Automatic Detection of Safe Landing Areas for Vertical Take-Off and Landing Unmanned Aerial Vehicles

De siste årene har droner blitt hverdagslige. På grunn av rimeligere og mer avansert elektronikk har droneteknologi, som en gang var forbeholdt forsvarssektoren og andre store institusjoner, blitt kommersielt tilgjengelig for mindre bedrifter og privat bruk. I dag benyttes droner innen mange områder, fra fornøyelse og kappløp til inspeksjoner og transport. En av bedriftene som tilbyr leveransetjenester ved bruk av drone er det norske selskapet Aviant, som er samarbeidspartneren for denne oppgaven. Når en utfører droneoperasjoner som er utenfor visuell synslinje, er et viktig sikkerhetstiltak å ha forhåndssbestemte landingspunkter langs flyruten. Dersom noen problemer skulle oppstå, kan dermed dronen lande på disse landingspunktene. I dag bestemmer aktører slik som Aviant disse punktene manuelt ved bruk av digitale kart. I denne oppgaven introduserer vi to dyp lærings-baserte systemer som automatisk kan detektere trygge landingsområder for ubemannede droner. For å gjøre dette benytter vi et nedovervendt kamera som viser terrenget under dronen. Å detektere landingsområder for droner er allerede et område som har blitt forsket mye på. Likevel er det lite av denne forskningen som benytter metoder basert på dyp læring. Vi ønsker derfor å utforske dette i denne oppgaven. I tillegg til systemene nevnt tidligere, presenterer vi også en PCA-basert metode for fargegjenoppretting som kan korrigere farger i bilder og en piksel-geolokator som kan oversette piksler fra bildene til GPS koordinater. Vi presenterer også et merket datasett som består av dronevideoer, i tillegg til et syntetisk datasett som inneholder bilder av mennesker i fugleperspektiv. Vi introduserer også en metode for å bruke systemet for deteksjon av landingspunkter til å validere de manuelt utvalgte landingspunktene. Selv om systemene for å detektere trygge landingpunkter som presenteres i denne oppgaven er i stand til å finne gode landingspunkter, er de ikke pålitelige nok til å kunne operere helt autonomt. Likevel er de egnet til å operere med litt menneskelig tilsyn, og med mer arbeid og forskning kan de muligens operere helt autonomt