Cooperative Multi Model State Estimation and Control for Target Tracking UAVs

Abstract

In this thesis, the idea of using teams of Unmanned Aerial Vehicles (UAVs) to track a ground vehicle and exploiting the benefits of multiple UAVs is considered. First, a novel state estimation algorithm is developed using the standard Extended Kalman filter (EKF). This filter is distributed over a team of three UAVs, each adopting a different model for the target's motion. The Distributed EKF (DEKF) is then paired with the T Test model selection criteria, which decides which UAV has the best estimate at each iteration. The algorithm is validated in a real-time indoor flight environment and compared against the single model equivalents, as well as compared to other multi model variants. Furthermore, an analysis of different selection methods to use in times of occlusions is done. The second part of the thesis involves the design and testing of a multiple model Distributed Model Predictive Controller (DMPC) for tracking in formation flight. Using information from state estimation about which target model is performing best, the DMPC changes its target motion model accordingly. The MPC controller is first implemented for a single UAV, then tested in both a real-time simulation environment and in an indoor flight. This MPC is then expanded to the multi-UAV scenario, which is tested in the same real-time simulation environment.

La thèse considère utiliser une équipe de drones dans le but de suivre une cible mobile au sol. Tout d'abord, un nouvel algorithme est développé avec l’EKF standard comme système de base. Cet EKF est distribué parmi une équipe de trois drones, chacun utilisant un modèle différent pour prédire le mouvement de la cible. Ensuite, l’EKF distribué est combiné avec une méthode de sélection, le test T, qui décide quel drone a la meilleure estimation de la cible. L’algorithme au complet est valide expérimentalement contre l’algorithme équivalent avec un seul modèle dans un environnement intérieur et avec de véritables drones. De plus, une comparaison de performance avec différents algorithmes et plusieurs modèles est effectuée. Finalement, une analyse de différentes solutions en temps qu'aucun des drones détectent la cible est faite. La deuxième partie de la thèse consiste en un contrôle de l’équipe de drones pour suivre la cible d’une manière efficace. Pour accomplir cet objectif, un contrôleur MPC distribué utilisant plusieurs modèles pour le mouvement de la cible est développé et validé. Le contrôleur pour un seul drone est premièrement validé en simulation et dans des essais en vol intérieur. Ensuite, des contraintes de coopération sont ajoutées pour que les drones suivent la cible en formation, ce qui est validé en simulation.