Terrain referenced navigation is a method of navigation that uses measurements of altitude above ground to infer the position of the vehicle, mainly aerial or underwater. This method provides an alternative to the commonly used satellite-based navigation. Satellite-based navigation methods rely on positional information being sent from an external source, which can be jammed or tampered with, a problem terrain referenced navigation does not have. Both satellite-based and terrain based navigation methods often work in conjunction with inertial navigation systems, which are accurate for short periods of time but suffer from large errors due to accumulation of errors when used for longer missions. In this thesis, several state-of-the-art methods of terrain referenced navigation are studied and evaluated, with the main focus being the different estimation methods employed. Five of the studied estimators were implemented and tested on simulated flight data from a generic aerial vehicle, resulting in improved navigation accuracy compared to using inertial navigation on its own. For the terrain referenced navigation to work well, the ground needs to be relatively unique in order to contain useful information, thus making the estimation more uncertain when flying over flat regions. To deal with this, path planning was used to alter the flight path to increase the expected information gain. Using a grid based planning algorithm together with the original route yielded a modified path with more potential information. When following this new path, the terrain referenced navigation systems are shown to estimate the position more accurately compared to the original path. The study shows that terrain referenced navigation is a viable alternative to satellite based navigation. It also indicates that modifying the path to increase the expected information gain can result in better robustness and precision. / Terrängbaserad navigering är en navigeringsmetod där mätningar av höjd över mark används för att fastställa fordonets position, huvudsakligen från luften eller under vattnet. Denna metod är ett alternativ till den allmänt använda satellitbaserade navigeringen. Satellitbaserad navigering är beroende av att positionsinformation skickas från en extern källa, som kan störas eller manipuleras, vilket är ett problem som terrängbaserad navigering inte har. Både satellitbaserade och terrängbaserade navigeringsmetoder används ofta tillsammans med tröghetsnavigeringssystem, som är noggranna under kortare tid, men som lider av stora fel på grund av ackumulering av fel när de används under längre uppdrag. I denna rapport studeras och utvärderas flera moderna metoder för terrängbaserad navigering, med huvudfokus på de olika skattningsmetoder som används. Fem av de studerade skattningsmetoderna implementerades och testades på simulerade flygdata från ett generiskt flygfarkost, vilket resulterade i förbättrad navigeringsnoggrannhet jämfört med att använda tröghetsnavigering på egen hand. För att den terrängbaserade navigeringen ska fungera bra måste marken vara relativt unik för att innehålla användbar information, vilket gör uppskattningen mer osäker när man flyger över plana områden. För att hantera detta användes banplanering för att välja en flygbana som ger maximalt informations innehåll. Genom att använda en rutnätsbaserad planeringsalgoritm tillsammans med den ursprungliga rutten erhölls en modifierad bana med mer potentiell information. Genom att följa denna nya bana uppskattas positionen bättre av de terrängbaserade navigationssystemen jämfört med den ursprungliga banan. Studien visar att terrängbaserad navigering är ett gångbart alternativ till satellitbaserad navigering. Den visar också att en ändring av banan för att öka den förväntade informationsvinsten kan leda till bättre robusthet och precision.

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.