Aplikace Kalmanova filtru pro vylepšení lokalizace multi-rotorového UAV

Abstract

Cílem této práce je vyvinout matematický aparát pro koaxiální hexakoptéru, vybavenou IMU (intertial measurement unit) a GNSS (global navigation satellite system) senzory, který zvýší přesnost lokalizace tohoto letounu pomocí jeho matematického modelu s využitím přístupu Kalmanova filtrování. Důraz je kladen především na vylepšení dat z GNSS senzoru, neboť přesnost dat z IMU již splňuje požadované nároky. Pro ověření očekávaného zlepšení byly zvoleny dvě metody. Hlavní z nich je matematická analýza dvou trajektorií zkonstruovaných jednak ze surových dat samotného GNSS senzoru a druhak ze zpracovaných dat, která jsou výstupem z Kalmanova filtru. Pro druhou metodu je do systému zaveden třetí senzor, lidar (light detection and ranging). Při letu UAV jsou zaznamenána data ze všech tří senzorů, následně jsou zkonstruovány dva modely mračen bodů pomocí dvou trajektorií popsaných výše. Pohledovým porovnáním lze určit zda mračno bodů ze zpracovaných dat dosahuje vyšší přesnosti. Výstupem této práce je především matematický model fyzického letounu a filtrační aparát pro zvýšení přesnosti lokalizačních dat. Dále byly vyvinuty algoritmy pro záznam surových dat jednotlivých senzorů a jejich následné využití pro konstrukci 3D modelu.

The purpose of this work is to develop mathematical apparatus for a coaxial hexacopter, equipped with IMU (inertial measurement unit) and GNSS (global navigation satellite system) sensors, which will improve the accuracy of the aircraft's localization based on its mathematical model involving Kalman filtering approach. The main goal is to improve data from GNSS sensor as the data from IMU already satisfy the required qualities. Two methods were chosen to verify the expected improvement. The primary one is a mathematical analysis of the aircraft's trajectories constructed using raw data from GNSS sensor for one model and processed data from Kalman filter for the other one. The secondary method involves usage of another sensor in the system, a lidar (light detection and ranging). Raw data of all three sensors is acquired during a flight of the aircraft. Then two point cloud models are constructed using the two trajectories data described above. Visual comparison is used to determine if the point cloud from processed data has better accuracy than the one from raw data. Primary results of this work are a mathematical model of the real aircraft and filtering apparatus which increases localization data accuracy. Moreover, algorithms for raw data acquisition and its fusion into 3D models were developed.