Perception and High-Level Control for Autonomous Drone Missions

Denne oppgaven presenterer et autonomt drone-system som muliggjør for en drone å gjennomføre autonome oppdrag som starter og slutter på en bestemt landingsplattform. En tilstandsestimeringsalgorimte er laget for å estimere dronens position og rotasjon i henhold til landingsplattformen. Algoritmen bruker et fler-sensor Kalman Filter for å kombinere sensormålinger fra forskjellige sensorer og metoder; en tilstandsestimator basert på tradisjonelle datasynmetoder, en tilstandsestimator basert på dyp-læring, IMU data, høydesensor basert på trykkdata og GPS-målinger. En PID-regulator er brukt for lavnivå-regulering av dronen ved å gi fartsstyringskommandoer til et innebygd reguleringssystem på dronen. Fartsstyringsskommandoene er regnet ut i fra feilmarginen mellom estimert posisjon og rotasjon og ønsket posisjon og rotasjon. Et oppdragsreguleringssystem er foreslått for høynivå-regulering av dronen, og brukes for gjennomføringen av autonome droneoppdrag. Oppdragsreguleringssystemet er basert på en tilstandsmaskin, hvor et oppdrag består av utførelsen av flere sekvensielle handlinger definert ut i fra tilstandene i tilstandsmaskinen. Tilstandene representerer bevegelse- og kamerahandlinger. Dette autonome dronesystemet er overført til a Parrot AR.Drone 2.0 og er tested i en datasimulator og eksperimentelt. GPS-data er bare tilgjengelig i datasimulatoren. Resultater fra datasimulatoren var gode, hvor dronen klarte presist å estimere sin egen posisjon og rotasjon, og bruke dette for å gjennomføre autonome lette- og landeoppdrag, samt autonome langdistanseoppdrag. Resultater fra eksperimenter med dronen Parrot AR.Drone 2.0 demonstrerte suksessfulle lette- og landeoppdrag på landingsplattformen, og demonstrerte også en evne til å sveve kontrollert over landingsplattform over tid. Autonom sveving og landing var demonstrert også når landingsplattformen var plassert på en liten båt som heter DNV GL ReVolt. De eksperimentelle resultatene var i større grad påvirket av sensorstøy, kommunikasjonsforsinkelser og eksterne påvirkninger. Dermed var dronens oppførsel mindre stabil enn i datasimulatoren