Simulation and development of a drone's autonomous flight termination system

This thesis aims to provide a foundation for the development of a simulator for an Autonomous Flight Termination System (AFTS) in emergency situation, for rotary-wing drones. It seeks to study the current state of the art in the field of autonomous drone landing by providing an overview of the most recent literature, classifying various systems based on their level of autonomy. Subsequently, a simulator will be implemented in MATLAB/ Simulink, based on the Unreal Engine graphics engine and the Cesium ION library for map generation. Two innovative modules in the control chain that enable the identification of the Flight Termination Point (FTP) in emergency conditions will be a neural network based on the ResNet architecture for semantic segmentation of images captured by the drone’s equipped camera, and a landing coordinate decision and prioritization algorithm based on image morphology operations. The process of choosing the dataset for training the neural network will be analyzed, and the two architectures, ResNet18 and ResNet50, will be compared. Finally, the limitations of the implemented system will be listed to understand its potential and future development direction.

Questo lavoro di tesi intende dare una base di lavoro per lo sviluppo di un simulatore per un sistema autonomo di atterraggio di emergenza (Autonomous Flight Termination System AFTS) per droni ad ala rotante. Si vuole studiare l’attuale stato dell’arte nel campo dell’atterraggio autonomo dei droni dando una panoramica della letteratura più recente classificando i vari sistemi in base al loro livello di autonomia. Successivamente si implementerà in MATLAB/Simulink un simulatore, basato sul motore grafico Unreal Engine e dalla libreria Cesium ION per la generazione della mappe. I due moduli innovativi nella catena di controllo che permettono l’identificazione del Flight Termination Point (FTP) in condizione di emergenza saranno una rete neurale basata sull’architettura ResNet per la segmentazione semantica delle immagini catturate dalla videocamera equipaggiata sul drone e un algoritmo di decisione e prioritizzazione della coordinata di atterraggio basato su operazioni di morfologia delle immagini. Si analizzerà il processo di scelta del dataset per l’addestramento della rete neurale e verranno comparate le due architetture ResNet18 e ResNet50. Infine verrano elencati i limiti del sistema implementato per capire le potenzialità e la futura direzione di sviluppo.