Implementation and Evaluation of Visual-Inertial Navigation and Decentralized Solutions for Autonomous UAVs in GPS-Denied Environments Implementazione e valutazione di soluzioni di navigazione visive-inerziali e decentralizzate per UAV autonomi in ambienti privi di GPS

Negli ultimi anni i sistemi multi-agente hanno suscitato un notevole interesse grazie al loro potenziale nell’aumentare l’efficienza, la flessibilità e l’autonomia in una vasta gamma di contesti applicativi. Costituiti da numerose entità autonome in grado di cooperare e prendere decisioni in maniera distribuita, tali sistemi stanno progressivamente diventando parte integrante della nostra vita quotidiana, supportando l’essere umano in compiti complessi legati a settori quali logistica, agricoltura, sanità e gestione delle risorse. L’impiego di agenti autonomi al posto dell’intervento umano non solo riduce la probabilità di errore, ma consente anche di mitigare i rischi connessi ad attività pericolose o gravose, facilitando l’accesso a scenari in cui la presenza umana risulterebbe difficoltosa o rischiosa. L’efficacia dei sistemi multi-agente nell’affrontare ambienti dinamici e incerti dipende da capacità avanzate di localizzazione, percezione e pianificazione, che permettono agli agenti di coordinarsi e raggiungere obiettivi comuni. La presente tesi magistrale si concentra sull’implementazione a bordo di VINS-fusion, un approccio di localizzazione, ed Ego-Swarm, un algoritmo che sfrutta le informazioni di localizzazione per la pianificazione del moto, con l’obiettivo della loro integrazione in una flotta di droni reali. La validazione dei due sistemi avviene inizialmente in ambiente di simulazione, per poi proseguire con test su hardware reale. Tutte le problematiche riscontrate durante la transizione dalla fase teorica a quella pratica vengono affrontate per garantire un funzionamento soddisfacente del sistema. I risultati mostrano che, sebbene VINS-fusion non raggiunga prestazioni ottimali negli ambienti di simulazione, esso dimostra eccellenti capacità di localizzazione su hardware reale. Ego-Swarm viene invece validato unicamente in simulazione, dove evidenzia un’elevata efficienza nel raggiungimento degli stati obiettivo e nell’evitamento degli ostacoli. Le ricerche future potrebbero essere orientate verso l'implementazione di entrambi gli algoritmi su una flotta reale di droni, nonché la sostituzione del sistema di localizzazione attualmente impiegato in Ego-Swarm con VINS-fusion, al fine di consentire una navigazione completamente autonoma a bordo.

In recent years, multi-agent systems have gained considerable interest due to their potential to enhance efficiency, flexibility, and autonomy across a variety of application contexts. Comprising numerous autonomous entities that are capable of cooperating and making decisions in a distributed manner, these systems are gradually becoming integral to our daily lives, assisting humans in complex tasks associated with areas such as logistics, agriculture, healthcare, and resource management. The implementation of autonomous agents to replace human involvement not only reduces the likelihood of errors but also mitigates the risks associated with hazardous or demanding activities, thus facilitating access to environments where human presence could be challenging, risky, or ineffective. The effectiveness of multi-agent systems in navigating dynamic and uncertain environments is dependent upon advanced localization, perception, and planning capabilities, which enable agents to coordinate and achieve collective objectives. This master's thesis focuses on the onboard implementation of VINS-fusion, a localization approach, and Ego-Swarm, an algorithm that exploits localization knowledge for motion planning, with the objective of their integration on a fleet of real drones. Their validation occurs first in a simulation environment, followed by assessments on real hardware. All issues encountered during the transition from theoretical to practical application are addressed to ensure satisfactory system operation. Results indicate that while VINS-fusion does not perform optimally in the simulation environments, it demonstrates excellent localization performance on real hardware. Ego-Swarm is validated solely within simulation, where it exhibits admirable proficiency in achieving goal states while avoiding obstacles. Future research may be directed toward the implementation of both algorithms on a real fleet of drones and the substitution of the localization system employed in Ego-Swarm with VINS-fusion, allowing complete onboard navigation.