The usage of UAVs (Unmanned Aircraft Vehicle) is soaring, not just for hobbyists but increasingly for a range of professional and civil applications. Some of the more sophisticated applications that have high data usage and long-range flight requirements are being developed now. The range and capability of typical wireless connectivity technologies are not enough for such applications. Connecting UAVs to the mobile network is a solution. There are lots of benefits which mobile network can provide for UAVs and UTM (Unmanned Aircraft System Traffic Management). However, the anticipation of UAVs was not considered at first in network planning, which creates unexpected coverage conditions. The introduction of UAVs impacts LTE (Long Term Evolution) network in several ways and the network coverage and capacity of UAVs at low altitude is significantly different from that of terrestrial UEs. The thesis work includes investigation about how UAVs impact LTE network and how mobile network coverage and capacity for UAVs change when other factor changes. The impact of methods to enhance the mobile network for UAVs would also part of the research. In this work, a successful simulation in order to investigate UAV’s situation while using 4G LTE cellular networks is developed. In order to properly test the developed framework for a range of different inputs, various generic scenarios were successfully developed and executed. Using this simulation, we have shown that UAV’s network situation is affected by 2 parameters: the height of UAV and the load of the eNodeBs (Evolved Node B). We have successfully demonstrated that UAV at higher attitude may cause more serious network condition in the suburban area compared with the case in the urban area. Finally, an interference mitigation technique: antenna beam selection is applied and tested. We show that it can improve the network condition for UAV at a higher altitude. Some improvements to the model could be a modeling of inter-cell interference and multipath effects. Models of weather condition in UAV’s flying space would also greatly improve the framework. Besides a scheme for modulation and bit error calculation could be used to build a more generic model. In the thesis, antenna propagation and gain models are not perfect, so more accurate model would also be a great improvement. Only antenna beam selection is tested in this thesis and the implementation does not include antenna mechanical design and model building. For further research, more methods like interference cancellation, power control and inter-cell interference coordination can be tested in both simulation and hardware. / Användningen av UAV(Unmanned Aircraft Vehicle): er är stigande, inte bara för hobbyister utan allt mer för en rad professionella och civila applikationer. Några av de mer sofistikerade applikationerna som har hög dataanvändning och krav på lång räckvidd utvecklas nu. Räckvidden och kapaciteten för typiska trådlösa anslutningstekniker räcker inte för sådana applikationer. Att ansluta UAV: er till mobilnätet är en lösning. Det finns många fördelar som mobilnätet kan ge för UAV: er och UTM (Unmanned Aircraft System Traffic Management). Förväntningen på UAV: er beaktades dock inte först i nätverksplanering, vilket skapar oväntade täckningsförhållanden.Införandet av UAV: er påverkar LTE-nätverk (Long Term Evolution) på flera sätt och nätverkets täckning och kapacitet för UAV: er på låg höjd skiljer sig väsentligt från markbundna UE: er.Examensarbetet inkluderar utredning om hur UAV: er påverkar LTE-nätverk och hur mobilnätstäckning och kapacitet för UAV: er förändras när andra faktorer ändras. Effekten av metoder för att förbättra mobilnätverket för UAV: er skulle också vara en del av forskningen. I detta arbete utvecklas en framgångsrik simulering för att undersöka UAV: s situation med användning av 4G LTE-mobilnät. För att korrekt testa det utvecklade ramverket för en rad olika ingångar, utvecklades och genomfördes olika generiska scenarier. Med denna simulering har vi visat att UAVs nätverkssituation påverkas av två parametrar: UAV: s höjd och belastningen på eNodeBs (Evolved Node B). Vi har framgångsrikt visat att UAV vid högre inställning kan orsaka allvarligare nätverkstillstånd i förortsområdet jämfört med fallet i stadsområdet. Slutligen tillämpas och testas en interferensbegränsande teknik: val av antennstråle. Vi visar att det kan förbättra nätverksvillkoret för UAV på högre höjd. Några förbättringar av modellen kan vara modellering av inter-cellstörningar och flervägseffekter. Modeller av väderförhållanden i UAV: s flygutrymme skulle också förbättra ramverket kraftigt. Förutom ett schema för modulering och beräkning av bitfel skulle kunna användas för att bygga en mer generisk modell. I avhandlingen är antennutbredningsoch förstärkningsmodeller inte perfekta, så en mer exakt modell skulle också vara en stor förbättring. Endast val av antennstråle testas i denna avhandling och implementeringen inkluderar inte antennmekanisk design och modellbyggnad. För ytterligare forskning kan fler metoder som interferensavbrott, effektkontroll och inter-cell-interferenskoordination testas i både simulering och hårdvara.

Multicopters such as quadcopters are a popular tool within industries such as mining, shipping and surveillance where a high level of autonomy can save time, increase efficiency and most importantly provide safety. While Unmanned Aerial Vehicles have been a big area in research and used in the mentioned industries, the level of autonomy is still low. Simple actions such as loading and offloading payload or swapping batteries is still a manual task performed by humans. If multicopters are to be used as an autonomous tool the need for solutions where the machines can perform the simplest task such as swapping batteries become an important stepping stone to reach the autonomy goals. Earlier works propose landing solutions focused on landing autonomous vehicles but the lack of accuracy is hindering the vehicles to safely dock with a landing platform. This thesis combines multiple areas such as trajectory generation, visual marker tracking and UAV control where results are shown in both simulation and laboratory experiments. With the use of a Model Predictive Controller for both trajectory generation and UAV control, a multicopter can safely land on a small enough platform which can be mounted on a small mobile robot. Additionally an algorithm to tune the trajectory generator is presented which shows how much weights can be increased in the MPC controller for the system to remain stable.

In recent years, the technical progress of Unmanned Aerial Vehicles (UAV) has increased rapidly. This has made it economically possible for tasks where one earlier needed helicopters or airplanes. By equipping UAVs with high-quality cameras, the utility has expanded. With detailed photos from a UAV together with digital photogrammetry, special software can be used to create point clouds, 3D-models, elevation models and ortomosaics over smaller geographic areas.  Due to the easy access and that the use of UAVs has increased among private users, the Swedish transport agency has set up rules that determine how UAVs should be used. In these regulations, UAVs are separated into different groups from A1 to A3 based on the weight of the aircraft. The regulations make it illegal to fly a UAV heavier than 250 g over people who are not informed about the flight. Since there are several industries where it could be interesting to fly over people, DJI has manufactured a UAV-model called DJI Mini 2. This UAV weighs 249 g and can therefore be flown over people. In this project, two different flights have been carried out. One with the DJI Mini 2 weighing 249 g and one with the DJI Mavic 2 Pro weighing just under 1 kg. During the flight, overlapping pictures were captured and orthomosaic and elevation models were created from those. The purpose of the project was to investigate if the same accuracy can be achieved with a mini-UAV as with a larger UAV. The study also investigated whether the models were accurate enough to use as a ground model along roads and railroads.  In the Dronelink software, two different flight routs were created over Örsholmens IP in the east­ern part of Karlstad, Sweden. Dronelink created the flightpath based on the UAVs different specifications and the overlap between images that were acquired. A geodetic control network was created using GNSS-technology. Five points were measured twice with 45 minutes in between and calculated in SBG GEO. The next day, a surveying total station was established centrally between the points in the geodetic control network. Thereafter 19 ground control points were measured, and 398 ground points distributed in 20 different control profiles. After the points were measured, the flights were carried out. A total of two flights by each UAV model were made the same day. Then the flight with the best results were used for further processing.  The photos taken were processed in Agisoft Metashape. In the software, point clouds, elevation models and orthomosaic were created. The elevation model was then compared to the measured control profiles. The orthomosaic was used to compare the ground control points.  The results showed that the elevation model created with Mavic 2 Pro was within the SIS tolerance on all different types of surfaces to be used for modelling along roads and railways. The elevation model from the DJI Mini 2 was withing the tolerance on grass and asphalt but not on gravel sur­face. The mean deviation on gravel was -1,37 cm outside the tolerance. The planar comparison showed that both models were withing the tolerance to achieve HMK level 3 standard. / Den tekniska utvecklingen av obemannade flygfarkoster har de senaste åren utvecklats i snabb takt. Flygfarkosterna som ofta benämns UAV (Unmanned Aerial Vehicle) har gjort det möjligt att till en låg kostnad genomföra uppdrag som tidigare krävt helikopter eller flygplan. Genom att utrusta en UAV med en högkvalitativ kamera så ökar dess användningsområde. Med hjälp av detaljerade digi­tala bilder tagna med UAV, och digital fotogrammetri i specialprogramvaror kan punktmoln, 3D-modeller, höjdmodeller och ortomosaik över mindre geografiska områden framställas.  På grund av att UAV-användningen ökat snabbt så har Transportstyrelsen tagit fram ett regelverk för hur en UAV får användas. I detta regelverk så delas olika UAV-modeller in i grupper från A1 till A3 baserat på vikten. Regelverket gör att en UAV som är tyngre än 250 g inte får flygas över männi­skor som inte är informerade om att flygningen pågår.  Eftersom det i flera branscher kan vara intressant att flyga över platser där människor rör sig fritt så har DJI tillverkat en UAV-modell som heter DJI Mini 2. Denna UAV väger 249 g och får därför flygas över människor. I detta projekt har två olika flygningar gjorts med DJI Mini 2 som väger 249 g och med Mavic 2 Pro som väger knappt 1 kg. Under flygningen togs överlappande bilder och höjdmodeller och ortomosaik skapades från dessa. Syftet med arbetet är att undersöka om lika hög noggrannhet kan uppnås med en mini-UAV som med en större modell. Studien undersökte även om modellerna uppnår kraven i SIS-TS 21144:2016 och HMK för att få användas till att skapa markmodell längs väg och järnväg.  I programvaran Dronelink så skapades två flygrutter över Örsholmens IP i den östra delen av Karl­stad. Dronelink skapade rutterna baserat på de olika UAV-specifikationerna och bildöverlappet som valdes för flygningarna. På platsen skapades ett nytt stomnät med hjälp av GNSS-teknik. Fem punk­ter mättes in två gånger med 45 minuters mellanrum och beräknades i SBG GEO. Dagen efter eta­blerades en totalstation centralt mellan punkterna mot stomnätet. Därefter mättes 19 markstöd in och 398 punkter fördelat i 20 olika kontrollprofiler. Efter att punkterna var inmätta genomfördes flygningarna. Totalt gjordes två flygningar med de olika UAV-modellerna på samma dag. Därefter valdes de flygningar som visade bäst resultat för vidare bearbetning.  Bilderna som togs bearbetades i programvaran Agisoft Metashape och punktmoln, höjdmodell och ortomosaik genererades. Höjdmodellen användes sedan för att jämföras mot de inmätta kontrollprofilerna. Ortomosaiken jämfördes med de inmätta kontrollpunkterna.   Resultatet visade att höjdmodellen som skapades med Mavic 2 Pro var inom SIS-TS 21144:2016 toleranserna på samtliga underlag för att få användas för modellskapande på väg och järnväg. Höjdmodellen som skapades med DJI Mini 2 var inom toleransen på gräs och asfalt men inte på grusunderlag. Medelavvikelsen på grus var -1,37 cm utanför toleransen. Vid jämförelsen i plan vi­sade resultatet att båda modellerna var inom HMKs toleranser för att uppnå HMK-standardnivå 3.

No description available.

Sveriges vägdiken och vägkanter är hem till många blommor och växtarter. Lupin-blomman Lupinus polyphyllus är en invasiv växtart som kom till Sverige under 1800-talet. Lupinblommans egenskaper gör att växten konkurrerar ut andra växtarter och negativt påverkar svensk biologisk mångfald. Naturvårdsverket och Trafikverket övervakar och hanterar lupinspridningen i Sverige. Det finns dock inget uppsatt digitalt system för övervakning utan myndigheterna förlitar sig mycket på inrapportering av lupinblommor. I denna studie utforskades metoder och parametrar för att med hjälp av GIS och klassificering identifiera lupinblommor med hjälp av högupplösta UAV-foton. Huvudmoment var att undersöka hur väl klassificeringsmetoderna random forest (RF) och maximum likelihood (MLC) identifierar lupiner, vilken flyghöjd för UAV och segmentering vid bildhantering som bör väljas. En tidsnotering på hur länge de olika metoderna tog att bearbeta för programmet utfördes även. Endast övervakad klassificering inom programmet ESRI ArcGIS Pro genomfördes. I studien användes rasterdata insamlad via två UAV längstseparata två vägsträckor på 200 m med flyghöjd från 10 till 120 m. Studien utfördes med segmenteringsparametrarna 1, 5, 10, 15 och 20 i spektrala detaljnivå över ett mindre testområde med 20 m flyghöjd. På dessa segmenteringar testades klassificeringsmetoderna MLC och RF. Baserat på resultaten ifrån dessa tester valdes en klassificeringsmetod ut och med denna utfördes tester på flyghöjd för att få fram var optimal flyghöjd låg. De flyghöjder som testades var 20 m, 50 m och 85 m. Vid varje processnoterades även tidsåtgången. Resultaten kontrollerades via Confusion Matrix och överklassificering för att identifiera den mest effektiva och noggranna metoden. Resultaten ifrån segmenteringen visade att metoden MLC generellt gav godast resultat med en överklassificering mellan +1 % och +3 % och noggrannhet på +90 %. RF gav resultat som låg på +1 % till +9 % överklassificering och noggrannhet var även här +90 %.Flyghöjdstesterna visade att 20m hade en noggrannhet på 97% och överklassificering på4,04 %. 50 m visade en noggrannhet 99 % och överklassificering på 8,17 %. 85 m hade noggrannhet på 53 % och överklassificering på 4,19 % Tidkontrollen visade att de objektbaserade metod var runt 33 % snabbare att utföra än pixelbaserad. Inga stora skillnader mellan klassificeringsmetoder hittades. Generellt visade resultaten att en objektbaserad MLC metod på 20 m gav godast resultat och går snabbast att utföra. Det är möjligt att 30 eller 40 m ger lika goda resultat men dessa höjder fanns ej tillgängligt att testa. Skillnaderna mellan klassificeringsnoggrannheter med RF och MLC var marginella. / Roadsides in Sweden are home to several different plant species. The lupine flower Lupinus polyphyllus is an invasive species originally from North America. Naturvårdsverket and Trafikverket are responsible for monitoring and handle lupine spread in Sweden. This study examined the use of GIS and aerial photos in lupine control and more specifically what parameters and classification methods that are suitable in identifying Lupinus polyphyllus. The two main classification methods were random forest (RF) and maximum likelihood classifiers(MLC). Other factors were the altitude of the UAV collecting the photos and what segmentation parameters were optimal for classification. Processing time when performing the different parameters and methods were also collected. The study used raster data from two drones with altitudes from 10 m to 120 m and the program used to perform these tests were ArcGIS Pro. The segmentation spectral detail levels tested were 1, 5, 10, 15 and 20, these were tested on a smaller area with a flight altitude of 20 m and both RF and MLC were tested on all detail levels. Based on these tests a classification method and segmentation parameters were chosen and tested on differing flight altitudes. These altitudes were 20, 50 and 85 m. A confusion matrix and overestimation of classes were used to determine accuracy and overclassification. Results show that supervised object-based MLC on a raster generated from a 20 m flight altitude gave generally the best results. In this case the accuracy was around 90 % and overclassification was around 1-3 %. Object-based classification was around 33 % faster than pixel-based classification but classification method did not alter the time any noticeable amount. However, it should be noted that a flight height of 30 or 40 m might give equally as good results as 20 m but those altitudes were not available for testing. It should also be pointed out that the difference between RF and MLC was not huge but the desired accuracy and over classification might be stringier depending on the needs of the user.

Unmanned Aerial Vehicles (UAVs) can navigate in indoor environments and through environments that are hazardous or hard to reach for humans. This makes them suitable for use in search and rescue missions and by emergency response and law enforcement to increase situational awareness. However, even for an experienced UAV tele-operator controlling the UAV in these situations without colliding into obstacles is a demanding and difficult task. This thesis presents a human-UAV interface along with a collision avoidance method, both optimized for a human tele-operator. The objective is to simplify the task of navigating a UAV in indoor environments. Evaluation of the system is done by testing it against a number of use cases and a user study. The results of this thesis is a collision avoidance method that is successful in protecting the UAV from obstacles while at the same time acknowledges the operator’s intentions. / Obemannad luftfarkoster (UAV:er) kan navigera i inomhusmiljöer och genom miljöer som är farliga eller svåra att nå för människor. Detta gör dem lämpliga för användning i sök- och räddningsuppdrag och av akutmottagning och rättsväsende genom ökad situationsmedvetenhet. Dock är det även för en erfaren UAV-teleoperatör krävande och svårt att kontrollera en UAV i dessa situationer utan att kollidera med hinder. Denna avhandling presenterar ett människa-UAV-gränssnitt tillsammans med en kollisionsundvikande metod, båda optimerade för en mänsklig teleoperatör. Målet är att förenkla uppgiften att navigera en UAV i inomhusmiljöer. Utvärdering av systemet görs genom att testa det mot ett antal användningsfall och en användarstudie. Resultatet av denna avhandling är en kollisionsundvikande metod som lyckas skydda UAV från hinder och samtidigt tar hänsyn till operatörens avsikter.

Unmanned Aerial Vehicles (UAVs) could play an important role in Search & Rescue (SAR) operations thanks to their ability to cover large, remote, or inaccessible search areas quickly without putting any personnel at risk. As UAVs are becoming autonomous, the problem of identifying humans in a variety of conditions can be solved with computer vision implemented with a thermal camera. In some cases, it would be necessary to operate with one or several small, agile UAVs to search for people in dense and narrow environments, where flying at a high altitude is not a viable option. This could for example be in a forest, cave, or a collapsed building. A small UAV has a limitation in carrying capacity, which is why this thesis aimed to propose a lightweight thermal solution for human detection that could be applied on a small SAR-UAV for operation in dense environments. The solution included a Raspberry Pi 4 and a FLIR Lepton 3.5 thermal camera in terms of hardware, which were mainly chosen thanks to their small footprint regarding size and weight, while also fitting within budget restrictions. In terms of object detection software, EfficentDet-Lite0 in TensorFlow Lite format was incorporated thanks to good balance between speed, accuracy, and resource usage. An own dataset of thermal images was collected and trained upon. The objective was to characterize disturbances and challenges this solution might face during a UAV SAR-operation in dense environments, as well as to measure how the performance of the proposed platform varied with increasing amount of environmental coverage of a human. This was solved by conducting a literature study, an experiment in a replicated dense environment and through observations of the system behavior combined with analysis of the measurements. Disturbances that affect a thermal camera in use for human detection were found to be a mixture of objective and subjective parameters, which formed a base of what type of phenomena to include in a diverse thermal dataset. The results from the experiment showed that stable and reliable detection performance can be expected up to 75% vegetational coverage of a human. When fully covered, the solution was not reliable when trained on the dataset used in this thesis. / Obemannade drönare (UAVs) kan spela en viktig roll i sök- och räddningsuppdrag (SAR) tack vare deras förmåga att snabbt täcka stora, avlägsna eller otillgängliga sökområden utan att utsätta personal för risker. För autonoma UAVs kan problemet med att identifiera människor i en mängd olika förhållanden lösas med datorseende implementerat tillsammans med en värmekamera. I vissa fall kan det vara nödvändigt att operera med en eller flera små, smidiga UAVs för att söka efter människor i täta och trånga miljöer, där flygning på hög höjd inte är ett genomförbart alternativ. Det kan till exempel vara i en skog, grotta eller i en kollapsad byggnad. En liten UAV har begränsad bärförmåga, vilket är varför denna avhandling syftade till att föreslå en lättviktslösning för mänsklig detektering med värmekamera som skulle kunna appliceras på en liten SAR-UAV för drift i täta miljöer. Lösningen inkluderade Raspberry Pi 4 och en FLIR Lepton 3.5 värmekamera gällande hårdvara, tack vare liten formfaktor och liten vikt, samtidigt som de passade inom budgetramen. Gällande detekterings-mjukvara användes EfficentDet-Lite0 i TensorFlow Lite-format tack vare en bra balans mellan hastighet, noggrannhet och resursanvändning. En egen uppsättning av värmebilder samlades in och tränades på. Målet var att identifiera vilka störningar och utmaningar som denna lösning kan påträffa under en sökoperation med UAVs i täta miljöer, samt att mäta hur prestandan för den föreslagna plattformen varierade när täckningsgraden av en människa ökar p.g.a. omgivningen. Detta löstes genom att genomföra en litteraturstudie, ett experiment i en replikerad tät miljö och genom observationer av systemets beteende kombinerat med analys av mätningarna. Störningar som påverkar en värmekamera som används för mänsklig detektion visade sig vara en blandning av objektiva och subjektiva parametrar, vilka utgjorde en bas för vilka typer av fenomen som skulle inkluderas i en mångsidig kollektion med värmebilder. Resultaten från experimentet visade att stabil och pålitlig detekteringsprestanda kan förväntas upp till 75% täckningsgrad av en människa p.g.a. vegetation. När människan var helt täckt var lösningen inte tillförlitlig när den var tränad på kollektionen som användes i denna avhandling.

This research was carried out to test the potential of combining unmanned aerial vehicle (UAV) and remote sensing (RS) to support precision mapping of irrigation systems for paddy land. The study area is an urban/agricultural area of Central Vietnam. The Sentinel-2A imagery acquired on 30 June 2018 was interpreted according an object-based classification method aiming to map paddy land and irrigation systems for the Hoa Vang district; the total accuracy was 91.33% with a Kappa coefficient of 0.87. However, with the spatial resolution from the Sentinel-2A images (20 meters x 20 meters) it was difficult to classify paddy land and water from other objects within small and scattered parcel areas. This research was designed on five experimental flying zones, collecting 2,085 images by the UAV. With the very high spatial resolution data of the UAV, it was possible to clearly identify the boundaries of paddy land parcels, water sources such as rivers and lakes, and other objects such as canals and concrete irrigation systems. This classification derived from the orthogonal images from the five experimental zones using an object-based classification method, correcting the interpretation results of the Sentinel 2A images. Outcomes indicate that, the combination of UAV and RS can be applied to support precision mapping of irrigation systems for paddy land in urban agricultural areas. / Nghiên cứu này được thực hiện nhằm thử nghiệm khả năng kết hợp giữa UAV với viễn thám trong hỗ trợ độ chính xác của bản đồ hệ thống nước tưới cho đất trồng lúa ở vùng nông nghiệp đô thị tại Miền trung Việt Nam. Ảnh viễn thám Sentinel- 2A thu nhận vào 30/6/2018 đã được giải đoán bằng phương pháp định hướng đối hướng để thành lập bản đồ hệ thống nguồn nước tưới cho huyện Hòa Vang vào năm 2018, với kết quả độ chính xác tổng số là 91,33% và hệ số kappa là 0,87. Mặc dù với kết quả giải đoán có độ chính xác cao nhưng với độ phân giải không gian của ảnh Sentinel-2A là 20m x 20m rất khó để phân loại được các vùng đất lúa có diện tích nhỏ và phân bố phân tán. Nghiên cứu này đã thiết kế 5 khu vực bay thử nghiệm với 2.085 ảnh để thu thập dữ liệu từ UAV. Có thể thấy rằng dữ liệu ảnh từ UAV với độ phân giải siêu cao có thể nhận diện và phân biệt được một cách rõ ràng không chỉ ranh giới của các thửa đất lúa, hệ thống nguồn nước như sông hồ, mà còn cả những đối tượng kênh mương thủy lợi nhỏ. Kết quả giải đoán các ảnh bay chụp bằng UAV sử dụng dụng phương pháp định hướng đối tượng, nghiên cứu này đã hiệu chỉnh được kết quả giải đoán ảnh Sentinel 2A. Kết quả cho thấy việc kết hợp dữ liệu viễn thám với UAV là hoàn toàn có khả năng sử dụng để hỗ trợ độ chính xác thành lập bản đồ hệ thống nguồn nước cho đất trồng lúa ở vùng nông nghiệp đô thị.

The reliance on GPS for Unmanned Aerial Vehicle (UAV) localization limits the areas of application to places with a stable GPS signal. The emergence of deep learning in computer vision has made deep learning methods for visual UAV navigation a promising candidate for autonomous GPS denied localization. These method locate using images taken by a mounted camera on the UAV. Most works in the field evaluate localization ability in urban environments dense with artificial structures. This thesis analyses the localization ability of one such method over agricultural fields and forests in comparison to urban areas to investigate whether such systems rely on artificial structure or if they can function in a general environment. The localization technique is based on the deep feature Lucas-Kanade algorithm and uses convolutional neural network extracted feature representations of images taken by the UAV and satellite images to place the UAV within the satellite image for a position estimate. A network interpretation method is also applied to the problem to investigate whether it can help explain what causes the potential differences in localization accuracy between the areas. The investigation finds that the localization method is applicable in both forests and agricultural fields and pinpoints other factors than the prevalence of artificial structure that are more important for accurate localization. Further, a potential improvement to the algorithm is proposed that is shown to notably improve localization accuracy in certain conditions. It is based on obtaining a second position estimate by reversing the optimization direction and choosing the better of the two based on a loss function. / Obemannade luftburna fordon (UAV) är generellt beroende av GPS för autonom lokalisering vilket begränsar deras användningsområden till platser med en stabil GPS signal. Framväxten av djupinlärning inom datorseende har gjort djupinlärningsbaserade metoder för visuell UAV navigation en lovande kandidat för UAV lokalisering oberoende av GPS. De flesta vetenskapliga artiklar inom området utvärderar lokaliseringsförmågan i urbana miljöer som är fyllda med artificiella strukturer såsom hus och vägar. I den här uppsatsen analyseras lokaliseringsförmågan av en sådan metod över jordbruksområden och skog i förhållande till urbana miljöer för att undersöka om sådana system är beroende av artificiell struktur för att lokalisera korrekt. Lokaliseringsmetoden är baserad på Lukas-Kanade-algoritmen på djupa repesentationer. Konvolverande neurala nätverk tränas för att extrahera representationer av UAV- och satellitbilder som är mer passande för att bestämma förhållandet mellan kamerapositionerna med Lukas-Kanade algoritmen. En nätverkstolkningsmetod appliceras även på problemet för att undersöka huruvida det kan användas för att förklara eventuella skillnader i lokaliseringsförmåga mellan områdena. Undersökningen finner att lokaliseringsmetoden fungerar väl i jordbruksområden och skog och fastställer andra faktorer som är viktigare för välfungerande lokalisering än förekomsten av artificiella strukturer. Ytterligare föreslås en potentiell förbättring till algoritmen som visas kunna förbättra lokaliseringsnoggrannheten markant i vissa förhållanden. Förbättringen är baserad på att utvinna en andra positionsuppskattning genom att omvända optimeringsriktningen och välja den bättre av de två baserat på en förlustfunktion.

I dagsläget står det svenska kraftnätet inför en stor utmaning om det ska kunna klara av att tillgodose Sveriges växande elbehov. Stora delar av kraftnätet måste förnyas samtidigt som det byggs ut. Vid projektering av nya kraftledningsgator måste geografisk information samlas in för att kunna planera arbetet och representera de möjliga kraftledningsgatorna som höjdmodeller. Det är då viktigt att denna data är korrekt. LiDAR-data är ett bra alternativ då det kan ge en bra bild av marken trots vegetation som kan befinna sig i en eventuell kraftledningsgata. I dagsläget används antingen Lantmäteriets Nationella Höjdmodellen (NH-modellen), eller så genomförs en luftburen laserskanning med hjälp av flygplan. Då NH-modellen ibland kan upplevas som otillräcklig på grund av sin låga upplösning, samtidigt som luftburen laserskanning kan vara kostsamt både ekonomiskt och ur en miljösynpunkt är det intressant att utforska alternativa metoder.    Syftet med detta examensarbete är att genomföra en jämförelseanalys av höjdmodeller genererade med LiDAR-data insamlade med UAV och flygplan för att få svar på vad som väsentligt skiljer dem åt och ifall LiDAR-data insamlat med UAV kan vara ett alternativ till LiDAR-data insamlat med flygplan. Detta görs tillsammans med företagen Nektab och Swescan för att undersöka möjligheterna att kunna erbjuda en ny produkt till sina kunder och uppdragsgivare. Ett tidigare projekterat område utanför Horndal i Dalarna, undersöktes då det fanns tillgängliga LiDAR-data från en tidigare luftburen laserskanning gjord med flygplan. LiDAR-data samlades in med drönare med två olika skanningsmetoder, repetitive och non-repetitive, den 3:e maj 2023. Bearbetning av punktmolnet genomfördes i DJI Terra och Terrasolids programvaror Terrascan och Terramatch. Kvalitetsberäkningar genomfördes i Excel. Höjdmodeller skapades i Esris Arcmap 10.8 och analyser gjordes för att jämföra de olika höjdmodellernas höjdvärden, lutning samt profiler.     Punktmolnen genererade med UAV-LiDAR hade en lägesnoggrannhet i höjd som uppfyllde kraven för HMK-standardnivå 3, och punktmolnet genererat med skanningsmetoden non-repetitive hade en bättre lägesnoggrannhet i höjd än punktmolnet genererat med flygplans-LiDAR. Skillnaderna som kunde upptäckas mellan de olika höjdmodellerna var små och påverkades både av skillnader i klassning och insamlingsmetod. Slutsatsen som drogs är att insamling av LiDAR-data med UAV och generering av kvalitativa höjdmodeller med dessa data är fullt möjligt för mindre områden så som det i det här arbetet. / The Swedish power grid is currently facing a big challenge if it’s going to be able to meet Sweden’s growing demand for electricity. While large parts of the power grid must be updated, there also needs to be a big expansion. When planning new corridors for the powerlines, geographical information must be collected to be able to visualize said corridors as Digital Elevation Models (DEMs) and it is thus important that the data is correct. LiDAR-data is a suitable alternative for this as it can represent the ground well despite any vegetation that might be present in the planned corridor. Currently open-source data from the Swedish National Land Survey, the National Elevation Model (the NH-model), is often used, or the area is mapped with airborne laser-scanning from a plane. However, the NH-model is sometimes not a suitable alternative due to its low resolution, while airborne laser-scanning can be both environmentally and economically costly. It is therefore interesting to explore alternative methods.    The aim of this bachelor thesis is to conduct a comparative analysis between DEMs generated by LiDAR-data collected by UAV and by plane to see where they differ, and if LiDAR-data collected by UAV is a potential alternative to LiDAR-data collected by plane. This will be done in collaboration with Nektab and Swescan to explore the possibility of being able to offer a new product to their customers and clients. A previously planned area outside the Swedish town of Horndal in the county of Dalarna, was used due to already existing plane-collected LiDAR-data. LiDAR-data was collected with an UAV through two different scanner-methods, repetitive and non-repetitive, on the 3rd of May 2023. The processing of the pointclouds were performed in DJI Terra and Terrasolids software Terrascan and Terramatch. Quality calculations and control was done in Excel. DEMs were created in Esris software Arcmap 10.8 and different analyses were performed to compare the DEMs elevation, slope, and profiles.    The point clouds generated from the UAV-LiDAR had a positional accuracy equivalent to the Swedish HMK-standard level 3, and the pointcloud generated from the non-repetitive­ scanner-method had a better positional accuracy for the z-value than the pointcloud generated from the plane-LiDAR. The differences between the DEMs were small and were caused both by difference in classification of the point clouds and collection method. The conclusion is that collection of LiDAR-data through UAV and the generation of high quality DEMs from this data is fully possible for smaller areas such as the one in this thesis.