Control system for UAV application based on inspection robot

• Autorzy: Chmaj G. , Uhl T.

Warianty tytułu

PL

System kontroli lotu aplikacji UAV opartej na Inspekcyjnym Robocie Latającym

• Języki publikacji: EN

Abstrakty

EN

This paper describes the design, development, and operation of the Inspection Robot, a UAV system that has been developed at the Department of Robotics and Mechatronics at AGH - University of Science and Technology. The hardware and software architecture used for controlling the Inspection Robot is presented. The architecture of a pan, tilt, and roll camera control system on-board the Inspection Robot is also presented. The camera is mounted in a light gimbal driven by three servos. The controller has currently three operation modes available. The first mode keeps the camera at a fixed position. The second mode drives the gimbal servos using signals received from an IMU system mounted on video glasses. Data provided by three sensors (a three axis accelerometer, a three axis gyroscope, and a three axis magnetic compass) from the IMU unit are integrated using a sensor fusion algorithm in order to obtain the best estimate for the system's dynamic state. The Kalman filter is very attractive for low-cost applications, where acceptable performance and reliability is desired, given a limited set of inexpensive sensors. Manual control, using conventional RC radio, is also possible.

PL

W artykule przedstawiono projekt, wykonanie oraz pierwsze testy Inspekcyjnego Robota Latającego rozwijanego w Katedrze Robotyki i Mechatroniki na uczelni AGH w Krakowie. W pracy przedstawiono system kontroli lotu pracujący na Inspekcyjnym Robocie Latającym oraz funkcjonalność oprogramowania naziemnej stacji bazowej stanowiącej łącze komunikacyjne z robotem. W artykule przedstawiono również projekt żyroskopowej platformy wideo pracującej na pokładzie Inspekcyjnego Robota Latającego, stanowiącej sprzężenie wizyjne z naziemnym operatorem. Platforma posiada trzy stopnie swobody i napędzana jest trzema serwomechanizmami. Istnieją trzy tryby pracy umożliwiające wykorzystanie platformy w różnych zadaniach. Pierwszy tryb pracy umożliwia zablokowanie wszystkich serwomechanizmów w ostatnim położeniu pracy. Drugi tryb pracy steruje aktuatory platformy na podstawie sygnałów odebranych z układu IMU zamontowanego na wirtualnych okularach wideo. Sygnały pochodzące z trzech czujników układu IMU (trzy przyśpieszenia, trzy prędkości kątowe oraz trzy kierunki pola magnetycznego ziemi) poddawane są fuzji przy użyciu 6-stanowego filtru Kalmana. Zadaniem filtru Kalmana jest estymacja zmiennych stanu, gdzie część z nich w postaci kątów roll, pitch i yaw jest przesyłana na wejście układu sterowania aktuatorami platformy. Trzeci tryb pracy to manualna kontrola aktuatorów platformy w oparciu o sygnały pochodzące z aparatury RC.

Słowa kluczowe

EN

UAV; autopilot; autonomous; VTOL; video platform; virtual glasses; GPS; DGPS; ASG-EUPOS; Kalman filter

PL

UAV; autopilot; autonomiczność; VTOL; platforma wideo; wirtualne okulary wideo; GPS; DGPS; ASG-EUPOS; filtr Kalmana

• Wydawca: Wydawnictwo Naukowe Instytutu Technologii Eksploatacji - Państwowego Instytutu Badawczego
• Czasopismo: Problemy Eksploatacji
• Rocznik: 2008
• Tom: nr 3
• Strony: 7--18
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Chmaj G.

autor

Uhl T.

• AGH - University of Science and Technology, Cracow

Bibliografia

• 1. Jensen D., Roberts M., Alifano J., Szumczyk T., Cheung W.: Development of PolyUAV: Polytechnic University’s Unmanned Aerial Vehicle. Polytechnic University. AUVSI Undergrad Competition. Brooklyn, NY, 2004.
• 2. Doitsidis L., Valavanis K.P., Tsourveloudis N.C., Kontitsis M.: A framework for fuzzy logic based UAV navigation and control. Proceedings of the 2004 IEEE. International Conference on Robotics & Automation, New Orleans, LA, 2004.
• 3. Quigley M., Goodrich M.A., Griffiths S., Eldredge A., Beard R.W.: Target acquisition, localization, and surveillance using a fixed-wing mini-UAV and gimbaled camera. Computer Science Brigham Young University, USA. 2005.
• 4. Jang J.S., Tomlin C.J.: Longitudinal stability augmentation system design for the dragonFly UAV using a single GPS receiver. Department of Aeronautics and Astronautics, Stanford University. 2003.
• 5. Kalman R.E.: A New Approach to linear filtering and prediction problems. Transactions of the ASME–Journal of Basic Engineering, 82 (Series D), 35–45, 1960.
• 6. Zhang P., Gu J., Milios E.E., Huynh P.: Navigation with IMU/GPS/digital compass with unscented Kalman filter. Proceedings of the IEEE International Conference on Mechatronics & Automation. Canada, 2005.
• 7. Merwe R. van der, Wan E.A.: Sigma-Point Kalman filters for nonlinear estimation and sensor-fusion - Applications to Integrated Navigation. OGI School of Science & Engineering, Oregon Health & Science University, Washington, 2004.
• 8. Sasiadek J., Zalewski J., Johnson R.: Kalman filter enhancement for UAV navigation. University of Central Florida Orlando, Carleton University, Canada, 2002.
• 9. Mao G., Drake S., Anderson B.D.O.: Design of a extended Kalman filter for UAV Localization. School of Electrical and Information Engineering, The University of Sydney. Research School of Information Sciences and Engineering, Australian National University, 2004.
• 10. Suh Y.S.: Attitude estimation using low cost accelerometer and gyroscope. School of Electrical Engineering University of Ulsan. Korea, Proceedings of the 71h Korea-Russia International Symposium, KORUS, 2003.
• 11. Kumar N.S., Jann T.: Estimation of attitudes from a low-cost miniaturized inertial platform using Kalman Filter-based sensor fusion algorithm. Sadhana, 2004, 29, 2, 217-235. Printed in India.
• 12. Bar-Itzhack I.Y., Harman R.R.: In-space calibration of a skewed gyro quadruplet. Journal of Guidance, Control, and Dynamics. 25, 5, 2002.
• 13. Welch G., Bishop G.: An introduction to the Kalman filter. Siggraph 2001, Course 8.
• 14. http://www.krim.agh.edu.pl/index.php?faction=PhD&PhD=GrzegorzChmaj.