UAV Navigation using Local Computational Resources : Keeping a target in sight

• Main Author: Cardell, Magnus
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2021
• Subjects: Unmanned aerial vehicle; Path planning; On-board computation; Autonomy; Obemannade drönare; Vägplanering; Lokala beräkningar; Autonomi; Computer and Information Sciences; Data- och informationsvetenskap
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-291229

When tracking a moving target, an Unmanned Aerial Vehicle (UAV) mustkeep the target within its sensory range while simultaneously remaining awareof its surroundings. However, small flight computers must have sufficientenvironmental knowledge and computational capabilities to provide real-timecontrol to function without a ground station connection. Using a Raspberry Pi4 model B, this thesis presents a practical implementation for evaluating pathplanning generators in the context of following a moving target. The practicalmodel integrates two waypoint generators for the path planning scenario: A*and 3D Vector Field Histogram* (3DVFH*). The performances of the pathplanning algorithms are evaluated in terms of the required processing time,distance from the target, and memory consumption. The simulations are runin two types of environments. One is modelled by hand with a target walkinga scripted path. The other is procedurally generated with a random walker.The study shows that 3DVFH* produces paths that follow the moving targetmore closely when the actor follows the scripted path. With a random walker,A* consistently achieves the shortest distance. Furthermore, the practicalimplementation shows that the A* algorithm’s persistent approach to detectand track objects has a prohibitive memory requirement that the Raspberry Pi4 with a 2GBRAMcannot handle. Looking at the impact of object density, the3DVFH* implementation shows no impact on distance to the moving target,but exhibits lower execution speeds at an altitude with fewer obstacles to detect.The A* implementation has a marked impact on execution speeds in the formof longer distances to the target at altitudes with dense obstacle detection.This research project also realized a communication link between thepath planning implementations and a Geographical Information System (GIS)application supported by the Carmenta Engine SDK to explore how locallystored geospatial information impact path planning scenarios. Using VMapgeospatial data, two levels of increasing geographical resolution werecompared to show no performance impact on the planner processes, but asignificant addition in memory consumption. Using geospatial informationabout a region of interest, the waypoint generation implementations are ableto query the map application about the legality of its current position. === När en obemannade luftfarkost, även kallad drönare, spårar ett rörligt mål, måste drönaren behålla målet inom sensorisk räckvidd medan den håller sig uppdaterad om sin omgivning. Små flygdatorer måste dock ha tillräckligt med information om sin omgivning och nog med beräkningsresurser för att erbjuda realtidskontroll utan kommunikation med en markstation. Genom att använda en Raspberry Pi 4 modell B presenterar denna studie en praktisk applicering utav vägplanerare som utvärderas utifrån deras lämplighet att följa ett rörligt mål. Den praktiska implementationen jämför två vägplaneringsalgoritmer: A* och 3D Vector Field Histogram* (3DVFH*). Vägplaneringsalgoritmernas prestanda utvärderas genom att studera deras hastighet, avstånd från målet och minnesresurser. Vägplaneringsalgoritmerna utvärderas i två situationer. Den första är en simulationsvärld som är gjord för hand där målet rör sig efter en fördefinierad väg. Den andra är en procedurellt genererad värld där målet rör sig slumpmässigt. Studien visar att 3DVFH* producerar vägar som håller drönaren närmare målet när målet rör sig efter en fördefinierad väg. Med en slumpvandring i en procedurell värld är A* närmast målet. Resultaten från Raspberry Pi visar också att A* algoritmen sätter prohibitivt höga minneskrav på Raspberry Pi 4 som bara har 2GBRAM. Studerar man påverkan av synbara objekt på avståndet till målet så ser man ingen för 3DVFH* algoritmens egenskap att hålla sig nära, men man ser snabbare bearbetningshastighet när det är färre objekt att upptäcka. A* algoritmen ser en påverkan på dess distans från målet när fler objekt finns att upptäcka. Denna studie visar också hur en kommunikationslänk mellan vägplaneringsalgoritmer och kartapplikationer som stöds utav Carmenta Engine SDK skall implementeras. Detta används för att studera hur lokal geografisk information kan användas i ett spårningssammanhang. Genom att använda två nivåer av geografisk upplösning från VMap data, jämförs påverkan på vägplaneringarnas prestanda. Studien visar att ingen påverkan på prestandan kan ses men att kartapplikationen kräver mer minnesresurser. Genom att använda geografisk information om en region av intresse visar denna applikation hur vägplaneringsalgoritmerna kan fråga kartapplikationen om legaliteten om sin nuvarande position.