When an autonomous vehicle has a mission to perform, it is of high importance that the robot has good knowledge about its position. Without good knowledge of the position, it will not be able to navigate properly and the data that it gathers, which could be of importance for the mission, might not be usable. A helicopter could for example be used to collect laser data from the terrain beneath it, which could be used to produce a 3D map of the terrain. If the knowledge about the position and orientation of the helicopter is poor then the collected laser data will be useless since it is unknown what the laser actually measures. A successful solution to position and orientation (pose) estimation of an autonomous helicopter, using an inertial measurement unit (IMU), a camera and a GPS, is proposed in this thesis. The problem is to estimate the unknown pose using sensors that measure different physical attributes and give readings containing noise. An extended Kalman filter solution to the simultaneous localisation and mapping (SLAM) is used to fuse data from the different sensors and estimate the pose of the robot. The scale invariant feature transform (SIFT) is used for feature extraction and the unified inverse depth parametrisation (UIDP) model is used to parametrise the landmarks. The orientation of the robot is described by quaternions. To be able to evaluate the performance of the filter an ABB industrial robot has been used as reference. The pose of the end tool of the robot is known with high accuracy and gives a good ground truth so that the estimations can be evaluated. The results shows that the algorithm performs well and that the pose is estimated with good accuracy. / När en autonom farkost skall utföra ett uppdrag är det av högsta vikt att den har god kännedom av sin position. Utan detta kommer den inte att kunna navigera och den data som den samlar in, relevant för uppdraget, kan vara oanvändbar. Till exempel skulle en helikopter kunna användas för att samla in laser data av terrängen under den, för att skapa en 3D karta av terrängen. Om kännedomen av helikopterns position och orientering är dålig kommer de insamlade lasermätningarna att vara oanvändbara eftersom det inte är känt vad lasern faktiskt mäter. I detta examensarbete presenteras en väl fungerande lösning för position och orienterings estimering av autonom helikopter med hjälp av en inertial measurement unit (IMU), en kamera och GPS. Problemet är att skatta positionen och orienteringen med hjälp av sensorer som mäter olika fysiska storheter och vars mätningar innehåller brus. En extended Kalman filter (EKF) lösning för simultaneous localisation and mapping (SLAM) problemet används för att fusionera data från de olika sensorerna och estimera positionen och orienteringen. För feature extrahering används scale invariant feature transform (SIFT) och för att parametrisera landmärken används unified inverse depth parametrisation (UIDP). Orienteringen av roboten beskrivs med hjälp av qvartinjoner. För att evaluera skattningarna har en ABB robot används som referens vid datainsamling. Då roboten har god kännedom om position och orientering av sitt främre verktyg gör detta att prestandan i filtret kan undersökas. Resultaten visar att algorithmen fungerar bra och att skattningar har hög noggrannhet.

No description available.

Kamerabasierte Verfahren zur Steuerung autonomer mobiler Roboter wurden in den letzten Jahren immer populärer. In dieser Arbeit wird der Einsatz eines Stereokamerasystems und eines Mono-Kamera-SLAM Verfahrens hinsichtlich der Unterstützung der Navigation eines autonomen Luftschiffes untersucht. Mit Hilfe von Sensordaten aus IMU, GPS und Kamera wird eine Positionsschätzung über eine Sensorfusion mit Hilfe des Extended und des Unscented Kalman Filters durchgeführt.

Kamerabasierte Verfahren zur Steuerung autonomer mobiler Roboter wurden in den letzten Jahren immer populärer. In dieser Arbeit wird der Einsatz eines Stereokamerasystems und eines Mono-Kamera-SLAM Verfahrens hinsichtlich der Unterstützung der Navigation eines autonomen Luftschiffes untersucht. Mit Hilfe von Sensordaten aus IMU, GPS und Kamera wird eine Positionsschätzung über eine Sensorfusion mit Hilfe des Extended und des Unscented Kalman Filters durchgeführt.

In modern combat aircraft, the most common localization method integrates a Global Navigation Satellite System (GNSS) with an Inertial Navigation System (INS). Although GNSS is the optimal choice for navigation, there are situations when the GNSS satellite signal is unavailable. This can happen due to various reasons such as jamming, physical obstacles, or technical failures. An alternative method to GNSS is utilizing Signals of Opportunity (SOP), which leverages signals not intended for navigation, such as those from cellular towers. These signals are transmitted from non-controllable sources, and challenges may arise due to the lack of guarantee regarding their quality and availability. Therefore, it is crucial that any estimation method utilizing SOP is robust to ensure accurate aircraft localization. This thesis investigates three different localization approaches to address this challenge. This study explores SOP sources with both known and unknown positions. For known signal source positions, an Extended Kalman Filter (EKF) based solution is utilized as a baseline to evaluate how well unknown signal sources can be used to estimate the aircraft's location. To address the challenge of unknown signal source positions, an EKF combined with a Simultaneous Localization and Mapping (SLAM) method, referred to as EKF SLAM, is used. In this case, the sources are introduced through two different approaches. The first approach, undelayed initialization, introduces the signal source directly when observed. The second approach, delayed initialization, involves inverse depth parameterization (IDP) and preprocessing of the signal source position before fully introducing it into the aircraft system. While both approaches outperform an unassisted INS approach, they do not achieve the same level of performance as when the source positions are known. Moreover, various factors, including the aircraft's trajectory, measurement noise, measurement frequency, and the initial covariance of new landmarks, influence the performance of the EKF SLAM approaches. Additionally, delayed initialization is strongly influenced by a threshold assessing landmark position estimate linearity, underscoring its sensitivity to accuracy. The concept behind delayed initialization aims to reduce the error of the signal source position before it is introduced to the system. This method has been proven to significantly reduce the signal source position error. However, its robustness is influenced by several factors, including the parallax angle, sudden changes in the aircraft's direction, and particularly the initial covariance of a landmark estimate. The accuracy of the aircraft's position is crucial, resulting in a trade-off between preprocessing and rapidly initializing a signal source position to the aircraft system. In contrast, undelayed initialization is less sensitive to trajectory changes, even though it introduces the signal sources with greater initial error. There is a significant difference in computational time when comparing known and unknown sources. As the number of sources increases, the computational time for unknown sources is more affected than for known sources. The delayed source initialization method increases computational time due to its preprocessing, especially as more sources are used. Conversely, initializing sources directly reduces the computational time, as no preprocessing is required. / I moderna stridsflygplan är den vanligaste lokaliseringsmetoden att integrera ett Global Navigation Satellite System (GNSS) med ett Inertial Navigation System (INS). Även om GNSS är det optimala valet för navigation finns det situationer när GNSS-satellitsignalen inte är tillgänglig. Detta kan inträffa på grund av olika orsaker som störningar, fysiska hinder eller tekniska fel. En alternativ metod till GNSS är att använda Signals of Opportunity (SOP), som utnyttjar signaler som inte är avsedda för navigation, till exempel de från mobilmaster. Dessa signaler kommer från okontrollerbara källor, vilket kan medföra utmaningar på grund av att deras kvalitet och tillgänglighet inte kan garanteras. Därför är det viktigt att varje lokaliseringsmetod som använder SOP är robust för att säkerställa en bra och korrekt flygplans positionering. Detta examensarbete undersöker tre olika lokaliseringsmetoder för att hantera denna utmaning. Denna studie utforskar SOP-källor med både kända och okända positioner. För kända positioner används en lösning baserad på ett Extended Kalman Filter (EKF) som en baslinje för att utvärdera hur väl okända signalkällor kan användas för att uppskatta flygplanets position. För att hantera utmaningen med okända signalkällors positioner används ett EKF kombinerad med en metod vid namn Simultaneous Localization and Mapping (SLAM), även kallad EKF SLAM. I detta fall introduceras källorna genom två olika tillvägagångssätt. Det första tillvägagångssättet, ofördröjd initialisering, introducerar signalkällan direkt när den observeras. Det andra tillvägagångssättet, fördröjd initialisering, involverar inverse depth parameterization (IDP) och förbearbetning av signalkällans position innan den introduceras i flygplanets lokaliseringssystem. Även om båda tillvägagångssätten presterar bättre än en oassisterad INS-metod uppnår de inte samma prestandanivå som när källornas position är kända. Dessutom påverkar olika faktorer prestandan hos EKF SLAM-metoderna, vilka främst är flygplanets flygbana, mätbrus, mätfrekvens och den initiala kovariansen av nya landmärken. Dessutom påverkas fördröjd initialisering starkt av en tröskel som bedömer linjäritet hos landmärkes positionen, vilket understryker dess känslighet för noggrannhet. Konceptet bakom fördröjd initialisering syftar till att minska felet i signalkällans position innan den introduceras i lokaliseringssystemet. Denna metod har visat sig kunna minska felet i signalkällans position avsevärt. Emellertid påverkas dess robusthet av flera faktorer, inklusive parallaxvinkeln, plötsliga förändringar i flygplanets riktning och särskilt den initiala kovariansen av uppskattningen av ett landmärkes position. Noggrannheten i flygplanets position är avgörande, vilket resulterar i en avvägning mellan förbearbetning och snabb initialisering av en signalkällas position till flygplanets lokaliseringssystem. Till skillnad från fördröjd initialisering är ofördröjd initialisering mindre känslig för förändringar i flygbanan, även om den introducerar signalkällorna med större initialt fel. Det finns en anmärkningsvärd skillnad i beräkningstid när man jämför kända och okända källors. När antalet källor ökar påverkas beräkningstiden för okända källor mer än för kända källor. Den fördröjda källinitialiseringsmetoden ökar beräkningstiden på grund av dess förbearbetning, särskilt när många källor används. Däremot minskar beräkningstiden när källor initialiseras direkt, eftersom ingen förbearbetning krävs.

Die Sensordatenfusion ist eine allgegenwärtige Aufgabe im Bereich der mobilen Robotik und darüber hinaus. In der vorliegenden Arbeit wird das typischerweise verwendete Verfahren zur Sensordatenfusion in der Robotik in Frage gestellt und anhand von neuartigen Algorithmen, basierend auf einem Faktorgraphen, gelöst sowie mit einer korrespondierenden Extended-Kalman-Filter-Implementierung verglichen. Im Mittelpunkt steht dabei das technische sowie algorithmische Sensorkonzept für die Navigation eines Flugroboters im Innenbereich. Ausführliche Experimente zeigen die Qualitätssteigerung unter Verwendung der neuen Variante der Sensordatenfusion, aber auch Einschränkungen und Beispiele mit nahezu identischen Ergebnissen beider Varianten der Sensordatenfusion. Neben Experimenten anhand einer hardwarenahen Simulation wird die Funktionsweise auch anhand von realen Hardwaredaten evaluiert.

Die Sensordatenfusion ist eine allgegenwärtige Aufgabe im Bereich der mobilen Robotik und darüber hinaus. In der vorliegenden Arbeit wird das typischerweise verwendete Verfahren zur Sensordatenfusion in der Robotik in Frage gestellt und anhand von neuartigen Algorithmen, basierend auf einem Faktorgraphen, gelöst sowie mit einer korrespondierenden Extended-Kalman-Filter-Implementierung verglichen. Im Mittelpunkt steht dabei das technische sowie algorithmische Sensorkonzept für die Navigation eines Flugroboters im Innenbereich. Ausführliche Experimente zeigen die Qualitätssteigerung unter Verwendung der neuen Variante der Sensordatenfusion, aber auch Einschränkungen und Beispiele mit nahezu identischen Ergebnissen beider Varianten der Sensordatenfusion. Neben Experimenten anhand einer hardwarenahen Simulation wird die Funktionsweise auch anhand von realen Hardwaredaten evaluiert.

Visual Simultaneous Localisation and Mapping (SLAM) is concerned with simultaneously estimating the pose of a camera and a map of the environment from a sequence of images. Traditionally, sparse maps comprising isolated point features have been employed, which facilitate robust localisation but are not well suited to advanced applications. In this thesis, we present map representations that allow a more dense description of the environment. In one approach, planar features are used to represent textured planar surfaces in the scene. This model is applied within a visual SLAM framework based on the Extended Kalman Filter. We presents solutions to several challenges which arise from this approach.

Visual Simultaneous Localisation and Mapping (SLAM) is concerned with simultaneously estimating the pose of a camera and a map of the environment from a sequence of images. Traditionally, sparse maps comprising isolated point features have been employed, which facilitate robust localisation but are not well suited to advanced applications. In this thesis, we present map representations that allow a more dense description of the environment. In one approach, planar features are used to represent textured planar surfaces in the scene. This model is applied within a visual SLAM framework based on the Extended Kalman Filter. We presents solutions to several challenges which arise from this approach.