Dissertação

{en_GB=Evaluation of Non-Cooperative Sensors for Sense and Avoid in UAV Systems} {} EVALUATED

{pt=Nos últimos anos tem-se verificado um aumento no uso de Unmanned Aircraft Vehicles (UAV) para fins civis e militares. Combate de incêndios, procura e salvamento ou entrega de encomendas são alguns exemplos. Devido à capacidade de realizar uma grande variedade de tarefas de forma ágil, com uma autonomia considerável e com baixo risco para o ser humano, pequenos UAV são uma escolha confiável. É necessário garantir uma segura e correta integração num espaço aéreo que não se encontra segregado. Introduzir UAVs em espaço aéreo civil requere o desenvolvimento e a certificação de sistemas para sensing and avoiding (SAA) de outras aeronaves. Um dos maiores desafios a ser abordado é non-cooperative Collision Detection and Resolution para UAV. O novo projeto Enhanced Guidance, Navigation and Control for Autonomous Air Systems based on Deep Learning and Artificial Intelligence iniciado pela Boeing em parceria com o Center for Aerospace Research exige uma definição do sistema SAA e uma rigorosa análise do mesmo antes de poder ser desenvolvido e eventualmente certificado para ser utilizado. A presente tese focar-se-á em a avaliar as capacidades de sensores não cooperativos para o sistema de SAA, descrevendo os diferentes sensores previamente disponíveis e as técnicas de fusão de dados usadas para combinar a informação proveniente das diferentes fontes. Serão apresentados e comparados diferentes algoritmos para processamento de imagem provenientes de visual cameras, que foram desenvolvidos recorrendo a técnicas de machine e deep learning, sendo o principal objetivo de ser desenvolvida a capacidade de detetar obstáculos de forma eficaz. , en=The number of civil and military applications for Unmanned Aircraft Vehicles (UAV) is increasing in the last years, such as firefighters, search-and-rescue missions or package delivery, among others. Due to their ability of performing a large variety of important tasks with higher manoeuvrability, longer endurance and less risk to human lives, small UAV are particularly suitable. But to carry out these tasks, it is mandatory to guarantee a safe performance and a correct integration into non-segregated airspace. Integrating unmanned aircraft into civil airspace requires the development and certification of systems for sensing and avoiding (SAA) other aircraft. In particular, non-cooperative Collision Detection and Resolution (CD&R) for UAV is considered as one of the major challenges to be addressed. The new project Enhanced Guidance, Navigation and Control for Autonomous Air Systems based on Deep Learning and Artificial Intelligence started by Boeing at the Center for Aerospace Research (CfAR) requires from definition of the SAA system and a rigorous analysis of it before the system can be developed and eventually certified for operational use. This paper will be focused on evaluating the capabilities of the non-cooperative sensors for a SAA system, reviewing the different sensors available and the data fusion techniques to merge the information provided by the different sources. Finally, algorithms for visual cameras image processing using machine and deep learning techniques will be developed and compared, with the aim to provide an effective obstacle detection capability.}
{pt=Sense and Avoid, Sensores não cooperativos, Fusão de dados, Deep Learning, Machine Learning, en=Sense and Avoid, Non-cooperative sensors, Data Fusion, Machine Learning, Deep Learning}

Setembro 5, 2019, 17:0

Orientação

ORIENTADOR

Humayun Kabir

Vancouver Island University

Professor

ORIENTADOR

Afzal Suleman

Departamento de Engenharia Mecânica (DEM)

Professor Associado