UAVs tracking with integration of machine learning techniques

The rapid adoption of Unmanned Aerial Vehicles (UAVs) for autonomous operations across industries has highlighted the critical need for reliable localization systems, especially in environments where GPS signals are unreliable or unavailable. Traditional GPS-dependent methods fail in complex, GPS-denied environments like urban canyons, tunnels, and dense infrastructure, where satellite signals are either reflected or blocked. Addressing this limitation, recent research has turned toward multi-sensor fusion, vision-based solutions, and radio frequency (RF)-based localization methods that utilize signals from wireless networks, including the latest generation of cellular technology. However, these approaches present their own challenges, particularly in urban scenarios with multipath interference and non-line- of-sight (NLoS) conditions, impacting localization accuracy. This paper explores a comprehensive approach to enhancing UAV localization in GPS- denied scenarios by leveraging 5G New Radio (NR) technology, RF signal processing, and machine learning (ML) techniques. With 5G’s advanced features—such as beamforming, massive multiple-input multiple-output (MIMO) antennas, and densified base stations—significant potential exists to improve localization by maintaining higher probabilities of line-of-sight (LoS) links and reducing NLoS interference. ML models are used to compensate for signal degradation in NLoS environments by learning signal propagation patterns and assisting in position prediction. These models, however, require considerable computational power and large datasets, which limit their application in real-time and large-scale outdoor settings. This research addresses these challenges through a hybrid methodology that integrates ML with the Extended Kalman Filter (EKF), a widely-used framework for real-time navigation and tracking. By fusing EKF with ML-based pattern recognition, this approach allows for more robust UAV localization in GPS-denied settings, leveraging 5G RF measurements, such as time-of-arrival and angle-of-arrival, along with inertial sensor data. A key contribution of this work is the development of a high- fidelity dataset tailored to the 5G localization landscape in urban areas. This dataset, generated using OpenStreetMap for 3D city mapping and Matlab’s ray-tracing capabilities, simulates complex urban environments, capturing the RF characteristics relevant to UAV navigation in challenging, NLoS-rich scenarios. The proposed system will be evaluated on various UAV trajectories and urban scenarios, providing a detailed performance analysis in terms of localization accuracy, computational efficiency, and scalability. The findings of this research advance UAV localization methods, offering a feasible, high-accuracy solution for real-world GPS-denied applications, and setting the foundation for future developments in autonomous UAV navigation.

La rapida adozione dei Veicoli Aerei Senza Equipaggio (UAV) per operazioni autonome in diversi settori ha evidenziato la necessità cruciale di sistemi di localizzazione affidabili, soprattutto in ambienti in cui i segnali GPS sono inaffidabili o non disponibili. I metodi tradizionali basati sul GPS risultano inefficaci in ambienti complessi e privi di GPS, come canyon urbani, tunnel e infrastrutture dense, dove i segnali satellitari vengono riflessi o bloccati. Per affrontare questa limitazione, la ricerca recente si è concentrata su soluzioni che combinano fusioni di sensori multipli, sistemi di visione e metodi di localizzazione basati su radiofrequenze (RF), sfruttando segnali delle reti wireless, compresa la tecnologia cellulare di ultima generazione. Tuttavia, questi approcci presentano sfide proprie, in particolare in scenari urbani con interferenze multi-percorso e condizioni di non linea di vista (NLoS), che influenzano l'accuratezza della localizzazione. Questo studio esplora un approccio completo per migliorare la localizzazione degli UAV in scenari privi di GPS, sfruttando la tecnologia 5G New Radio (NR), l'elaborazione dei segnali RF e le tecniche di apprendimento automatico (ML). Grazie alle caratteristiche avanzate del 5G—come il beamforming, le antenne massive multiple-input multiple-output (MIMO) e le stazioni base densificate—esiste un potenziale significativo per migliorare la localizzazione mantenendo elevate probabilità di collegamenti con linea di vista (LoS) e riducendo le interferenze NLoS. I modelli ML vengono utilizzati per compensare il degrado del segnale in ambienti NLoS apprendendo i pattern di propagazione del segnale e supportando la previsione della posizione. Tuttavia, tali modelli richiedono una potenza di calcolo considerevole e ampi set di dati, limitando la loro applicazione in tempo reale su vasta scala all'aperto. Questa ricerca affronta tali sfide attraverso una metodologia ibrida che integra ML con il Filtro di Kalman Esteso (EKF), un quadro ampiamente utilizzato per la navigazione e il tracciamento in tempo reale. Integrando l’EKF con il riconoscimento di pattern basato su ML, questo approccio consente una localizzazione più robusta degli UAV in ambienti privi di GPS, sfruttando le misurazioni RF del 5G, come il tempo di arrivo e l'angolo di arrivo, insieme ai dati dei sensori inerziali. Un contributo fondamentale di questo lavoro è lo sviluppo di un set di dati ad alta fedeltà adattato al contesto di localizzazione 5G in aree urbane. Questo set di dati, generato utilizzando OpenStreetMap per la mappatura 3D della città e le capacità di ray-tracing di Matlab, simula ambienti urbani complessi, catturando le caratteristiche RF rilevanti per la navigazione degli UAV in scenari difficili, ricchi di NLoS. Il sistema proposto sarà valutato su varie traiettorie di UAV e in scenari urbani diversi, fornendo un'analisi dettagliata delle prestazioni in termini di accuratezza della localizzazione, efficienza computazionale e scalabilità. I risultati di questa ricerca migliorano i metodi di localizzazione per UAV, offrendo una soluzione praticabile e di alta precisione per applicazioni reali in assenza di GPS, e stabiliscono le basi per futuri sviluppi nella navigazione autonoma degli UAV. Parole chiave: UAV, Localizzazzione, Machine Leanrning.