Stabilizace létajícího drona v dynamickém prostředí
Stabilisation of a flying drone in dynamic environments
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/69262Identifikátory
SIS: 146168
Kolekce
- Kvalifikační práce [10923]
Autor
Vedoucí práce
Oponent práce
Obdržálek, David
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Obecná informatika
Katedra / ústav / klinika
Katedra teoretické informatiky a matematické logiky
Datum obhajoby
4. 9. 2014
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Výborně
Klíčová slova (česky)
SLAM, lokalizace, mapování, AR.Drone, Kalmanův filtrKlíčová slova (anglicky)
SLAM, localisation, mapping, AR.Drone, Kalman filterPráce se zabývá implementací a popisem systému vzdáleně řídícího létajícího drona, který je schopen drona dlouhodobě udržet na místě navzdory vlivům vnějšího prostředí i nespolehlivosti senzorů. Toho je dosaženo využitím obrazových dat z kamery a informací ze senzorů bez jakékoli předchozí znalosti prostředí a bez navigačního signálu. Jádrem řešení je lokalizační a mapovací systém paralelně sledující rozpoznatelné body v přijímaném obrazu a udržující mapu těchto bodů v trojrozměrném prostoru. Jelikož systém nemůže přesně určit ani polohu bodů, které vidí na kameře, ani polohu své kamery, optimalizuje v reálném čase a hledá hodnoty všech těchto neznámých tak, aby dosáhl minimální celkové chyby. Výstup této vizuální lokalizace je pak Kalmanovým filtrem zkombinován s nevizuálními navigačními daty drona a na základě modelu dynamiky drona ve filtru probíhá predikce pohybu a na jeho základě reaktivní navigace. Powered by TCPDF (www.tcpdf.org)
This work describes the implementation of a system remotely a controlling flying drone that is able to stabilize and hold the drone still regardless of external influences and the inacurracy of sensors. That is achieved by utilizing visual data from the camera and information from sensors with neither any preceding knowledge of the environment nor a navigational signal. The core of the approach is a localization and mapping system tracking recognizable points in the camera image while maintaining a 3D map of those points. As the system can't measure the location of points seen through the camera or even the camera itself, it optimizes in real time and estimates the values of all those variables in order to minimize the total error. The output of visual localization is afterwards combined using the Kalman filter with non-visual navigational data. The filter then predicts future location using drone's dynamics model. The resulting location is then used for reactive navigation. Powered by TCPDF (www.tcpdf.org)