Untersuchung der Anwendbarkeit von Machine Learning zur Selbstlokalisation auf einer Miniaturdrohne

Abstract

Drohnen wie Quadrocopter benötigen zur Stabilisierung und Navigation eine präzise Schätzung der aktuellen Position und Orientierung im Raum. Die vorhandenen Sensordaten unterschiedlicher Sensoren müssen hierbei bestmöglich fusioniert werden. Konventionelle Verfahren zur Sensorfusion, wie das Extended Kalman Filter (EKF), müssen hierfür aufwendig für spezielle Anwendungsfälle parametriert werden. Bei einer rein inertialen Navigation (Koppelnavigation) führt die inhärente Sensordrift zu schnell ansteigenden Positionsfehlern. In dieser Arbeit wird untersucht, inwieweit Machine Learning zur Selbstlokalisation auf einer Miniaturdrohne genutzt werden kann. Herausforderung ist hierbei die geringe Rechenleistung, die auf einer leichten Drohne zur Verfügung steht. Es werden künstliche neuronale Netze mit unterschiedlicher Architektur trainiert und deren Performance mit konventionellen Filterverfahren verglichen. In diesem Rahmen wird ein rein inertialer Ansatz und ein Ansatz mit Unterstützung durch einen Optical-Flow-(OF) und Time-of-Flight-Sensor (ToF) untersucht.

Drones such as quadrocopters require a precise estimation of the current position and orientation in space for stabilization and navigation. The available sensor data from different sensors must be fused in the best possible way. Conventional methods for sensor fusion, such as the Extended Kalman Filter (EKF), require complex parameterization for special applications. In the case of purely inertial navigation (dead reckoning), the inherent sensor drift leads to rapidly increasing position errors. This thesis investigates the extent to which machine learning can be used for self-localization on a miniature drone. The challenge here is the low available computing power on a lightweight drone. Artificial neural networks with different architectures are trained and their performance is compared with conventional filtering methods. In this context, a purely inertial approach and an approach supported by an optical flow and time-of-flight sensor are investigated.