Autonomous flight and obstacle avoidance of a nano-quadcopter using a SLAM-based approach

In this thesis project, the problem of achieving autonomous flight of a nano-quadcopter while avoiding obstacles was investigated. A SLAM-based approach was adopted to allow the nano-quadcopter to autonomously navigate in an unknown environment while avoiding any obstacles present. The nano-quadcopter used in this thesis was the Crazyflie 2.1. The frameworks is implemented through the exploitation of the Robotic Operating System (ROS). A particle filter-based mapping algorithm, namely the GMapping that utilises the Rao-Blackwellized Particle Filter, was implemented on the nano-quadcopter to map its surroundings by taking readings from on-board laser sensors. In order for the quadcopter to know its position within the map created, a particle filter-based localisation algorithm was implemented. For the quadcopter to navigate inside the mapped environment, a ROS-based navigation stack that works through the use of a global planner and a local planner was relied on. Finally, all these algorithms were put together to achieve autonomous flight and obstacle avoidance through Simultaneous Localisation and Mapping (SLAM). Tests were first executed on the physics-based Gazebo simulation before being executed on the real nano-quadcopter. Despite the Crazyflie suffering from spare sensor readings, it was demonstrated that the goal of the thesis was still achievable.

In questo progetto di tesi è stato studiato il problema di ottenere il volo autonomo di un nano-quadcopter evitando gli ostacoli. È stato adottato un approccio basato su SLAM per consentire al nano-quadcopter di navigare autonomamente in un ambiente sconosciuto evitando gli ostacoli presenti. Il nano-quadcopter utilizzato in questo lavoro di tesi è stato il Crazyflie 2.1. Il framework è implementato attraverso lo sfruttamento del Robotic Operating System (ROS). Sul nano-quadcopter è stato implementato un algoritmo di mappatura basato su filtri di particelle, il GMapping, che utilizza il Rao-Blackwellized Particle Filter, per mappare l'ambiente circostante prendendo le letture dai sensori laser di bordo. Per far sì che il quadcopter conosca la sua posizione all'interno della mappa creata, è stato implementato un algoritmo di localizzazione basato su un filtro di particelle. Per far sì che il quadcopter navighi all'interno dell'ambiente mappato, è stato utilizzato uno stack di navigazione basato su ROS che funziona attraverso l'uso di un pianificatore globale e di un pianificatore locale. Infine, tutti questi algoritmi sono stati messi insieme per ottenere il volo autonomo e l'evitamento degli ostacoli attraverso la localizzazione e la mappatura simultanea (SLAM). I test sono stati eseguiti prima sulla simulazione Gazebo basata sulla fisica e poi sul nano-quadcopter reale. Nonostante il Crazyflie soffrisse di letture di sensori insufficienti, è stato dimostrato che l'obiettivo della tesi era ancora raggiungibile.