Fusing vision and inertial measurements for autonomous navigation in narrow channels

This thesis addresses the design, development, and validation of an automatic system for detecting roll, pitch, and yaw of an autonomous boat. The main objective is to create a low-cost, low-power, and easily transportable solution capable of accurately determining the boat’s attitude. To achieve this, both computer vision and an onboard inertial sensor will be used. By fusing data from these two sources, a precise estimate of the boat’s attitude will be made available to the entire system. For the computer vision part, two cameras will be used to exploit stereo vision. The attitude estimation will be processed on a Raspberry Pi 5, chosen for its low cost. For this purpose, ArUco Tags—two-dimensional fiducial markers commonly used in robotics and augmented reality for pose estimation—will be employed. Regarding the inertial sensor, the onboard device will provide velocities and accelerations along the three axes. Finally, an extended Kalman filter, which will utilize both inertial and computer vision data, will be applied to reduce drift and improve the accuracy of roll, pitch, and yaw estimation.

Questa tesi affronta la progettazione, lo sviluppo e la validazione di un sistema automatico per il rilevamento del rollio, beccheggio e imbardata di una barca a guida autonoma. L’obiettivo principale è la realizzazione di una soluzione a basso costo, a basso consumo e soprattutto facilmente trasportabile, in grado di determinare in modo accurato l’assetto della barca. Per fare questo ci appoggeremo sia alla visione artificiale che a un sensore inerziale presente nella barca. Attraverso la fusione dei dati provenienti dalle due sorgenti, otterremo una stima precisa dell’assetto della barca che sarà reso disponibile a tutto il sistema. Per la parte di computer vision saranno utilizzate 2 fotocamere per sfruttare la stereo visione. L’elaborazione della stima dell’assetto sarà effettuata su un Raspberry Pi 5, scelto per il ridotto costo. A tal fine ci appoggeremo agli ArUco Tags che sono dei marcatori fiduciali bidimensionali spesso usati in robotica e realtà aumentata per la stima dell’assetto. Per quanto riguarda la parte del sensore inerziale utilizzeremo quello presente sulla barca, il quale ci darà le velocità e le varie accelerazioni sui tre assi. Infine, attraverso un filtro di Kalman esteso, il quale utilizzerà i valori del sensore inerziale e quelli derivanti dalla visione artificiale, ridurremo il drift e aumenteremo l’accuratezza della stima di rollio beccheggio e imbardata