Learning-based Airflow Inertial Odometry for MAVs using Thermal Anemometers in a GPS and vision denied environment

要約

この作業は、熱風速計、IMU、ESC、気圧計を含むマルチセンサーデータ融合を備えた気流慣性型臭気システムを示しています。
低コストのIMUSとバロメーターには重大なバイアスがあり、風速計の測定値はスピニングプロペラや地上効果からの干渉を受けやすいため、この目標は困難です。
GRUベースのディープニューラルネットワークを採用して、ノイズの乱れた性質計の測定から相対的な空気速度を推定し、バイアスモデルを備えたオブザーバーはセンサーデータを融合し、航空機の状態を推定します。
離陸や地面への着陸を含む完全なフライトデータは、このアプローチがプロペラと地上効果によって引き起こされるダウンウォッシュ誘発風速を切り離し、風のない屋内環境での飛行速度を正確に推定できることを示しています。
IMU、およびバロメーターのバイアスが効果的に推定されているため、203Sマニュアルランダムフライトではわずか5.7mである位置統合ドリフトが大幅に減少します。
オープンソースは、https：//github.com/syroco-isir/flight-speed-estimation-airflowで入手できます。

要約(オリジナル)

This work demonstrates an airflow inertial based odometry system with multi-sensor data fusion, including thermal anemometer, IMU, ESC, and barometer. This goal is challenging because low-cost IMUs and barometers have significant bias, and anemometer measurements are very susceptible to interference from spinning propellers and ground effects. We employ a GRU-based deep neural network to estimate relative air speed from noisy and disturbed anemometer measurements, and an observer with bias model to fuse the sensor data and thus estimate the state of aerial vehicle. A complete flight data, including takeoff and landing on the ground, shows that the approach is able to decouple the downwash induced wind speed caused by propellers and the ground effect, and accurately estimate the flight speed in a wind-free indoor environment. IMU, and barometer bias are effectively estimated, which significantly reduces the position integration drift, which is only 5.7m for 203s manual random flight. The open source is available on https://github.com/SyRoCo-ISIR/Flight-Speed-Estimation-Airflow.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google