Towards a framework for airborne EO/IR surveillance. An introduction to simultaneous localisation and map building

Behovet av autonom sensordatabehandling och sensorstyrning i spaning och övervakning med UAV:er ökar. En viktig fråga är hur man ska sammanväga aktuella bilddata med navigationsdata och tidigare inhämtad information på ett sätt som korrekt tar hänsyn till deras respektive osäkerheter. En annan viktig fråga är hur objekt i omgivningen ska representeras för att underlätta distribuerad sensordatafusion och informationsinhämtning med flera plattformar. Simultaneous Localisation and Map Building (SLAM) är en procedur där en lägesbeskrivning bestående av landmärken successivt byggs upp samtidigt som farkostens navigering stöttas. Utgångsläget är att en sensorplattform kan ha varierande kunskap om såväl sin egen position som spaningsområdet. Plattformens position och orientering samt landmärkenas position skattas fortlöpande med hjälp av farkostens navigeringssystem och observationer av landmärkena. Dessa kan vara såväl igenkända referensregioner från en databas som nya regioner. Ett antal metoder för att lösa SLAM-problemet har föreslagits i litteraturen. I denna rapport presenteras två metoder, EKF och SEIF. EKF SLAM baseras på det välkända Extended Kalman Filter och SEIF (Sparse Extended Information Filter) på informationsbeskrivningen av EKF. I SLAM blir den normaliserade informationsmatrisen i allmänhet mycket gles och SEIF-metoden utnyttjar detta genom att approximera informationsmatrisen. Den resulterande algoritmen blir då beräkningsmässigt betydligt effektivare jämfört med EKF. Rapporten avslutas med en diskussion om det framtida arbetet inom SLAM för multipla flygande plattformar utrustade med EO/IR sensorer samt hur en SLAM-arkitektur kan underlätta sensordatafusion.