Ein Visual Inertial Navigation System (VINS) bietet eine robuste Navigationslösung für autonome Drohnen, indem es auf raffinierte Weise visuelle und Inertialsensordaten kombiniert. Insbesondere ermöglicht es eine genaue, zuverlässige Lokalisierung und Kartierung in widrigen Umgebungen.
Datenerfassung und Komponenten
Ein VINS stützt sich auf mehrere Onboard-Komponenten – hauptsächlich Kameras und Inertial Measurement Units (IMUs) –, die zusammenarbeiten, um Informationen über die Bewegung einer UAV und ihre Umgebung zu sammeln. Die Kameras liefern visuelle Daten, indem sie Bilder oder Videoframes aufnehmen, während die IMUs Rotations- und Beschleunigungsmessungen aufzeichnen.
Das visuelle Subsystem verwendet Computervisionsalgorithmen, um die erfassten Bilder zu verarbeiten. Diese Algorithmen extrahieren wichtige Umweltmerkmale und führen Aufgaben wie Merkmalserkennung, -verfolgung und -zuordnung durch. Durch die Identifizierung und Verfolgung markanter Punkte in aufeinanderfolgenden Bildern kann das VINS den Zustand des UAV schätzen, einschließlich seiner Position, Geschwindigkeit und Ausrichtung.
Das Trägheitssubsystem besteht aus Beschleunigungsmessern und Gyroskopen, die hochfrequente Messungen von Linear- und Winkelbewegungen liefern. Diese präzisen Messwerte helfen, die Bewegungen der UAV zu verfolgen und externe Störungen auszugleichen. Schließlich integrieren Sensorfusionsalgorithmen die IMU-Daten mit visuellen Informationen, um eine hochgenaue Schätzung des Standorts der UAV zu erstellen.
Betriebliche Vorteile und Herausforderungen
VINS bietet einen großen Vorteil für Drohnenoperationen, da es eine zuverlässige Navigation auch dann gewährleistet, wenn GNSS-Signale verloren gehen. Es funktioniert gut in Umgebungen, in denen Satellitensignale schwach oder nicht verfügbar sind — wie in Innenräumen, in dichten städtischen Gebieten oder in Kriegsgebieten —, wo Gebäude, Hindernisse oder Signalstörungen den GNSS-Empfang blockieren. Unter diesen GNSS-verweigerten Bedingungen liefert VINS weiterhin eine genaue Lokalisierung und Kartierung, indem es sich auf visuelle Hinweise und Trägheitsmessungen verlässt, wodurch UAVs präzise Schätzungen ihrer Position und Ausrichtung aufrechterhalten und somit autonom navigieren können.
Der VINS-Workflow umfasst mehrere wichtige Schritte, wie z. B. die Fusion von visuellen Inertialsensoren und die Zustandsschätzung. Bei der Merkmalsextraktion identifiziert das System wichtige visuelle Punkte und verfolgt sie über mehrere Frames hinweg. Sensorfusionsalgorithmen führen dann die visuellen und inertialen Daten zu einer einheitlichen Zustandsschätzung zusammen. Zustandsschätzungsalgorithmen verwenden diese fusionierten Informationen, um die Position, Geschwindigkeit und Ausrichtung der Drohne mit hoher Genauigkeit zu berechnen.
VINS unterstützt eine breite Palette von Anwendungen, darunter Luftbildkartierung, Überwachung und Koppelnavigation in Situationen, in denen GNSS-Daten nicht zuverlässig sind.
Trotz seiner Stärken steht VINS noch vor technischen Herausforderungen. Die Integration von Kameras und Trägheitssensoren erfordert eine präzise Kalibrierung und Synchronisation, um die Messgenauigkeit zu gewährleisten. Probleme wie Okklusionen und variable Lichtverhältnisse für die visuellen Subsysteme erfordern ebenfalls fortlaufende Forschung. Die Verbesserung der VINS-Robustheit und -Leistung bleibt ein wichtiges Ziel für zukünftige Verbesserungen.
