Real-Time Vision-Aided Inertial Navigation for Vertical Take-Off and Landing of Unmanned Aerial Vehicles
Abstract
Denne oppgaven presenterer en analyse av Visual Inertial Odometry (VIO) som en tilstandsestimator for autonome fly med faste vinger under vertikal start og landing (VTOL). Etteoretisk grunnlag for VIO presenteres sammen med noen av dets egenskaper knyttet til flyapplikasjoner. Senere gis en omfattende beskrivelse av et spesifikt rammeverk, kalt ROVIO.Dette rammeverket har blitt testet på et maskinvareoppsett for stereo VIO bygget for å samle inn datafor oppgaven. Oppsettet presenteres i detalj sammen med kalibreringsmetoden som er brukt.Ved å bruke dette oppsettet er det utført forskjellige eksperimenter for å analysere hvordan systemets presisjon påvirkes av forskjellige parametere, bevegelser og konfigurasjoner. Disseeksperimentene er for det meste relatert til den lange avstanden til visuelle objekter i et typisk VTOLdataset. Analysen konkluderer ikke overraskende med at den initielle dybdeverdien gitt tilsystemet har en betydelig effekt på nøyaktigheten. Det blir også klart atinitialisering av systembanen med tilstrekkelig bevegelse kan få objektsdybder til å konvergereraskere, noe som reduserer den totale feilen. Presisjonen er også undersøkt på tvers av forskjellige kamera avstander (grunnlinjer), og avslørte ingen klar korrelasjon. Dette skyldes sannsynligviskalibreringsproblemer, noe som sannsynligvis er et resultat av hyppige remonteringer av kameraene. Til slutt blir en analyse av forskjellen mellom stereo og monokulære systemer gjennomført, som viser fordeler ogulemper ved begge konfigurasjonene.Det viktigste bidraget til oppgaven er en foreslått utvidelse av ROVIO, sombygger på antakelser om driftsmiljøet i et VTOL-scenario. Ved å anta etflatt landingsområde, har algoritmen blitt utvidet til å estimere posisjonen til dette flate området. Meddette anslaget kan visuelle objekter filtreres ut hvis de ligger tilstrekkelig langt unna. Andre objekter kan blioppdatert i retning av bakkeestimatet, for å forbedre deres posisjonsnøyaktighet. Detaljerav utvidelsen presenteres i rapporten, sammen med lovende resultater av ytelsen.Selv om denne spesifikke utvidelsen er skreddersydd for ROVIO, bør det generelle konseptet være implementerbart for flere VIO-algoritmer. This thesis presents an analysis of Visual Inertial Odometry (VIO) as a state estimationsolution for autonomous fixed wing aircraft during vertical take-off and landing (VTOL). Atheoretical foundation of VIO is presented together with some of its properties related to aerialapplications. Later, an extensive description of a specific framework, called ROVIO, is given.This framework has been tested on a hardware setup for stereo VIO built for collecting datafor the thesis. The setup is presented in detail together with the calibration approach used.Using this setup, different experiments have been conducted to analyze how the systemsperformance may be affected by different parameters, motions and configurations. Theseexperiments are mostly related to the long distance to visual features in a typical VTOLscenario. The analysis can conclude, not surprisingly, that the initial depth value given toimage features have a significant effect on the system accuracy. It also becomes clear thatinitializing the system trajectory with sufficient movement can make feature depths convergemore quickly, reducing the overall error. Investigating the performance with different cam-era distances (baselines), revealed no clear correlation. This is likely due to quite apparentcalibration issues, probably resulting from frequent camera remounts. Finally, an analysis ofthe difference between stereo and monocular systems is conducted, showing advantages anddisadvantages of either configuration.The most important contribution of the thesis is a proposed extension to ROVIO, whichbuilds on an assumption of the operating environment in a VTOL scenario. By assuming aflat landing area, the algorithm has been extended to estimate the position of this plane. Withthis estimate, features can be filtered out if they lie sufficiently far away. Other features can beupdated in the direction of the ground estimate, to improve their position accuracy. Detailsof the extension is presented in the report, together with promising results of its performance.Although this specific extension is tailor-made for ROVIO, the general concept should beapplicable for any VIO algorithm.