Obemannade flygfarkoster, så kallade UAV, har länge används för militära ändamål. Dessa ändamål har främst varit underrättelseinhämtning i form av spaning för att ge markförband bättre beslutsunderlag. De används idag i konflikter som den i Afghanistan där de relativt obehindrade kan operera i luften utan att motståndaren kan påverka dem.Anledningen till denna frihet beror på den kontroll av luftrummet som uppnåtts genom så kallade luftförsvarsoperationer. Dessa operationer syftar till att skapa den kontroll av ett luftrum som en part vill ha eller anses sig behöva för att kunna genomföra mark- eller sjöoperationer. Dessa är indelade i olika uppdragstyper som ställer olika krav på flygplattformen beroende på uppdrag, det kan till exempel vara attack- eller jaktuppdrag. Dessa skall kunna genomföras när motståndaren fortfarande har möjlighet till att verka i luftarenan, antingen från marken eller luften, beroende på vart kontrollen vill nås rent geografiskt.Syftet med arbetet var att undersöka om UCAV skulle lämpa sig i luftförsvarsoperationer där det finns motståndare som kan påverka dem. Resultatet som kom fram är att UCAV, i det utförande som de finns i idag, endast är lämpliga till att genomföra luftförsvarattack inom ramen för luftförsvarsoperationer. Författaren kom också fram till att framtidens UCAV även kommer vara lämpliga till att genomföra SEAD eftersom de då kommer vara mer signaturanpassade, ha högre topphastighet samt kunna bära fler och tyngre vapen. Däremot visade det sig att UCAV vare sig är lämplig eller kommer vara lämplig för genomförande av uppdragen som verkar inom jaktfunktionen. Detta, främst på grund av att de inte har rätt förmågor, men även avsaknaden av en pilot på plats är en nackdel då det skapar sämre förutsättningar till att ta sig igenom beslutscykeln, tillika OODA-loopen.

In this degree project in aerospace engineering, a preliminary design of a UAV (Unmanned Aerial Vehicle) was performed. The UAV was intended to be used as a complement to the Swedish maritime administration’s helicopters, which cannot operate under limited visibility conditions. Its main mission would consist of surveillance. The UAV was therefore designed for some series criteria that were based on the customers’ requirements. The primary literature that was used was John D. Andersons Aircraft performance and design. Otherwise, historical statistical data from other aircraft was used and numerous assumptions were made. The result was a relatively small UAV named The Condor, weighing 25.6 kg with a wingspan of 2.5 m and operational in an altitude of 3500 m with a cruise speed of 81 knots. The UAV’s range is 70 nautical miles and is also able to operate in up to six hours. It should be able to manage a 300 m long runway. The chosen wing profile was the NACA 1412 with a maximal thickness and camber of 12 % and 1 % of the chord length, respectively. As for the stabilizer, the symmetric wing profile NACA 0012 was chosen. A so called constraint analysis was performed in order to determine the engine choice and thewing loading. The chosen engine was a 3.1 horsepower piston engine provided by Ricardo. The dimensions of the fuselage were designed only to fit the payload and no detailed analysis was done. It became 2.3 m long and with a maximal diameter of 0.3 m. / I det här kandidatexamensarbetet i flygteknik gjordes en preliminär design av en drönare. Drönaren skulle användas som komplettering till sjöfartsverkets helikoptrar, som inte kan användas vid mycket begränsad sikt. Dess huvudsakliga uppdrag skulle bestå av övervakning. Drönarens utformades därför efter en rad kriterier som baserades på uppdragsgivarens krav. Den huvudsakliga litteraturen som användes var John D. Andersons Aircraft performanceand design. I övrigt användes historisk statistisk data från andra flygplan och ett flertal antaganden gjordes. Resultatet blev en relativt liten drönare som döptes till The Condor och fick en vikt på 25.6 kg, med ett vingspann på 2.5 m och som opererar på 3500 m flyghöjd med en marschfart på 81 knop. Drönarens räckvidd är 70 nautiska mil och den kan därutöver operera i upp till sex timmar. Den bör klara av en landningsbana på 300 m. Som vingprofil valdes NACA 1412 med en maximal tjocklek och camber på 12 % respektive 1 % av kordalängden. För stabilisatorn valdes den symmetriska profilen NACA 0012. En så kallad ”constraint analysis” genomfördes för fastställande av motorval och vingbelastning. Motorn som valdes blev en 3.1 hästkrafters pistongmotor från Ricardo. Flygplanskroppens dimensioner utformades endast för att få plats med nyttolasten och ingen noggrannare analys genomfördes. Den blev 2.3 m lång med en maximal diameter på0.3 m.

´The use of unmanned aerial vehicles has not escaped anyone, not least in the Ukraine war. Sweden has operated UAV systems for almost 30 years, but on a relatively small scale. The technology is used to a greater extent by some armed forces. The purpose of our study has been to examine from a development perspective the conditions for the introduction of UAVs for the protection and surveillance of Swedish air bases. The study has an inductive approach where we obtained data throuhg interviews and litterature studies, which were then analyzed with the help of previous research and governing documents. Different types of UAVs, together with existing methods, can significantly increase the effectiveness of the protection and surveillance of air bases, especially the ability to monitor large areas. In parallel with own UAV capacity, the air bases´ability to act against enemy UAVs must also be developed. There are challenges with today´s materiel procurement process which means that it is perceived as slow to introduce new materielsystems, a further decentralization of the decision-making mandate would in this case bring out more agile materiel procurement. Operating with unmanned systems in the same area as own aircraft requires well-functioning coordination. There are methods for this, but they need to be developed and practiced to a greater extent.

In recent years, Unmanned aerial vehicles (UAVs) have developed rapidly due to advances in aerospace technology, and wireless communication systems. As a result of their versatility, cost-effectiveness, and flexibility of deployment, UAVs have been developed to accomplish a variety of large and complex tasks without terrain restrictions, such as battlefield operations, search and rescue under disaster conditions, monitoring, etc. Data collection and offloading missions in The internet of thingss (IoTs) networks can be accomplished with the use of UAVs as network edge nodes. The fundamental challenge in such scenarios is to develop a UAV movement policy that enhances the quality of mission completion and avoids collisions. Real-time learning based on neural networks has been proven to be an effective method for solving decision-making problems in a dynamic, unknown environment. In this thesis, we assume a real-life scenario in which a UAV collects data from Ground base stations (GBSs) without knowing the information of the environment. A UAV is responsible for the MOO including collecting data, avoiding obstacles, path planning, and conserving energy. Two Deep reinforcement learnings (DRLs) approaches were implemented in this thesis and compared. / Under de senaste åren har UAV utvecklats snabbt på grund av framsteg inom flygteknik och trådlösa kommunikationssystem. Som ett resultat av deras mångsidighet, kostnadseffektivitet och flexibilitet i utbyggnaden har UAV:er utvecklats för att utföra en mängd stora och komplexa uppgifter utan terrängrestriktioner, såsom slagfältsoperationer, sök och räddning under katastrofförhållanden, övervakning, etc. Data insamlings- och avlastningsuppdrag i IoT-nätverk kan utföras med användning av UAV:er som nätverkskantnoder. Den grundläggande utmaningen i sådana scenarier är att utveckla en UAV-rörelsepolicy som förbättrar kvaliteten på uppdragets slutförande och undviker kollisioner. Realtidsinlärning baserad på neurala nätverk har visat sig vara en effektiv metod för att lösa beslutsfattande problem i en dynamisk, okänd miljö. I den här avhandlingen utgår vi från ett verkligt scenario där en UAV samlar in data från GBS utan att känna till informationen om miljön. En UAV är ansvarig för MOO inklusive insamling av data, undvikande av hinder, vägplanering och energibesparing. Två DRL-metoder implementerades i denna avhandling och jämfördes.

This thesis addresses the problem of improving the delineation of skylines, also referred to as skyline detection, in occluded and challenging environments where existing skyline delineation methods may struggle or fail. Delineated skylines can be used in monocular camera localization methods by comparing delineated skylines to digital elevation model data to estimate a position based on known terrain. This is particularly useful in GPS-denied environments in which active sensing is either impractical or undesirable for various reasons, so that passive sensing using monocular cameras is necessary and/or strategically advantageous. This thesis presents a novel method of skyline delineation using deep learning-based semantic segmentation of monocular camera images to detect natural skylines of distant landscapes in the presence of occlusions. Skylines are extracted from semantic segmentation predictions as the boundary between pixel clusters labeled as terrain to those labeled as sky, with additional segmentation classes representing the known set of potential occlusions in a given environment. Additionally, each pixel in the detected skyline contours are assigned a confidence score based on local intensity gradients to reduce the potential impacts of erroneous skyline contours on position estimation. The utility of these delineated skylines is demonstrated by obtaining orientation and position estimates using existing methods of skyline-based localization. In these methods, the delineated natural skyline is compared to rendered skylines using digital elevation model data and the position estimate is obtained by finding the closest match. Results from the proposed skyline delineation method using semantic segmentation, with accompanying localization demonstration, is presented on two distinct data sets. The first is obtained from the Perseverance Rover operating in the Jezero Crater region of Mars, and the second is obtained from an uncrewed surface vessel operating in the Gulf of Koper, Slovenia. / Denna avhandling tar upp problemet med att förbättra avgränsningen av skylines, även kallad skylinedetektion, i tilltäppta och utmanande miljöer där befintliga skylineavgränsningsmetoder kan kämpa eller misslyckas. Avgränsade skylines kan användas i monokulära kameralokaliseringsmetoder genom att jämföra avgränsade skylines med digitala höjdmodelldata för att uppskatta en position baserat på känd terräng. Detta är särskilt användbart i GPS-nekas miljöer där aktiv avkänning är antingen opraktisk eller oönskad av olika skäl, så att passiv avkänning med användning av monokulära kameror är nödvändig och/eller strategiskt fördelaktig. Denna avhandling presenterar en ny metod för skylineavgränsning med användning av djupinlärningsbaserad semantisk segmentering av monokulära kamerabilder för att detektera naturliga skylines av avlägsna landskap i närvaro av ocklusioner. Horisonter extraheras från semantiska segmenteringsförutsägelser som gränsen mellan pixelkluster märkta som terräng till de märkta som himmel, med ytterligare segmenteringsklasser som representerar den kända uppsättningen potentiella ocklusioner i en given miljö. Dessutom tilldelas varje pixel i de detekterade skylinekonturerna ett konfidenspoäng baserat på lokala intensitetsgradienter för att minska den potentiella påverkan av felaktiga skylinekonturer på positionsuppskattning. Användbarheten av dessa avgränsade skylines demonstreras genom att erhålla orienterings- och positionsuppskattningar med hjälp av befintliga metoder för skylinebaserad lokalisering. I dessa metoder jämförs den avgränsade naturliga horisonten med renderade silhuetter med hjälp av digitala höjdmodelldata och positionsuppskattningen erhålls genom att hitta den närmaste matchningen. Resultat från den föreslagna metoden för skylineavgränsning med semantisk segmentering, med tillhörande lokaliseringsdemonstration, presenteras på två distinkta datamängder. Den första kommer från Perseverance Rover som verkar i Jezero Crater-regionen på Mars, och den andra erhålls från ett obemannat ytfartyg som verkar i Koperbukten, Slovenien.

You do not want your drone to crash. Therefore, safety systems should be put in place to prevent such an event, and obstacle avoidance is a major part of this. Today, the most successful techniques use cameras or light detection and ranging (LIDAR) to find and avoid obstacles; but to improve resiliency, multiple systems should be used. This thesis proposes to use microphones, listening to the drone’s own noise, to estimate the distance to surrounding obstacles. An obstacle echolocation solution for multi-rotor aerial vehicles (MAVs) using ego-noise is developed. The MAV’s noise is captured and auto-correlated to detect echoes at different time delays. This signal is whitened to remove structured measurement noise resulting from the narrow-band components of the MAV’s noise. By recording the MAV’s noise using multiple microphones, a time of arrival (TOA) estimate of the obstacle position is achieved. A beamforming-based solution is used to calculate this estimate. A series of simplified proof-of-concept experiments show that ego-noise echolocation is possible and that the developed solution works in a controlled environment. A prototype implementation of a realistic system is also created. Four signal fusion alternatives are compared, though no best alternative is found for all situations. More work is needed to apply the findings of this work in a robust way, but the principle is shown to work.