Vision-based navigation for autonomous drone flights inside a forest
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2023-05-15
Department
Major/Subject
Control, Robotics and Autonomous Systems
Mcode
ELEC3025
Degree programme
AEE - Master’s Programme in Automation and Electrical Engineering (TS2013)
Language
en
Pages
92+2
Series
Abstract
In recent years, the autonomous flying of drones has been an actively researched topic in both commercial and academic organizations. Most autopilots can fly autonomously in open areas where Global navigation satellite systems (GNSS) are available. However, inside dense forest environments, the localization of the drone cannot rely on GNSS, and the drone also has to avoid obstacles in the path. The objective of this thesis was to design and implement a prototype of an autonomous drone flying under the canopy for boreal forest research purposes. To establish a starting point, a literature survey on available open-source solutions was performed. Based on the literature survey, EGO-Planner-v2 with VINS-Fusion localization and stereo depth camera-based mapping was chosen as the base of the implemented prototype. The system was tested both in a simulator and in real forest environments with custom drone hardware. The performance of the system, and its suitability for boreal forest environments, were evaluated based on the success of the mission, reliability of the obstacle avoidance, and the accuracy of the localization. Based on the results, the performance of the system was promising in sparse forests. In the sparse mixed forest, eight of nine flights were successful, when approximate flight distances varied between 13 m and 18 m. However, in dense forests, the sensing of small needleless branches needs to be improved to increase reliability. In the dense spruce forest, nine of 19 test flights were successful, when approximate flight distances varied between 35 m and 80 m. In the longest, approximately 80 m long, test flight, the error of the VINS-Fusion estimate of the trajectory length was approximately 1 m.Viime vuosina droonien autonominen lentäminen on ollut aktiivisesti tutkittu aihe sekä akateemisissa että kaupallisissa organisaatioissa. Useimmat droonien autopilotit pystyvät lentämään autonomisesti avoimilla alueilla, missä paikannuksessa voidaan hyödyntää globaaleja paikannussatelliitteja (GNSS). Lennettäessä tiheissä metsissä satelliittipaikannus ei kuitenkaan ole mahdollista, ja droonin täytyy lisäksi kyetä väistelemään esteitä. Tämän työn tavoitteena oli toteuttaa metsätutkimukseen tarkoitettu prototyyppi autonomisesti metsän sisällä lentävästä droonista. Työn alussa toteutettiin kirjallisuustutkimus viime aikoina julkaistuihin avoimen lähdekoodin ratkaisuihin metsän sisällä lentävistä autonomisista drooneista. Kirjallisuustutkimuksen perusteella toteutettavan prototyypin pohjaksi valittiin EGO-Planner-v2, joka käytti paikannukseen VINS-Fusionia ja kartoitukseen stereo-syvyyskameraa. Systeemiä testattiin sekä simulaattorissa että oikeissa metsissä itserakennetulla droonilla. Suorituskykyä ja soveltuvuutta pohjoisiin metsäympäristöihin arvioitiin lentojen onnistumisen, esteiden väistelyn luotettavuuden ja paikannuksen tarkkuuden perusteella. Tulosten perusteella suorituskyky oli lupaava puustoltaan harvoissa metsissä. Puustoltaan harvassa sekametsässä kahdeksan yhdeksästä testilennosta onnistui, kun testilentojen pituudet vaihtelivat noin 13 metristä noin 18 metriin. Kuitenkin tiheissä metsissä pienten havuttomien oksien havainnointia täytyy kehittää navigoinnin luotettavuuden parantamiseksi. Tiheässä kuusimetsässä yhdeksän 19 testilennosta onnistui, kun lentojen pituudet vaihtelivat noin 35 metristä 80 metriin. Pisimmässä, noin 80 metriä pitkässä, testilennossa VINS-Fusionin estimaatissa lennon pituudeksi virhe oli noin yksi metri.Description
Supervisor
Kyrki, VilleThesis advisor
Honkavaara, EijaKeywords
drone, autonomous, depth, camera, visual, odometry