In aviation, safety is a big concern. Knowing the position of an aircraft at all times is of high importance. Today most aircraft utilize Global Navigation Satellite Systems (GNSS) for localization and precision navigation because of the small position error which do not increase over time. However, recent research show that GNSS can easily be jammed or spoofed. An alternative navigation method is Visual Odometry (VO). VO is navigation through visual input and is a key-part in development of fully autonomous vehicles. This thesis investigates the Deep Learning-based Visual Odometry (DL-VO) for aircraft at altitudes over 100 m. DL-VO deployed at high altitude is almost none existing. Therefore, this thesis investigates the deployments of ground developed DL-VO in the aerial domain. DeepVO is a Frame-To-Frame optical flow estimation method which is trained supervised and end-to-end. The domain change, from ground to high altitude aerial, brought bigger issues and had larger impact on the performance than first though. The use of full 6 Degrees of Freedom (DoF) pose estimation increases the complexity and was much harder than 2D estimation (x, y, yaw). A good angle representation was of higher importance during training and testing in the aerial domain. Since in the aerial domain the full 3D rotation is not unique in all representations of the orientation and issues with Gimbal lock can occur. Results on simulated data show that the propose method fails to estimate 6 DoF poses. However, the reduced 2D estimations shows that a trajectory can be maintained even is drift is present. The result on real world dataset shows that it easier to recover scale at lower speeds and with a less down angled camera. The difference between simulated and non-simulated data has not been investigated to the extent that a fair assessment on how the method’s performance is affected by the data character. / Flygsäkerhet är av stor vikt inom flygindustin. Att som pilot alltid veta var planet befinner sig är av stor vikt. Global Navigation Satellite Systems (GNSS) är idag den mest använda metoden för lokalisering och precisionsnavigering då GNSS har liten felmarginal som inte förvärras över tid. Nyligen har forskare visat att GNSS kan lätt störas och alternativa lokaliseringsmetoder behövs. En av dem är Visual Odometry (VO). VO metoder försöker navigera sig i olika miljöer genom att estimera kamerors rörelser i sekvens av bilder. Det pågår mycket forsking på området då det är ett nyckelkoncept för autonoma fordon. Detta arbete undersöker användadet av Deep Learning-based Visual Odometry (DL-VO) för flygfarkoster på höjder över 100 m. Det är väldigt få som har testat DL-VO på annat än små drönare vilket skiljer från flygplan på högre höjd som stöter på andra problem där alla obejekt är väldigt små. Då forskingen på DL-VO för flygplan på högre höjd är minimal undersöker arbetet ett domän byte genom att ta en metod utveklad för markfordon och flytta den till flygdomänen. För att undersöka bytet av domän avändes en anpassad version av DeepVO nätverket. DeepVO använder sig av realtiv Frame-To-Frame optiskt flödes estimeringar och är tränad end-to-end enligt supervised learning metoden. Domän bytet, från mark till luft, medförde större problem än först trott och det ökade komplexiteten på problemet. Estimeringar med 6 frihetgrader är mer komplexa och en bra vinkel representation är av mycket större vikt. Minimering av vinklar under träningen skapade andra problem i flygdomänen än vad det gjorde på ursrungliga datasetet. Resultaten på simiulerad data visar att den framtagna metoden inte klarar estimeringar med 6 frihetgrader. Men om problemet reduceras så kan metoden estimaera 2D banor på en fixerad höjd i luften även om viss drift över tid existerar. Kameravinkeln och hastighet påverkar metodens förmåga att hålla en korrekt skala. Resultat på verklig data visar att det är lättare att uppnå korrekt skala vid lägre hastighet och mindre nervinklad kamera. Skillnaderna mellan simulerad och verklig data har inte undersökts i den utsträktning som behövs för att göra en korrekt slutsats om dess efftekter på resultatet.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-325742 |
| Date | January 2022 |
| Creators | Öhrstam Lindström, Oliver |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2022:933 |
Page generated in 0.0029 seconds