Spelling suggestions: "subject:"obemannade farkoster"" "subject:"obemannade flygfarkoster""
1 |
Motion Planning Framework for Unmanned Aerial Vehicles in Dynamic EnvironmentsZhu, Yufei January 2021 (has links)
The usage of Unmanned Aerial Vehicles (UAVs) to navigate autonomously in a dynamic environment is becoming more common. It is important that a UAV can generate collision-free trajectories and also be able to modify them to adapt to environment changes over the entire duration of navigation. The objective of this thesis is to present an optimized motion planning framework for UAV in dynamic environments. The proposed framework consists of two modules, which are optimized motion planner and dynamic scene generator. The optimized motion planner utilizes an asymptotically optimal sampling-based motion planning algorithm, RRTX, and extends RRTX with an optimizer based on Covariant Hamiltonian Optimization for Motion Planning (CHOMP) algorithm to optimize trajectories. A dynamic environment has obstacles that unpredictably appear, disappear or move. The optimized motion planner reacts to environment changes and finds collision-free trajectories during the navigation. Dynamic scene generator contains an obstacle information messenger and UAV simulator. This module is to simulate UAV, obstacles, and planned trajectories in a Unity scene. UAV simulator utilizes Flightmare, which is a flexible modular quadrotor simulator that contains a rendering engine built on Unity and a physics engine for dynamics simulation. The built framework is evaluated in simulations and the results show that the framework enables a UAV to navigate autonomously without colliding with any obstacles in dynamic environments. / Användningen av obemannade luftfarkoster för att navigera autonomt i dynamiska miljöer blir allt vanligare. Det är viktigt att en obemannade luftfarkost kan generera kollisionsfria banor och ändra dem för förändringar i miljöer under hela navigering. Detta examensarbete undersöker optimerad banplanering ramverket för obemannade luftfarkoster i dynamiska miljöer. Ramverket består av två delar: en optimerad banplanerare, och en dynamiska scen modul. Den optimerad banplaneraren använder en asymptotiskt optimala samplingsbaserade banplaneringsalgoritm, RRTX, och förlänger RRTX med en optimala lösning baserad på Covariant Hamiltonian Optimization for Motion Planning (CHOMP) algoritm för att optimera banor. En dynamiska miljö har hinder som oförutsägbart dyker upp, försvinner eller rör sig. Den optimerad banplaneraren reagerar på förändringar i miljöer och hittar kollisionsfria banor under navigeringen. Den dynamiska scen modulen består av en informationsbudbärare för hinder och en simulator för obemannade luftfarkoster. Denna modul ska simulera obemannade luftfarkoster, hinder och banor i en Unity scen. Den simulatorn för obemannade luftfarkoster använder Flightmare, som är en flexibel modulär simulator för quadrotorer. Flightmare består av en återgivningsmotor byggd på Unity och en fysikmotor för dynamiska simuleringar. Ramverket har testats i simuleringar. Resultat från simuleringar bekräftar att det ramverket gör att en obemannade luftfarkost kan navigera autonomt utan att kollidera med några hinder i dynamiska miljöer.
|
2 |
Model Predictive Control for Cooperative Multi-UAV Systems / Modellprediktiv reglering för samarbetande flerdrönarsystemCastro Sundin, Roberto January 2021 (has links)
The maneuverability and freedom provided by unmanned aerial vehicles (UAVs) make these an interesting choice for transporting objects in settings such as search and rescue operations, construction, and smart factories. A commonly proposed method of transport is by using cables attached between each UAV and the payload. However, the geometrical constraints posed by these attachments typically result in a system with highly complex dynamics. Although not an issue for conventional PID control schemes, these complex dynamics make the direct application of model predictive controllers (MPCs) infeasible for real-time usage. For this reason, much of the previous work has focused on treating the payload as a disturbance, thereby losing the ability to predict its effect on the UAVs. Contrary to this, this thesis presents an MPC that both captures the dynamics of the payload, and is capable of real-time usage. This is made possible by a parametrized linearization of the original system, and results in greatly improved performance compared to the disturbance model approach. The controller is derived for a system with two UAVs that transport a bar-like payload and verified both in simulations and physical experiments. The resulting control system is able track a multitude of setpoints, including rotations of both payload and UAVs, as well as lateral translations. Furthermore, it is able to attenuate external disturbances well, and dampens and prevents oscillations more efficiently when compared to the disturbance based approach. The resulting MPC solving time is on the order of milliseconds. Additionally, an initial attempt to decentralize the system is made, and the resulting controller experimentally tested on the UAV–bar system, resulting in a lower MPC solving time (2:5 times faster on average), but worsened performance in terms of position tracking of the bar. / Den manövrerbarhet och frihet som möjliggörs av användandet utav obemannade luftfarkoster (drönare) gör dessa till tämligen intressanta kandidater för lasttransport inom områden såsom sök- och räddningsuppdrag, byggnadskonstruktion och s.k. smarta fabriker. En vanligen förespråkad transportmetod består utav att förse systemet med kablar som fästs mellan last och drönare. De geometriska restriktioner som denna lastkoppling innebär resulterar emellertid ofta i system med väldigt komplicerad dynamik och interaktionskrafter. Även om detta inte innebär något problem för konventionella PID reglersystem så omöjliggör detta det direkta applicerandet utav modellprediktiv reglering (MPC) för realtidsbruk. Av denna anledning har tidigare verk fokuserat på att behandla lasten och dess inverkan på drönarna som en störning, men med detta därmed förlorat möjligheten att förutspå dess effekt på drönarna. I kontrast till detta, kommer det i detta verk att presenteras en MPC som både fångar lastens dynamik och är snabb nog för realtidsanvändning. Detta görs möjligt utav en parametriserad linjärisering utav originalsystemet och ger märkbart bättre resultat än den störningbaserade modellen. Reglersystemet appliceras på ett system bestående utav två drönare och en stång-liknande last och resultatet verifieras både i form av numeriska simuleringar och fysiska experiment. Det resulterande systemet klarar av både rotationer utav last och drönare samt translationer i alla riktningar. Dessutom är systemet kapabelt att hantera externa störningar och både dämpar och förhindrar oscillationer bättre i jämförelse med reglersystem baserat på störningsmodeller. Lösningstiden för MPC-regulatorn är i storleksordningen millisekunder. Utöver detta görs ett initialt försök i att decentralisera tidigare nämnda MPC och det resulterande reglersystemet utvärderas experimentellt på samma drönarsystem som tidigare. Detta resulterar i en lägre lösningstid (2.5 ggr snabbare i genomsnitt), men även i försämrad prestanda med avseende på reglering av stångens position.
|
3 |
An Adaptive IMM-UKF method for non-cooperative tracking of UAVs from radar data / En adaptiv IMM-UKF metod för spårning av icke samarbetande UAV:er med radardataElvarsdottir, Hólmfrídur January 2022 (has links)
With the expected growth of Unmanned Aerial Vehicle (UAV) traffic in the coming years, the demand for UAV tracking solutions in the Air Traffic Control (ATC) industry has been incentivized. To ensure the safe integration of UAVs into airspace, Air Traffic Management (ATM) systems will need to provide a number of services such as UAV tracking. The Interacting Multiple Model Extended Kalman Filter (IMM-EKF) is an industry standard for aircraft tracking, but no such algorithm has been tried and tested for UAV tracking. This thesis aims to determine a suitable tracking algorithm for the specific case of non-cooperative tracking of UAVs from radar data. In non-cooperative tracking scenarios, we do not have any information regarding the UAV other than radar measurements indicating the target’s position. We investigate an Adaptive Interacting Multiple Model Unscented Kalman Filter (IMM-UKF) method with three different motion model combinations in addition to comparing a Cartesian vs. Spherical measurement model. A comparison of motion models shows that using a Constant Jerk (CJ) model to model target maneuvers in the IMM structure reduces the risk of filter divergence as compared to using a turn model, such as Constant Turn (CT) or Constant Angular Velocity (CAV). The CJ model is thus a suitable choice to have as one of the motion models in an IMM structure and works well in conjunction with two Constant Velocity (CV) models. We were not able to determine if the Spherical measurement model is better than the Cartesian measurement model in general. However, the Spherical measurement model improves the accuracy of the state estimate in some cases. Adaptive tuning of the system noise covariance Q and measurement noise covariance R does not improve the accuracy of the state estimate but it improves the filter robustness and consistency when the filter is incorrectly tuned. Based on our results, we believe that the adaptive IMM-UKF shows promise but that there is still room for improvement with regards to both the accuracy and consistency. However, we will need to perform extensive tests with real UAV radar data to draw concrete conclusions. / Med den förväntade tillväxten av trafik med obemannade flygfordon (UAV) under de kommande åren kommer efterfrågan för spårningslösningar för UAV inom flygövervakning. För att säkerställa en säker integration av UAV:er i luftrummet, kommer Air Traffic Management (ATM)-system att behöva tillhandahålla tjänster för UAV-spårning. Det så kallade Interacting Multiple Model Extended Kalman Filter (IMM-EKF) filtret är en industristandard spårning av flygplan, men ingen sådan algoritm har prövats och testats för UAV-spårning. Denna avhandling syftar till att fastställa en lämplig spårningsalgoritm för det specifika fallet med icke samarbetande spårning av UAV från radardata. I icke samarbetande spårningsscenarier har vi ingen information om UAV:n utöver radarmätningar. Vi presenterar en adaptiv metod baserad på IMM-UKF, där vi ersätter EKF i industristandarden IMM-EKF med ett filter av typen UKF. Vi undersöker tre olika kombinationer av rörelsemodeller och jämför också en kartesisk med en sfärisk mätmodell. Vår jämförelse av rörelsemodeller visar om man använder en Constant Jerk (CJ) modell för manövrar i IMM-strukturen minskar risken för divergens jämfört med att använda en svängmodell, såsom Constant Turn (CT) eller Constant Angular Velocity (CAV). CJ-modellen är alltså ett lämpligt val att ha som en av rörelsemodellerna i en IMM-struktur och fungerar bra i kombination med två Constant Velocity (CV) modeller. Vi kunde inte avgöra om den sfäriska modellen var bättre än den kartesiska modellen. Adaptiv inställning av systembrusets kovarians Q och mätbrus kovarians R förbättrar inte tillståndsuppskattningens noggrannhet men den förbättrar filtrets robusthet och konsistens när filtret är felaktigt inställt. Baserat på våra resultat tror vi att den adaptiva IMM-UKF metoden är lovande men att det fortfarande finns utrymme för förbättringar när det gäller både noggrannhet och konsistens i spårningen. Vi kommer dock att behöva utföra omfattande tester med riktiga UAV-radardata för att dra konkreta slutsatser.
|
Page generated in 0.0944 seconds