Sebelokalizace bezpilotní helikoptéry pomocí vizuálně-inerciální odometrie

Abstract

Tato práce se zabývá vhodností použití algoritmů vizuálně-inerciální odometrie (VIO) pro integraci do zpětnovazebního řízení bezpilotního letounu (UAV). Hlavní část této práce je zaměřena na porovnání vybraných VIO algoritmů z hlediska přesnosti estimace polohy UAV v závislosti na použité orientaci kamery, snímkové frekvenci použité kamery, rychlosti UAV a vhodnosti použití ve zpětnovazebním řízení. Dle prvotního průzkumu na základě přesnosti, dostupnosti a vhodnosti VIO algoritmů pro použití na UAV byly vybrány tři algoritmy, a to S-MSCKF, SVO a VINS-Fusion. Výkonnost VIO algoritmů pro zpětnovazební řízení je testována jak v simulačním, tak v reálném prostředí. Dále je implementováno vyhlazování trajektorie, které vyhladí trajektorii použitím akceleračních omezení dynamiky UAV. Takový filtr zlepšuje nejen přesnost odhadu pozice z VIO, ale také podobnost řídící reference vygenerované ze sledované trajektorie. V poslední části jsou použité VIO algoritmy testovány ve zpětnovazebním řízení UAV jak v simulačním, tak v reálném prostředí.This thesis is concerned with visual-inertial odometry (VIO) algorithms and their usability and suitability for integration into the feedback loop of the unmanned aerial vehicle (UAV) control system. The main part of the thesis is focused on the comparison of chosen VIO algorithms in terms of pose estimation precision for chosen camera mounting orientations, camera frame rate, UAV velocity and the feedback suitability. According to prior survey of VIO algorithms precision, availability and fitness on UAV deployment, three VIO algorithms are chosen for this thesis, namely S-MSCKF, SVO, and VINS-Fusion. The VIO algorithms performance is evaluated in both the simulation environment and the real environment to prove the suitability for feedback loop integration. The trajectory-shaping filter was implemented to smooth the trajectory by constraining the accelerations according to the UAV dynamics. Such filter improves not only the precision of VIO pose estimation but also the similarity of the control reference generated from the tracked trajectory. Lastly, the feedback integration for tested algorithms is presented for all used VIO algorithms in the simulator and partially in the real deployment.