Multi-sensor state estimation for autonomous navigation of micro aerial vehicles in GNSS reception deprived environments

Abstract

Navigation is a key capability of Micro Aerial Vehicles (MAVs). It includes perception, localization, motion control, cognition and obstacle avoidance as the main competences. It may be accomplished by an external operator or onboard flight management system, known as remotely piloted and autonomous systems respectively. The agility of MAVs and complexity of their operating environments have favoured autonomous navigation solutions, which are predominantly Global Navigation Satellite System (GNSS)-based, over remotely piloted solutions. But GNSS technology is susceptible to intentional and unintentional interferences, which challenges have motivated the quest for GNSS-independent autonomous navigation solutions. Although navigation is supported by several competences, this research focuses on cognition, specifically, the problem-solving intellectual function. Within the navigation task, one of the main problem solvers is the path planner. The key requirement of any path planner is the ability to find feasible paths. Additionally, for MAVs with the inability to conserve power while searching for a path online, the planner ought to be fast and scale well with the environment. This led to the first goal of developing an online path planner with such performance. Another problem to solve arises when the planned path length exceeds the MAV’s endurance, a case common in coverage tasks. For this, a coverage path planner capable of accounting for vehicle endurance in relation to path length and environment size is required. Lastly, autonomous functioning has enabled deployment of mobile robots on our world and beyond. But knowing the right amount of autonomy required to complete a given task is still a challenge. Several autonomy evaluation frameworks have been proposed over the last three decades, but most of these offer a low resolution categorical output or have inconsistent metrics, raising the need for a better autonomy framework. A path planning ensemble consisting of three concurrently executed single query randomized sampling-based path planners has been proposed for online path planning. A partitioning path planner capable of exact cellular decomposition of large areas of interest into manageable cells using Voronoi decomposition, planning coverage paths and scheduling them on a MAV or a fleet of either homogeneous or heterogeneous MAVs has been proposed as well. Last but not least, a set of four autonomy evaluation metrics, namely capabilities, trust factor, performance capacity and environmental complexity, and their associated mathematical models have also been proposed. Tested in a physics supported graphical simulator, the proposed path planning ensemble demonstrated query adaptability, a high path finding success rate and a short path planning time, suitable for online path replanning with allowance for path smoothing. Also, the lack of implicit environment representation by sampling-based planners meant that the ensemble planner scales well with the environment. The plausibility of the proposed large-scale coverage path planner has been ascertained through a Software-In-the-Loop (SIL) test. Such a planner guarantees coverage, ensures proper resource management and proper mission planning. The autonomy evaluation framework has been tested on three case studies, which together ascertained the plausibility of its models. This framework provides a systematic approach for development and regulation of autonomy.

Die Navigation ist eine der wichtigsten Fähigkeiten von Mikro-Luftfahrzeugen (MAVs). Sie beinhaltet die Hauptkompetenzen Wahrnehmung, Lokalisierung, Stabilitätskontrolle, Kognition und Hindernisvermeidung. Die Navigation kann von einem externen Bediener oder einem bordseitigen Flugmanagementsystem ausgeführt werden, die als ferngesteuerte bzw. autonome Systeme bekannt sind. Die Agilität von MAVs und die Komplexität ihrer Betriebsumgebungen haben autonome Navigationslösungen, die überwiegend auf dem Globalen Navigationssatellitensystem (GNSS) basieren, gegenüber ihren ferngesteuerten Pendants bevorzugt. Aber die GNSS-Technologie ist jedoch anfällig für beabsichtigte und unbeabsichtigte Störungen. Diese Herausforderungen haben die Suche nach GNSS-unabhängigen autonomen Navigationslösungen motiviert. Obwohl die Navigation durch mehrere Kompetenzen unterstützt wird, liegt der Schwerpunkt hier auf der Kognition, Problemlösungskompetenz. Im Rahmen der Navigationsaufgabe ist einer der wichtigsten Problemlöser der Pfadplaner. Die Hauptanforderung an jeden Pfadplaner ist die Fähigkeit, realisierbare Pfade zu finden. Da MAVs jedoch nicht in der Lage sind, während des Flugs Energie zu sparen, ist auch ein schneller Online-Planer erforderlich, der ebenfalls unabhängig von der Kartengröße ist. Da die Flugzeit von MAVs begrenzt ist, wird ein möglichst schneller Online-Planer benötigt. Desweiteren soll die Berechnungsdauer möglichst unabhängig von der Kartengröße sein. Daraus wurde das erste Ziel abgeleitet: die Entwicklung eines Online-Pfadplaners mit oben genannten Fähigkeiten. Ein weiteres Problem ergibt sich, wenn die geplante Pfadlänge die Flugzeit des MAVs übersteigt, was bei Aufgaben, in denen ein Gebiet überwacht werden muss, häufig der Fall ist (engl. “coverage tasks”). Hierfür wird ein Pfadplaner benötigt, der die Flugzeit des Fahrzeugs in Abhängigkeit von der Pfadlänge und der Größe der Umgebung berücksichtigt. Schließlich hat die autonome Funktionsweise den Einsatz von mobilen Robotern in unserer Welt und darüber hinaus ermöglicht. Es ist jedoch nach wie vor eine Herausforderung, das richtige Maß an Autonomie zu finden, das ein System zur Erfüllung einer bestimmten Aufgabe benötigt. In den letzten drei Jahrzehnten wurden mehrere Methoden zur Bewertung der Autonomie vorgeschlagen, aber die meisten von ihnen bieten eine gering aufgelöste kategorische Ausgabe oder haben inkonsistente Metriken, was den Bedarf an einem besseren Framework erhöht. Für die Online-Pfadplanung wurde ein Pfadplanungs-Ensemble vorgeschlagen, das aus drei gleichzeitig ausgeführten Pfadplanern besteht, die zur Kategorie der single-query random sampling Planern gehören. Dies ist ein partitionierender Pfadplaner, der in der Lage ist, eine exakte Zerlegung von großen Interessenbereichen in handhabbare Teilstücke zu zerlegen, indem eine Voronoi-Zerlegung angewendet wird. Anschließend erfolgt die Pfadplanung, die zur Abdeckung notwendig ist. Möglichkeiten zur Anwendung dieser Pläne auf ein einzelnes MAV oder homogene oder heterogene MAVs werden vorgeschlagen. Nicht zuletzt wurden auch vier Autonomiemetriken vorgeschlagen, nämlich Fähigkeiten, Vertrauensfaktor, Leistungskapazität und Umgebungskomplexität mit ihren dazugehörigen mathematischen Modelle. In einem physikalisch unterstützten grafischen Simulator getestet, zeigte das vorgeschlagene Pfadplanungs-Ensemble die Anpassungsfähigkeit von Abfragen, eine hohe Erfolgsrate bei der Pfadfindung und eine kurze Pfadplanungszeit, die für die Online-Planung unter Berücksichtigung der Pfadglättung geeignet ist. Das Fehlen einer impliziten Umgebungsdarstellung bei stichprobenbasierten Planern bedeutete auch, dass der Ensemble-Planer gut mit der Umgebung skaliert. Die Plausibilität des vorgeschlagenen Pfadplaners mit großer Abdeckung wurde durch einen Software-In-the-Loop (SIL)-Test nachgewiesen. Ein solcher Planer garantiert die Abdeckung, sorgt für ein angemessenes Ressourcenmanagement und eine korrekte Missionsplanung. Die vorgeschlagene Methode zur Bewertung der Autonomie wurde an drei Fallstudien getestet, die zusammen die Plausibilität der Modelle bestätigten. Diese Bewertungsmethode bietet einen systematischen Ansatz für die Entwicklung und Regulierung von Autonomie.