Améliorer la navigation des drones en intérieur avec la technologie 5G

Les Micro Véhicles Aériens (MAV), mieux connus sous le nom de petits drones, deviennent de plus en plus courants dans les espaces intérieurs. Ils sont utiles pour plein de tâches, comme surveiller des zones ou aider à déplacer des objets dans les entrepôts. Pour ces tâches, il est super important de savoir exactement où se trouvent ces drones et comment ils sont positionnés. Ils doivent se frayer un chemin à travers des espaces étroits, surtout en cas d'urgence où ils pourraient devoir aider quelqu'un. De plus, dans les entrepôts, ces drones doivent naviguer avec précision pour ramasser et déposer des objets efficacement.

Normalement, on utilise des Systèmes de Navigation par Satellite Global (GNSS) pour guider les drones à l'extérieur. Cependant, ces systèmes ne fonctionnent pas bien à l'intérieur des bâtiments. Les signaux peuvent être affaiblis ou perturbés à cause des murs et des meubles, rendant difficile la localisation correcte. Les systèmes de navigation inertiels (INS) peuvent être utiles dans ces situations mais peuvent accumuler des erreurs avec le temps, conduisant à des positions inexactes.

Les avancées technologiques récentes dans les capteurs, comme le LiDAR et les caméras, offrent de meilleures options pour la navigation des drones à l'intérieur. Malgré tout, ces solutions peuvent être compliquées, coûteuses, et peuvent ne pas bien fonctionner dans des zones mal éclairées ou à texture faible.

Les alternatives actuelles utilisant des signaux sans fil, comme le WLAN, le Bluetooth, et l'Ultra-Large Bande (UWB), ont aussi leurs problèmes. Le WLAN peut avoir des difficultés avec le bruit, le Bluetooth a une portée limitée et une précision faible, et l'UWB est encore en cours de normalisation. En plus, les systèmes basse consommation comme le Zigbee ne fournissent pas la précision nécessaire pour un positionnement intérieur précis. Donc, il y a clairement un besoin de meilleures technologies pour localiser les drones à l'intérieur des bâtiments sans se fier aux GNSS.

Le déploiement des réseaux 5G offre une nouvelle opportunité pour le positionnement intérieur grâce à leurs vitesses élevées, leurs faibles délais, et leur couverture améliorée. Les technologies de petites cellules comme les femtocells et picocells aident à fournir un meilleur service intérieur. Les besoins en positionnement précis ont aussi été définis par des normes industrielles, allant de la précision au niveau du mètre à des exigences plus précises.

La 5G utilise un signal spécial appelé Signal de référence de positionnement (PRS) pour déterminer les distances entre les stations de base et les drones. Ces distances peuvent être mesurées avec précision en analysant les signaux envoyés par les stations de base.

Malgré les défis d'assurer un positionnement intérieur exact, notre recherche se concentre sur l'amélioration du suivi de la localisation des MAV en utilisant des signaux 5G ainsi que les données des capteurs embarqués. En combinant les mesures 5G et les données IMU (Unité de Mesure Inertielle), nous visons à créer une méthode qui permet le positionnement en temps réel des drones pendant qu'ils volent à l'intérieur.

#De quoi parle l'étude ?

Cette étude vise à améliorer la façon dont nous suivons la position et l'orientation des drones volants à l'intérieur en utilisant la technologie 5G et des capteurs. Nous avons créé deux approches : une basée sur le Filtre de Kalman d'État d'Erreur (ESKF) et l'autre sur l'Optimisation de Graphe de Pose (PGO). Les deux méthodes seront testées dans différentes situations où les stations de base 5G sont en ligne de vue directe pour voir à quel point elles peuvent déterminer la position du drone.

Pour cela, nous avons amélioré le célèbre ensemble de données EuRoC MAV, qui comprend des données de drones volant à l'intérieur. Nous avons ajouté des mesures 5G simulées à cet ensemble de données pour évaluer nos méthodes. Grâce à des expériences, nous pouvons voir comment différentes configurations de stations de base affectent la précision de positionnement du drone.

Alors que les drones sont de plus en plus utilisés dans des environnements intérieurs pour diverses opérations, un positionnement précis devient essentiel. Dans des environnements difficiles comme les entrepôts ou lors de missions de recherche et de sauvetage, il est crucial que les drones sachent où ils sont et comment naviguer dans des espaces restreints.

Bien que le GNSS soit efficace à l'extérieur, nous avons besoin de nouvelles méthodes pour les environnements intérieurs, surtout quand les signaux peuvent être faibles, ce qui mène à un positionnement inexact. L'INS, bien que utile, peut avoir des problèmes s'il n'est pas corrigé dans le temps. Les technologies de capteurs avancées comme le LiDAR peuvent aider, mais elles viennent avec leurs propres défis, comme les coûts et la complexité de mise en place.

Les technologies utilisant des signaux sans fil, comme le WLAN ou le Bluetooth, ont aussi montré des limites. Le WLAN souffre souvent de problèmes de bruit, le Bluetooth a une portée courte, et l'UWB est encore en développement. Dans l'ensemble, nous avons besoin de meilleures solutions de positionnement intérieur sans dépendre du GNSS.

Le déploiement de la technologie 5G peut changer la donne pour le positionnement intérieur. La 5G offre une large bande passante, des délais plus bas, et une meilleure couverture, ce qui la rend adaptée pour localiser les drones plus précisément. La 5G se concentre aussi sur divers besoins industriels, ce qui en fait un potentiel changement de jeu pour différentes applications.

La 5G utilise des signaux spécifiques comme le PRS pour estimer les distances des drones à plusieurs stations de base. En envoyant plusieurs signaux depuis les stations de base, le drone peut déterminer sa position en fonction des délais de signal. Cependant, utiliser uniquement les données 5G pourrait ne pas fournir suffisamment d'informations, d'où la nécessité d'intégrer les données IMU pour améliorer la fiabilité de la localisation.

En combinant ces deux sources de données, nous pouvons améliorer à la fois l'exactitude et la fiabilité de nos estimations de position des drones. L'utilisation de techniques d'optimisation avancées dans notre cadre nous permet de donner un sens aux données entrantes pour suivre la position et la direction du drone même lorsque les conditions de vol changent rapidement.

#Objectifs de recherche

Notre objectif principal est de fusionner les données 5G avec les lectures IMU pour une estimation de position efficace en temps réel des MAV. Nous visons spécifiquement à améliorer la précision de localisation, l'évolutivité, l'adaptabilité et l'intégration avec des cadres de capteurs. Ce focus sur la localisation des drones distingue notre travail des études existantes qui tendent à se concentrer principalement sur les aspects 5G sans aborder le positionnement réel des drones.

L'étude propose deux approches novatrices pour fusionner les données de capteurs : ESKF et PGO. La méthode ESKF modélise les erreurs de l'IMU, aidant à affiner les estimations de position. Pendant l'étape de mise à jour, nous incorporons des mesures 5G à basse fréquence pour contrer la dérive des lectures IMU. La méthode PGO introduit des facteurs provenant des mesures 5G et intègre efficacement les données IMU, ce qui nous permet d'optimiser les résultats.

Pour valider ces méthodes, nous les appliquons à l'ensemble de données EuRoC MAV, en utilisant des données de six séquences de vol augmentées avec des mesures 5G réalistes. En simulant des configurations 5G et en testant les algorithmes, nous pouvons déterminer comment différentes configurations impactent la performance de localisation des MAV.

#Contexte technologique

En détail, notre étude tourne autour de l'utilisation des mesures de Temps d'Arrivée (ToA) de la 5G combinées avec les données IMU pour déterminer la position d'un drone pendant qu'il vole à l'intérieur. L'idée centrale est qu'avec une technologie sans fil améliorée, il est maintenant possible d'améliorer considérablement les capacités de positionnement.

Les réseaux 5G décomposent les données à haute vitesse en plus petits flux en utilisant la Multiplexage par Fréquences Orthogonales (OFDM). Cela permet une transmission d'informations plus fiable sur diverses fréquences. En utilisant une gamme de technologies, y compris le PRS, la 5G peut fournir des estimations de distance qui peuvent être analysées pour déterminer la localisation du drone à travers une série de mesures.

Estimer la localisation d'un drone implique de prendre les lectures de son mouvement via l'IMU tout en mesurant les distances à plusieurs stations de base à proximité. Ces mesures sont ensuite fusionnées à l'aide d'algorithmes avancés, permettant d'affiner l'estimation de position et d'orientation.

#Mesurer les données

Pour faciliter notre recherche, nous avions besoin d'améliorer l'ensemble de données EuRoC MAV existant avec des mesures 5G simulées. Cet ensemble de données fournit des points de données importants issus de vols de drones réels et inclut les mesures nécessaires et les données de vérité terrain pour les tests.

Nous avons utilisé le simulateur QuaDRiGa pour créer un environnement de canal réaliste pour les signaux 5G. Le simulateur nous permet de modéliser comment les signaux se propagent des stations de base vers le drone en mouvement en fonction de sa position et orientation exactes. L'ensemble de données résultant nous permet de combiner ces données 5G simulées avec les lectures IMU existantes pour tester nos méthodes.

Le processus inclut la génération de signaux 5G, la simulation de l'environnement de réception de signaux multipath, et le stockage des multiples mesures de distance qui peuvent ensuite être utilisées dans nos algorithmes. Cette combinaison de données simulées et réelles sert de plateforme complète pour évaluer l'efficacité de nos méthodes de localisation proposées.

#Évaluation des données

Dans l'évaluation de l'efficacité combinée de l'ESKF et du PGO pour la localisation des drones, nous avons mené une évaluation approfondie en utilisant divers métriques. Parmi celles-ci, l'Erreur de Trajectoire Absolue (ATE) et l'Erreur de Pose Relative (RPE) sont les plus importantes. L'ATE mesure l'erreur totale entre la position estimée et la position réelle sur l'ensemble de la trajectoire, tandis que la RPE se concentre sur les erreurs présentes dans des sections locales de cette trajectoire.

Nous avons également examiné l'efficacité de chaque approche selon différentes configurations réseau et le nombre de stations de base utilisées. L'objectif général était de déterminer quelle méthode fournit la précision la plus élevée dans des conditions variées.

En plus des métriques de performance, nous avons enregistré le temps nécessaire à l'exécution des algorithmes pour nous assurer qu'ils étaient adaptés à une utilisation en temps réel. Cette information est essentielle pour garantir que tant l'ESKF que le PGO peuvent être implémentés sur des drones sans causer de délais qui pourraient entraver leurs opérations.

#Conclusion et travaux futurs

Notre étude met en lumière le potentiel prometteur de la combinaison des mesures ToA de la 5G avec les données IMU pour faire avancer la localisation de drones en intérieur. Les méthodes ESKF et PGO montrent une efficacité significative dans la détermination précise de la position et de l'orientation d'un MAV à travers des tests et évaluations complets.

En démontrant l'exactitude de la localisation et les améliorations potentielles offertes par l'augmentation des configurations de stations de base, cette recherche ouvre la voie à de futures explorations sur la fusion de diverses sources de données pour la technologie des drones.

Avancer vers l'intégration de capteurs supplémentaires, tels que des caméras et des magnétomètres, pourrait encore améliorer la précision de la localisation. Les travaux futurs pourraient également envisager de meilleures façons de gérer les mesures bruyantes, ajoutant de la robustesse aux méthodes proposées.

Alors que les environnements intérieurs deviennent de plus en plus complexes, améliorer la capacité des MAV à naviguer en utilisant ces technologies mènera finalement à des opérations plus fiables et efficaces dans de nombreuses applications. Les résultats soulignent l'importance de la collaboration interdisciplinaire pour faire avancer ces technologies, ouvrant la voie à la prochaine génération de systèmes de navigation aérienne intérieure.