Implementación y evaluación del filtro de Kalman y de las redes neuronales recurrentes en el seguimiento de vehículos aéreos no tripulados (UAVs)

Abstract

[Resumen]: Los vehículos aéreos no tripulados (UAVs) se utilizan en una gran variedad de ámbitos, tanto militares como civiles. Algunos ejemplos de uso son la vigilancia y seguridad en fronteras, la inspección de infraestructuras críticas (tendidos eléctricos, oleoductos…), la búsqueda de supervivientes, el monitoreo o riego de cultivos, la entrega de paquetes y suministros en zonas de difícil acceso y la grabación para la industria del entretenimiento, entre otros. Para conocer el estado en el que se encuentra el UAV, se utilizan varios sensores, los cuales están sometidos a múltiples fuentes de ruido, lo que puede hacer que se estime una trayectoria que difiere de la trayectoria real. En todas las aplicaciones mencionadas, garantizar un seguimiento preciso y en tiempo real de la trayectoria del UAV es fundamental para maximizar la eficacia de la tarea realizada y la seguridad en la operación. Con este objetivo, en este proyecto se aborda el problema del seguimiento de la trayectoria de un UAV que presenta sensores sometidos a ruido. Para ello, se obtienen las coordenadas y la altitud de un UAV durante diferentes vuelos, utilizando un módulo GPS y un altímetro barométrico. Utilizando estos datos, que contienen un cierto nivel de ruido, se implementa y se prueba el rendimiento tanto del filtro de Kalman como de las redes neuronales recurrentes en la estimación de las trayectorias reales del UAV, realizando también una comparación entre ambos enfoques, de tal forma que se identifiquen las fortalezas y limitaciones de cada técnica.

[Abstract]: Unmanned Aerial Vehicles (UAVs) are used in a wide variety of areas, both military and civilian. Some examples of UAV uses are surveillance and security at borders, inspection of critical infrastructure (power lines, pipelines…), search for survivors, monitoring or irrigation of crops, delivery of packages and supplies in hard-to-reach areas, recording for the entertainment industry, etc. To know the state of the UAV, various sensors are used, which are subject to multiple sources of noise. This fact can lead to an estimated trajectory that differs from the actual trajectory. In all the mentioned applications, ensuring accurate and real-time tracking of the UAV’s trajectory is essential to maximize the effectiveness of the performed task and safety in operation.With this objective, this project addresses the problem of tracking the trajectory of a UAV that presents sensors subject to noise. To do this, the coordinates and altitude of a UAV are obtained during different flights by using a GPS module and a barometric altimeter. Using these data, which contain a certain level of noise, the performance of both the Kalman filter and recurrent neural networks is tested in the estimation of the UAV’s actual trajectories, also making a comparison between both approaches, so that the strengths and limitations of each technique are identified.