Autonomous localization of a radio source is addressed, in the context of autonomous charging for drones in indoor environments. A radio beacon will be the only input used by the robot to navigate to an unknown charging station, at an unknown area. Previous proposed algorithms used frontier-based exploration and the measured RSS to compute the direction to the source. The use of Gaussian processes is studied to model the Radio Signal Strength (RSS) distribution and generate an estimation of the gradient. This gradient was also incorporated into a frontier exploration algorithm and was compared with the proposed algorithm. It was found that the usefulness of the Gaussian process model depended on the distribution of the RSS samples. If the robot had no prior samples of the RSS, then the gradient-assisted solution performed better. Instead, if the robot had some prior knowledge of the RSS distribution, then the Gaussian process model yields a better performance. / Autonom utforskning av en radiokälla behandlas, i samband med autonom laddning för drönare i inomhusmiljöer. En radiofyr kommer att vara den enda information som roboten använder för att navigera till en laddningsstation i ett okänt område. Tidigare föreslagna algoritmer använde gränsbaserad undersökning och den uppmätta RSS:en för att beräkna källans riktning. Användning av Gaussiska processer studeras för att modellera RSS-distributionen och generera en uppskattning av gradienten. Denna gradient införlivades också i en gränsutforskningsalgoritm och jämfördes med den föreslagna algoritmen. Det visade sig att användningen av den gaussiska processmodellen berodde på distributionen av RSS-proverna. Om roboten inte hade några tidigare prover av RSS, presterade den gradientassisterade lösningen bättre. Istället, om roboten hade några prover av RSS (till exempel om den utfört en annan uppgift på någon region i kartan), ger Gaussiska processmodellen bättre prestanda.

Mapping is an enabler for further actions. With the map of an area available, it is possible to plan ahead. Maps of landmasses and heavily used deep waters have been produced and are in use but many shallow waters have been largely unmapped. This thesis proposes and examines two methods of control to produce depth maps of shallow waters using multiple autonomous surface vehicles. Assumptions about the environment are kept to a minimum and agents are expected to explore and map inside a given polygonal boundary. Gaussian process regression is used to guide the agents to areas with large uncertainty. A group of autonomous surface vehicles are used for experimental evaluation. Existing works in this area are compared with the method proposed in this thesis to evaluate map quality and time needed to create the map. Results show that one of the proposed methods is best suited for fast and raw map generation while the other strikes a good balance between accuracy and speed. / Att ha tillgång till en karta över ett område är en förutsättning för många olika aktiviteter, och därför har det skapats allt mer exakta kartor över de flesta landområden. För hav och sjöar har man skapat mer ungefärliga djupkartor för att undvika grundstötningar för sjöfart. Grundare områden har däremot ofta undvikits av stora djupmätningsfartyg, och är därför i hög grad okarterade.I denna rapport föreslås och analyseras en metod för att kartera djupet i grunda områden med hjälp av en grupp autonoma ytfarkoster. Givet en polygon inom vilken man vill ha botten karterad skall gruppen autonomt söka av området med få ytterligare antaganden. Gaussiska processer används för att styra farkosterna mot områden med stora mätosäkerheter, och algoritmen utvärderas i riktiga experiment.Resultaten jämförs med befintliga metoders prestanda, med avseende på kartkvalitet och tid för kartering. Resultaten visar att en av de föreslagna metoderna är snabb men mindre noggrann, medan den andra ger en bättre avvägning mellan kvalitet och uppdragstid.

京都大学 / 新制・課程博士 / 博士(農学) / 甲第24669号 / 農博第2552号 / 新制||農||1099(附属図書館) / 学位論文||R5||N5450(農学部図書室) / 京都大学大学院農学研究科応用生命科学専攻 / (主査)教授 菅瀬 謙治, 教授 小川 順, 教授 森 直樹 / 学位規則第4条第1項該当 / Doctor of Agricultural Science / Kyoto University / DFAM

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.