noise provided by the sensors is not well known. For this reason three versions of the Kalman filter will be implemented: in the first version the noise will be modeled as a white noise, i.e. the variances will be considered as constants; the second version will keep into account the dynamics of the noises, by means of shape filters, namely systems which take as input a white noise and return as output the noise of interest; the third version of the Kalman filter is based on an adaptive algorithm, in which at each step the variance of the noises is modified according to a certain mathematical law. To reach the aforesaid purposes, the first thing made is to recognize the relation between the output of the optical sensor and the descriptive states of the UAV; then the kinematic model of the UAV and the output equation, which link the measurements provided by the sensor and the state variables, are written; subsequentely the discrete Kalman filter algorithm is drafted and applied to the UAV state space system based on the kinematic equation. Then, for each version of the Kalman filter a path will be followed: for the augmented one, the shape filters are realized, and then the state vector of the UAV is augmented with the states of the shape filters; instead, for the adaptive filter, the base algorithm is modified. Practically the augmented filter is obtained making a re-tuning of the first version of the Kalman filter (that in which the noises are considered white noises), while the adaptive Kalman filter is obtained by modifying the algorithm of the first version of the Kalman filter, adding the equations according to which the variance of the noises is adapted. Once the three Kalman algorithms are implemented the flight test activities are decided and performed. Finally, when the data of the flights are collected, the filtering process is executed. The aim of the work is to evaluate the action of the different versions of the filter, namely if the estimation results are reliable or less in several conditions; and more important if the addition of the dynamics of the noises (second version of the filter) or the use of an adaptive version (third version of the filter), can improve the estimation performances when the UAV is let to fly in bad conditions for the optical technology.

Oggigiorno la tecnologia dei droni è usata in molte attività, civili e militari, perciò rappresenta un largo campo di ricerca e sviluppo. Benché gli UAV siano ancora nella loro fase iniziale, in termini di quantità adottata e uso, rispetto a quello che possono offrire, sono stati sfruttati nell’industria diminuendo il carico di lavoro e i costi di processo, migliorando l’accuratezza, e risolvendo problemi di sicurezza. Inoltre gli UAV sono estensivamente usati per la fotografia, giornalismo e per catturare film; per spedizioni e consegne; per penetrare ambienti estremi (come miniere) e per altre molte attività. Quindi il sistema di navigazione è diventato un importante giocatore, che è stato soggetto a continui sviluppi e miglioramenti con nuove tipologie di sensori e tecnologie. In questo periodo storico, l’uso di tecnologie ottiche che permettano all’UAV la visione, sono di largo uso. L’integrazione delle suddette tecnologie portano un miglioramento e una maggiore robustezza al pre-esistente sistema di navigazione, permettendo il volo autonomo dell’UAV in ambienti chiusi. Il proposito di questa tesi è di integrare le misure del GPS con quelle del sensore ottico, in modo da migliorare il processo di stima tenendo in conto che il rumore fornito dai sensori non è ben noto. Per questa ragione tre versioni del filtro di Kalman saranno implementate: nella prima versione il rumore sarà modellato come rumore bianco, cioè le varianze in gioco saranno considerate costanti; la seconda versione terrà in conto la dinamica dei rumori, per mezzo dei filtri di forma, cioè sistemi che prendono come input un rumore bianco e restituiscono come output il rumore di interesse; la terza versione del filtro di Kalman è basata su un algoritmo adattivo, in cui ad ogni step la varianza del rumore è modificata secondo una certa legge matematica. Per il raggiungimento del suddetto obiettivo, la prima cosa da fare è riconoscere la relazione tra l’output del sensore ottico e gli stati descrittivi dell’UAV; quindi il modello cinematico dell’UAV e l’equazione degli output, che lega le misure fornite dai sensori e le variabili di stato, sono scritte; successivamente l’algoritmo del filtro di Kalman discreto è redatto e applicato al sistema agli stati dell’UAV, basato sulle equazioni della cinematica. Per ciascuna versione del filtro di Kalman, un diverso procedimento sarà eseguito: per il filtro aumentato, sono realizzati i filtri di forma, e successivamente il vettore delle variabili di stato dell’UAV è aumentato con gli stati dei filtri di forma; per il filtro adattivo, l’algoritmo di base è invece modificato. Praticamente il filtro aumentato è ottenuto attraverso una ritaratura della prima versione del filtro di Kalman (quella in cui i rumori erano considerati bianchi), mentre il filtro di Kalman adattivo è ottenuto modificando l’algoritmo della prima versione del filtro di Kalman, aggiungendo le equazioni secondo le quali la varianza dei rumori è adattata. Una volta che i tre algoritmi di Kalman sono implementati, le attività di volo sono decise e condotte. In conclusione, quindi i dati di volo sono raccolti e il processo di filtraggio è eseguito. L’obiettivo di questo lavoro è di valutare l’azione delle differenti versioni del filtro, cioè se i risultati di stima sono affidabili o meno in diverse condizioni; e più importante se l’aggiunta della dinamica dei rumori (seconda versione del filtro) o l’utilizzo di un approccio adattivo (terza versione del filtro), possono migliorare le prestazioni della stima, quando l’UAV è lasciato volare in cattive condizioni per la tecnologia ottica.