Model identification and statistical analysis in visual odometry on an UAV

During the last years, the process of Visual Odometry (VO) has acquired a relevant importance in unmanned machines, such as robots and both ground and aerial vehicles, thanks mainly to the constant cost decrease and performance improvement in technologies. VO can be used in sinergy with other tools in order to acquire a greater precision and has the advantage to be totally independent from external infrastructures and radio signals. Few attempts, however, have been done to study the effects of environmental conditions on behavior and time accumulation of errors in VO systems. The purpose of this thesis is to model the errors in the estimation of position in a VO system on a drone and to identify dependences on environmental conditions in the odometry process. A campaign of experimental flights has been designed and carried out; the dynamics of the errors in the resulting data has been studied using both the Allan Variance (AVAR) technique and a model identification algorithm; Kalman predictors have been built in order to compare errors from the identified models with real errors. The effects on experimental conditions on some relevant quantities have been studied using the Analysis of Variance (ANOVA) and some involved quantities have been parametrically modeled.

Negli ultimi anni, il processo di odometria visuale ha acquisito una certa importanza nei macchinari, come robot e veicoli aerei e terrestri, principalmente grazie al costante abbassamento dei costi ed al costante miglioramento tecnologico. L’odometria visuale puo` essere impiegata unitamente ad altri sistemi allo scopo di ottenere una precisione migliore ed ha il vantaggio di essere totalmente indipendente da infrastrutture e segnali in radiofrequenza esterni. Pochi sono stati, tuttavia, i tentativi di studiare come le condizioni ambientali influiscano sul comportamento e sulla modalità di accumulazione nel tempo degli errori nei sistemi di odometria visuale. Questa tesi è finalizzata a presentare un processo di modellazione degli errori di stima della posizione nel sistema di odometria visuale di un drone ed a individuare dipendenze dalle condizioni ambientali all’interno del processo di odometria. È stata progettata e messa in opera una campagna di voli sperimentali del drone; la dinamica degli errori è stata analizzata a partire dai dati raccolti impiegando la tecnica delle Varianze di Allan ed un algoritmo per l’identificazione di modelli; sono stati costruiti dei predittori di Kalman per comparare gli errori calcolati con i modelli identificati e gli errori reali. L’influenza delle condizioni sperimentali su alcune quantita` di interesse `e stata studiata mediante Analisi della Varianza; di alcune quantit`a coinvolte sono stati realizzati modelli parametrici.