Migliorare la navigazione dei droni indoor con la tecnologia 5G

I Micro Aerial Vehicles (MAV), noti come droni piccoli, stanno diventando sempre più comuni negli spazi chiusi. Sono utili per molte attività, come sorvegliare aree o aiutare a spostare oggetti nei magazzini. Per queste attività, sapere esattamente dove si trovano questi droni e come sono posizionati è fondamentale. Devono trovare la loro strada attraverso spazi ristretti, specialmente in situazioni d'emergenza dove potrebbero dover aiutare qualcuno. Inoltre, nei magazzini, questi droni devono navigare con precisione per raccogliere e consegnare oggetti in modo efficace.

Di solito, si usano i Sistemi di Navigazione Satellitare Globale (GNSS) per guidare i droni all'aperto. Tuttavia, questi sistemi non funzionano bene all'interno degli edifici. I segnali possono essere indeboliti o confusi quando ci sono muri e mobili, rendendo difficile trovare la posizione corretta. I sistemi di navigazione inerziale (INS) possono essere utili in queste situazioni, ma possono accumulare errori nel tempo, portando a posizioni imprecise.

I recenti progressi tecnologici nei sensori, come LiDAR e telecamere, offrono opzioni migliori per la navigazione dei droni al chiuso. Tuttavia, queste soluzioni possono essere complicate, costose e potrebbero non funzionare bene in aree scarsamente illuminate o a bassa tessitura.

Le attuali alternative che usano segnali wireless, come WLAN, Bluetooth e Ultra-Wideband (UWB), hanno anche i loro problemi. WLAN può avere difficoltà con il rumore, Bluetooth ha un raggio limitato e precisione, e UWB è ancora in fase di standardizzazione. Inoltre, i sistemi a bassa potenza come Zigbee non forniscono l'accuratezza necessaria per un posizionamento preciso al chiuso. Quindi, c'è chiaramente bisogno di una tecnologia migliore per localizzare i droni all'interno degli edifici senza fare affidamento sui GNSS.

Il lancio delle reti 5G offre una nuova opportunità per il posizionamento indoor grazie alle loro alte velocità, bassi ritardi e copertura migliorata. Le tecnologie a piccole celle come femtocelle e picocelle aiutano a fornire un servizio migliore all'interno. Le esigenze di posizionamento accurato sono state inoltre definite dagli standard di settore, che vanno da un'accuratezza a livello di metro a requisiti più precisi.

Il 5G usa un segnale speciale chiamato Positioning Reference Signal (PRS) per determinare le distanze dalle stazioni base ai droni. Queste distanze possono essere misurate con precisione analizzando i segnali inviati dalle stazioni base.

Nonostante le sfide di garantire un posizionamento esatto al chiuso, la nostra ricerca si concentra sul migliorare il tracciamento della posizione dei MAV utilizzando segnali 5G insieme ai dati dei sensori di bordo. Combinando le misurazioni 5G e i dati dell'IMU (Unità di Misura Inerziale), puntiamo a creare un metodo che permetta il posizionamento in tempo reale dei droni mentre volano al chiuso.

#Di Cosa Parla lo Studio?

Questo studio ha l'obiettivo di migliorare come tracciamo la posizione e l'orientamento dei droni che volano al chiuso usando la tecnologia 5G e i sensori. Creiamo due approcci: uno basato sull'Error State Kalman Filter (ESKF) e l'altro sull'Optimization Pose Graph (PGO). Entrambi i metodi verranno testati in diverse situazioni dove le stazioni base 5G sono presenti in linea di vista diretta per vedere quanto bene possono determinare la posizione del drone.

Per farlo, abbiamo migliorato il noto dataset EuRoC MAV, che include dati dai droni volanti al chiuso. Abbiamo aggiunto misurazioni 5G simulate a questo dataset per valutare i nostri metodi. Attraverso esperimenti, possiamo vedere come diverse configurazioni delle stazioni base influenzano l'accuratezza del posizionamento del drone.

Poiché i droni vengono sempre più utilizzati in ambienti interni per varie operazioni, un posizionamento accurato diventa essenziale. In ambienti difficili come magazzini o durante missioni di ricerca e soccorso, è cruciale che i droni sappiano dove si trovano e come navigare in spazi ristretti.

Mentre il GNSS è efficace all'esterno, abbiamo bisogno di nuovi metodi per le impostazioni interne, specialmente perché i segnali possono essere deboli, portando a un posizionamento impreciso. L'INS, pur essendo utile, può avere problemi quando non viene corretto nel tempo. Tecnologie avanzate come il LiDAR possono aiutare, ma presentano le proprie sfide, come costi e complessità di installazione.

Le tecnologie che utilizzano segnali wireless, come WLAN o Bluetooth, hanno anche mostrato limiti. WLAN spesso soffre di problemi di rumore, Bluetooth ha un raggio breve e l'UWB è ancora in fase di sviluppo. In generale, abbiamo bisogno di soluzioni di posizionamento migliore al chiuso senza fare affidamento sul GNSS.

L'introduzione della tecnologia 5G può cambiare le carte in tavola per il posizionamento indoor. Il 5G offre una larghezza di banda elevata, ritardi inferiori e una migliore copertura, rendendolo adatto a localizzare i droni con maggiore precisione. Il 5G si concentra anche su vari bisogni dell'industria, rendendolo un potenziale fattore di cambiamento in diverse applicazioni.

Il 5G usa segnali specifici come PRS per stimare le distanze dai droni a varie stazioni base. Inviando più segnali dalle stazioni base, il drone può determinare la propria posizione basandosi sui ritardi del segnale. Tuttavia, usare solo i dati 5G potrebbe non fornire abbastanza informazioni, quindi è necessario integrare i dati IMU per migliorare l'affidabilità della localizzazione.

Combinando queste due fonti di dati, possiamo migliorare sia l'accuratezza che l'affidabilità delle stime di posizione del nostro drone. Utilizzare tecniche di ottimizzazione avanzate nel nostro framework ci consente di interpretare i dati in arrivo per tracciare la posizione e la direzione del drone anche quando le condizioni di volo cambiano rapidamente.

#Obiettivi della Ricerca

Il nostro obiettivo principale è unire i dati 5G con le letture IMU per una stima efficace della posizione in tempo reale dei MAV. Puntiamo specificamente a migliorare l'accuratezza della localizzazione, la scalabilità, l'adattabilità e l'integrazione con i framework dei sensori. Questo focus sulla localizzazione dei droni distingue il nostro lavoro da studi esistenti che tendono a concentrarsi principalmente sugli aspetti del 5G senza affrontare il reale posizionamento dei droni.

Lo studio propone due approcci innovativi per unire i dati dei sensori: ESKF e PGO. Il metodo ESKF modella gli errori dell'IMU, aiutando a perfezionare le stime di posizione. Durante il passo di aggiornamento, incorporiamo misurazioni 5G a bassa frequenza per contrastare la deriva delle letture IMU. Il metodo PGO introduce fattori dalle misurazioni 5G e incorpora efficacemente i dati IMU, permettendoci di ottimizzare i risultati.

Per convalidare questi metodi, li applichiamo al dataset EuRoC MAV, utilizzando dati di sei sequenze di volo arricchite con misurazioni 5G realistiche. Simulando le configurazioni 5G e testando gli algoritmi, possiamo determinare come diverse configurazioni influenzano le prestazioni di localizzazione dei MAV.

#Contesto Tecnologico

In dettaglio, il nostro studio ruota attorno all'utilizzo delle misurazioni di Tempo di Arrivo (ToA) del 5G combinate con i dati IMU per determinare la posizione di un drone mentre vola al chiuso. L'idea centrale è che con una tecnologia wireless migliorata, ora è possibile migliorare significativamente le capacità di posizionamento.

Le reti 5G suddividono i dati ad alta velocità in flussi più piccoli utilizzando l'Orthogonal Frequency Division Multiplexing (OFDM). Questo consente una trasmissione più affidabile delle informazioni su diverse frequenze. Utilizzando una gamma di tecnologie, incluso il PRS, il 5G può fornire stime di distanza che possono essere analizzate per determinare la posizione del drone attraverso una serie di misurazioni.

Stimare la posizione di un drone implica registrare il suo movimento tramite IMU e misurare anche le distanze da diverse stazioni base vicine. Queste misurazioni vengono quindi fuse insieme utilizzando algoritmi avanzati, consentendo di ottenere una stima raffinata di posizione e orientamento.

#Misurazione dei Dati

Per facilitare la nostra ricerca, abbiamo dovuto migliorare il dataset EuRoC MAV esistente con misurazioni 5G simulate. Questo dataset fornisce dati importanti da voli di droni reali e include le misurazioni necessarie e i dati di verità a terra per i test.

Abbiamo utilizzato il simulatore QuaDRiGa per creare un ambiente di canale realistico per i segnali 5G. Il simulatore ci consente di modellare come i segnali si propagano dalle stazioni base al drone in movimento in base alla sua posizione e orientamento esatti. Il dataset risultante ci permette di combinare questi dati 5G simulati con le letture IMU esistenti per testare i nostri metodi.

Il processo include la generazione di segnali 5G, la simulazione dell'ambiente di ricezione del segnale multipath e la registrazione delle molteplici misurazioni di distanza che possono essere utilizzate nei nostri algoritmi. Questa combinazione di dati simulati e reali serve come piattaforma completa per valutare l'efficacia dei nostri metodi di localizzazione proposti.

#Valutazione dei Dati

Nella valutazione dell'efficacia combinata di ESKF e PGO per la localizzazione dei droni, abbiamo condotto un'accurata valutazione utilizzando vari metriche. Tra queste, l'Absolute Trajectory Error (ATE) e il Relative Pose Error (RPE). L'ATE misura l'errore totale tra la posizione stimata e quella reale su tutta la traiettoria, mentre l'RPE si concentra sugli errori presenti in sezioni locali di quella traiettoria.

Abbiamo anche esaminato quanto sia efficace ciascun approccio a seconda delle diverse configurazioni della rete e del numero di stazioni base utilizzate. L'obiettivo generale era determinare quale metodo fornisse la massima accuratezza in condizioni variabili.

Oltre ai metriche di performance, abbiamo registrato il tempo impiegato dagli algoritmi per l'esecuzione per assicurarci che fossero adatti per l'uso in tempo reale. Queste informazioni sono essenziali per garantire che sia l'ESKF che il PGO possano essere implementati sui droni senza causare ritardi che potrebbero ostacolare le loro operazioni.

#Conclusione e Lavoro Futuro

Il nostro studio evidenzia il potenziale promettente di combinare le misurazioni ToA del 5G con i dati IMU per far avanzare la localizzazione dei droni al chiuso. Entrambi i metodi ESKF e PGO mostrano un'efficacia significativa nel determinare con precisione la posizione e l'orientamento di un MAV attraverso test e valutazioni complete.

Dimostrando l'accuratezza della localizzazione e i potenziali miglioramenti offerti da configurazioni aumentate delle stazioni base, questa ricerca pone le basi per future esplorazioni nella fusione di diverse fonti di dati per la tecnologia dei droni.

Avanzando verso l'integrazione di sensori aggiuntivi, come telecamere e magnetometri, si potrebbe ulteriormente migliorare l'accuratezza della localizzazione. I lavori futuri potrebbero anche considerare modi per gestire meglio le misurazioni rumorose, aggiungendo robustezza ai metodi proposti.

Man mano che gli ambienti interni diventano sempre più complessi, migliorare la capacità dei MAV di navigare utilizzando queste tecnologie porterà infine a operazioni più affidabili ed efficienti in numerose applicazioni. I risultati sottolineano l'importanza della collaborazione interdisciplinare nel portare avanti queste tecnologie, aprendo la strada alla prossima generazione di sistemi di navigazione aerea indoor.