La habilidad de los servicios de protección civil para reaccionar a una emergencia, depende de la calidad, precisión, actualidad de los datos y la usabilidad de la información. Sin embargo, en un suceso de este tipo, el entorno puede haberse visto alterado, incluso modificarse a medida que transcurre la misión o puede ser peligro o inaccesible para el equipo de trabajo, siendo necesario que el equipo de emergencias disponga de una marco flexible y dinámico que soporte la respuesta rápida y la toma de decisiones.

El proyecto SALINE se basa en un conjunto cooperativo de vehículos sin piloto (UGV-UAV) capaz de actuar en entornos peligrosos o de emergencias. El sistema debe ser robusto, fiable y seguro recogiendo las ventajas de ambos vehículos por separado para abordar cualquier situación que se presente en escenarios reales. Para una mayor durabilidad de las misiones, los vehículos estarán dotados de un sistema de aterrizaje del vehículo UAV sobre el UGV en movimiento para suplir la menor capacidad de autonomía del vehículo aéreo. Supliendo todos las posibles circunstancias que pueden producirse durante la ejecución de una misión, el sistema contará con una estación de operador de baja capacidad cognitiva que permita actuar a un humano en circunstancias puntuales. 

Finalmente, y a fin de evaluar la utilidad del sistema, el prototipo se validará con usuarios finales, con los que se han establecido conversaciones, y pedido cartas de apoyo en entornos reales controlados, a fin de determinar la utilidad del sistema para estas situaciones y proveer de información verificada, para que el sistema pueda integrarse en los protocolos de actuación de estos cuerpos. Así, el prototipo final será una herramienta segura y versátil a los equipos de protección civil para intervención en emergencias, especialmente para desastres tipo CBRNE (Chemical,Biological, Radiological, Nuclear and Explosives).

Para afrontar el proyecto, se ha constituido un consorcio capaz de proveer a la solución de la innovación necesaria sobre el estado actual de la tecnología, con la viabilidad de esta solución para ser comercializable. Así, el consorcio está formado por la empresa IXION Industry & Aerospace, que asegura la perspectiva comercial del producto del proyecto, y tres grupos universitarios expertos en su área.

Estos grupos universitarios son los grupos CVG y ASLAB de la Universidad Politécnica de Madrid y el Grupo GIAA de la Universidad Carlos IIII de Madrid.

Nuestra implicación en el proyecto será hacer uso del conjunto heterogéneo de sensores embarcados en los vehículos autónomos para generar el sistema de navegación, detección y evasión de obstáculos en tiempo real. Para la realización de estos objetivos se utilizarán técnicas de  tracking y data fusion. Por último, se hace uso de circuitos integrados, como FPGA, para reducir el tiempo de reacción del sistema.

Reuniones mensuales con la empresa IXION para la definición de hitos, comunicación de progreso del proyecto, gestión del presupuesto asignado para adquisición de fungible destinado según requisitos del proyecto.

En esta fase del proyecto el GIAA de la UC3M fue el encargado de realizar la vigilancia tecnológica del mercado que cumplimentaran la arquitectura de sensores embarcados de los vehículos (Actividad 2.4). Se concretó con IXION que dicha vigilancia estaría enfocada principalmente a los sensores RADAR que por restricciones de peso y precio eran lo más complejo de la arquitectura.

Sistema de navegación

Para el desarrollo del módulo de navegación IXION proporciono 3 escenarios con datos provenientes de los siguientes sensores embarcados en un dron: GPS, IMU, Barómetro, Magnetómetro.

Los escenarios definían tres casos de uso a los que se enfrentarían los vehículos en entornos reales:

• Escenario 1: GPS deteriorada
• Escenario 2: todos los sensores funcionan correctamente
• Escenario 3: IMU deteriorada

Preprocesado

A continuación, se muestra el resultado de aplicar un filtro FIR de orden diez, a datos reales facilitados por Ixion. Aceleración de la IMU eje X. Filtro FIR de orden 10 con coeficientes calculados con Matlab fir1, asumiendo una frecuencia de muestreo de 100Hz, y un ancho de banda del dron de 2Hz:

Implementación inicial del sistema de fusión

Para una primera aproximación a la solución del sistema propuesta anteriormente, se implementará este filtro de Kalman Extendido (EKF) donde el espació de estado será la posición, la velocidad y el error de sesgo. Mientras que en EKF se aproxima funciones no lineares en el sistema y en el modelo de coordenadas, UKF aproxima la distribución de probabilidad a posteriori. UKF tiene una complejidad computación similar a EKF y se ha demostrado que en determinados escenarios produce mejores resultados por lo tanto es una opción interesante que quedará pendiente para versiones posteriores.

Las pruebas realizadas para testear el software han sido desarrolladas en Matlab a partir de los datos proporcionados por IXION. El proceso de simulación ha consistido en obtener iterativamente las medidas asociadas a la IMU para realizar las estimaciones a priori del modelo. Antes de realizar esta estimación, se comprueba si el instante de tiempo de las medidas GPS está entre la medida de la IMU recibida anteriormente y la actual. Si es así, se procesarán la medida y se realzará el filtrado junto a la estimación anterior de los estados.

A modo de ejemplo, se ilustra una prueba realizada, donde La medida GPS es fiable, pero muy ruidosa y está disponible durante toda la misión. El sistema proporciona una salida muy cercana a la señal GPS.
 

Sistema de evasión

El sistema de evasión consiste en un sistema encargado de obtener información de posibles obstáculos que puedan afectar a la integridad del vehículo. Por tanto, una de las tareas prioritarias de este sistema es encontrar todos los objetos del escenario y diferenciarlos entre sí estimando su dinámica y valorando el grado de amenaza para los vehículos no tripulados. Esta es la tarea que el GIAA tiene como objetivo y para ello utilizará datos de distintas fuentes para crear un sistema lo más robusto posible.

Simulación

Antes de realizar pruebas con entornos y robots reales, es necesario aplicar los módulos desarrollados en simulaciones para pulir errores y tener en cuenta posibles casos reales sin que la integridad de los vehículos o los sensores puedan verse comprometidos.

Para simular los datos en Gazebo, se optó por construir un modelo de LIDAR que ya se encontrase en el mercado. Las necesidades que tenían nuestro proyecto era que fuese capaz de detectar el entorno de la forma más fiable posible por lo que la elección fue el modelo Velodyne HDL-32e LIDAR 360.

Para la simulación de escenarios reales, y como primera aproximación, se obtienendatos para el desarrollo de algoritmos de clusterización en un plano horizontal.

A partir de los datos recopilados en Gazebo, el siguiente paso es generar clúster que detecten y diferencien los objetos en los distintos escenarios. El entorno escogido para realizar esta tarea es Matlab debido a la posibilidad de reutilizar un módulo generado anteriormente para la fusión de datos con radares en la costa.

Algoritmo de clustering

A partir de los datos recopilados en Gazebo, el siguiente paso es generar clúster que detecten y diferencien los objetos en los distintos escenarios

DBSCAN

El algoritmo DBSCAN, es un método de clúster basado en densidades que permite detectar regiones densas en espacio del problema y separarlas cuando detecta zonas sin datos o poco densas. Estas zonas poco densas son detectadas como ruido por el algoritmo lo que supone una novedad dentro de los métodos de clúster que generalmente clasifica todos los datos dentro de algún grupo.

 MIXTURAS GAUSSIANAS CON INFERIENCIA BAYESANA VARIACIONAL

Los métodos de Mixturas Gaussianas son algoritmos paramétricos que se engloban dentro de los modelos de distribución. Los parámetros de estos modelos son estimados a partir de los datos proporcionados haciendo uso del algoritmo iterativo de Expectation-Maximitation o por la maximización a posteriori.

Para realizar las pruebas de testeado incremental (Actividad 4.4) de los sistemas desarrollados el GIAA cuenta un con un vehículo terrestre RBTNK-EE-081231 Robot Guardian el cual ha sido remodelado para utilizar Pixhawk como sistema principal donde toda la información de los sensores será recopilada y los nuevos módulos serán ejecutados. De esta forma, se podrá comprobar la eficacia de los sistemas realizados más allá de las simulaciones realizadas con Gazebo. Es importante mencionar que queda pendiente aplicar dichos sistemas a los vehículos de IXION.

Antes de explotar los datos de los sensores para la mejora de la navegación, es importante conocer el comportamiento, las limitaciones y las principales características de los datos con los que trabajamos, para establecer una medida de la confianza y la consistencia de los datos. Estas propiedades fueron determinadas por el sensor y el algoritmo de medición. Los datos registrados pueden ser útiles para depurar los algoritmos de estimación y el rendimiento del vuelo, pero en este trabajo solo prestaremos atención a aquellos datos que podrían explicar las estimaciones de la posición local, el rendimiento del sistema de navegación o las capacidades del filtro.

La mayor desventaja de utilizar Pixhawk en el vehículo terrestre es que debe ser adaptado para que el funcionamiento de los motores realice la dinámica de este vehículo y no las de los multirotores que fueron los vehículos que inicialmente fue desarrollado esta herramienta. Pero el desarrollo de ambos módulos en el mismo sistema permitirá reutilizar gran parte del código para ambos vehículos.

Para realizar las pruebas de testeado incremental (Actividad 5.4) de los sistemas desarrollados el GIAA cuenta un con dos multirotores (un hexacoptero y cuadricoptero) construidos por piezas y utilizando Pixhawk como controlador de vuelo. Ambos son capaces de dirigirse de manera manual a partir de radio control y a través de misiones definidas por la herramienta QGroundControl. Toda la información de los sensores embarcados es recopilada en cada una de las misiones es almacenada en una tarjeta SD incorporada en los vehículos para el futuro tratamiento o visualización. Es importante mencionar que queda pendiente aplicar dichos sistemas a los vehículos de IXION.