Estimación de orientación de un vehículo aéreo no modelado usando fusión de sensores inerciales y aprendizaje de máquina

Abstract

[EN] Unmanned Aerial Vehicles (UAV) have oered alternatives for applications in which human integrity is compromised. In this sense, the need of increasing autonomy in these vehicles presents an alternative to artificial intelligence areas to enhance navigation capacities through several environments. This article presents an evaluation for estimating inclination and orientation, using automatic learning algorithms for a dynamic multi-rotor plant. To do so, an experiment is proposed to collect the data from multiple IMU sensors over an UAV main board, and submitted to dierent inclinations before achieving the classification task. The reported results using k nearest neighbors (k - NN), support vector machines (S VM) and Bayes show eficiency during the recognition, obtaining an accuracy score up to 99 %. Besides, the algoritms could be combined along with robust control techniques, which is ideal for implementation in embedded systems with low processing capacities.

[ES] Los vehículos aéreos no tripulados (UAV) ofrecen alternativas para diversas aplicaciones en las que se compromete la integridad humana. En este sentido, la necesidad de incrementar la autonomía de estos vehículos presenta una alternativa al área de inteligencia artificial para aumentar las capacidades de navegación en diversos entornos. Este artículo presenta una evaluación para estimación de inclinación y orientación, utilizando algoritmos de aprendizaje automático para una planta dinámica con múltiples rotores. Para esto se propone un experimento para recopilar datos de unidades de medición inercial (IMU) sobre la placa de un UAV, y sometidos a diferentes inclinaciones antes de lograr la tarea de clasificación. Los resultados reportados usando los algoritmos de k vecinos más cercanos (k-NN), máquinas de soporte vectorial (SVM) y de Bayes muestran eficiencia en el reconocimiento, obteniendo una precisión hasta del 99 %. Además, estos algoritmos podrían combinarse con técnicas de control robustas, ideal para la implementación en sistemas con capacidades de procesamiento limitadas.