Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2136| Geo-localisation of aerial images captured with Drones | |
| Aldrich Alfredo Cabrera Ponce | |
| JOSE MARTINEZ CARRANZA | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Geo-localisation Aerial Images UAV Navigation GPS Deep Learning | |
| The Global Position System (GPS) has become an essential sensor for public applications, maritime systems, robotics and aerial vehicles. Traditionally, autonomous flight in outdoor areas is possible thanks to GPS devices that enable Unmanned Aerial Vehicles (UAV) to obtain their position in latitude and longitude coordinates. However, GPS may become unreliable when the drone flies in environments where the signal may get occluded. Malicious attacks may also compromise the GPS signal, aiming to block the signal or replace it with spurious data. Motivated by these scenarios, the proposed approach relies on a methodology to estimate the GPS position of a UAV using Convolutional Neural Networks (CNN) and a learningbased strategy. For the latter, we adopted two learning scenarios: 1) offline learning; 2) online learning, where we tackled the re-localisation and geo-localisation problem in scenarios where GPS devices fail. We argue that our approach could be used as a backup system to return the UAV home. Therefore, we performed tests with aerial images and videos captured with the Matrice 100 and Bebop 2 drones in two scenarios with different trajectories to demonstrate our approach using a compact CNN and online learning implementation. The presented experiments with CompactPN got an average error of 2.60 to 6.16 metres and a speed of 107.88 fps. Likewise, online learning implementation based on the AR1* method obtained an accuracy of 0.79 to 0.92 and a speed of 127.33 fps. El Sistema de Posicionamiento Global (GPS) se ha convertido en un sensor esencial para aplicaciones públicas, sistemas marítimos, robótica y vehículos áereos. Tradicionalmente, el vuelo autónomo en zonas exteriores es posible gracias a los dispositivos GPS que permiten a los vehículos áereos no tripulados (UAV) obtener su posición en coordenadas de latitud y longitud. Sin embargo, el GPS puede no ser confiable cuando el dron vuela en entornos donde la señal puede quedar ocluida. Los ataques maliciosos también pueden comprometer la señal GPS, con el objetivo de bloquear la señal o sustituirla por datos espurios. Motivado por estos escenarios, el enfoque propuesto se basa en una metodología para estimar la posición GPS de un UAV utilizando redes neuronales convolucionales (CNN) y una estrategia basada en el aprendizaje. Para esta última, adoptamos dos escenarios de aprendizaje: 1) aprendizaje fuera de línea; 2) aprendizaje en línea, en el que abordamos el problema de la relocalización y la geolocalización en escenarios en los que fallan los dispositivos GPS. Sostenemos que nuestro enfoque podría utilizarse como sistema de respaldo para devolver el UAV a casa. Por lo tanto, realizamos pruebas con imágenes y vídeos áereos capturados con los drones Matrice 100 y Bebop 2 en dos escenarios con diferentes trayectorias para demostrar nuestro enfoque utilizando una CNN compacta y una implementación de aprendizaje en línea. Los experimentos presentados con CompactPN obtuvieron un error medio de 2.60 a 6.16 metros y una velocidad de 107.88 fps. Asimismo, la implementación del aprendizaje en línea basada en el método AR1* obtuvo una precisión de 0.79 a 0.92 y una velocidad de 127.33 fps. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2021 | |
| Tesis de maestría | |
| Inglés | |
| Estudiantes Investigadores Público en general | |
| Cabrera Ponce, Aldrich Alfredo., (2021), Geo-localisation of aerial images captured with Drones, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| LENGUAJES DE PROGRAMACIÓN | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencias Computacionales |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| Tesis_Maestria_AldrichCabrera.pdf | 16.01 MB | Adobe PDF | Visualizar/Abrir |