Mágneses szenzorhibák monokamerakép-alapú detektálása pilóta nélküli légi járműveken valós repülési adatok felhasználásával

doi: 10.32560/rk.2025.1.7

Copyright (c) 2026 Jevuczó Gábor, Bauer Péter

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Absztrakt

A modern inerciális mérőegységekbe integrált magnetométerek alapvető szerepet játszanak a pilóta nélküli légi járművek irányítási és navigációs rendszereiben. Ebből fakadóan a meghibásodásuk detektálása kulcsfontosságú feladat a megbízható navigáció biztosítása és a repülés biztonságának fenntartása érdekében. Ezen feladat megoldására ígéretes megközelítés a fedélzeti kamera használata, ugyanis a mai drónok többsége az IMU- és GNSS-szenzorok mellett kamerával is fel van szerelve különböző funkciók (például felvétel készítése) ellátása céljából. Ebből fakadóan ennek a munkának a célkitűzése egy mágneses szenzormeghibásodást detektáló algoritmus kifejlesztése monokameraképek felhasználásával. A kutatás során egy monokamera képén alapuló IMU-magnetométer-hibadetektálási módszert fejlesztettünk ki, amelyet valós repülési adatokon teszteltünk. A monokamera felvételekből a kamera relatív elfordulását két egymást követő képkocka között a homográfia vagy az esszenciális mátrixok segítségével határoztuk meg. Az így meghatározott kumulált forgatási mátrix felhasználásával egy mágneses szenzorhibák detektálására szolgáló módszert dolgoztunk ki, amely egy fel-le számlálón és határértékeken alapuló döntési mechanizmuson alapul. Az IMU által szolgáltatott valós mágneses mérésekben három különböző típusú, a valóságban is előforduló hibát generáltunk mesterségesen, és a kidolgozott módszer mindhárom hibatípust sikeresen detektálta.

Kulcsszavak:

pilóta nélküli légijárművek inerciális mérőegység magnetométer hibadetektálás mono kamera szenzorhiba detektálás valós repülési adatok

Hogyan kell idézni

[1]
G. Jevuczó és P. Bauer, „Mágneses szenzorhibák monokamerakép-alapú detektálása pilóta nélküli légi járműveken valós repülési adatok felhasználásával”, RepTudKoz, köt. 37, sz. 1, o. 103–121, okt. 2026.

Hivatkozások

[1] B. Armstrong, E. Wolbrecht, D. B. Edwards, „AUV Navigation in the Presence of a Magnetic Disturbance with an Extended Kalman Filter,” In Oceans’10 IEEE Sydney, 2010, pp. 1–6. Online: https://doi.org/10.1109/OCEANSSYD.2010.5603905

[2] E. A. Belalcazar-Bolaños, D. Torricelli, J. Pons, „Automatic Detection of Magnetic Dis-turbances in Magnetic Inertial Measurement Unit Sensors Based on Recurrent Neural Networks,” Sensors 23. évf. 24. sz. 9683. 2023. Online: https://doi.org/10.3390/s23249683

[3] Q. Cai et al., „Equivalent Constraints for Two-View Geometry: Pose Solution/Pure Ro-tation Identification and 3D Reconstruction,” International Journal of Computer Vision, 127. évf. 2. sz. pp. 163–80. 2019. Online: https://doi.org/10.1007/s11263-018-1136-9

[4] H. Chen, M. Schall, N. Fethke,„Effects of Movement Speed and Magnetic Disturbance on the Accuracy of Inertial Measurement Units,” Proceedings of the Human Factors and Ergonomics Society Annual Meeting 61. évf. 1. sz. pp. 1046–50. 2017 Online: https://doi.org/10.1177/1541931213601745

[5] N. Gao, M. Y. Wang, L. Zhao, „A Novel Robust Kalman Filter on AHRS in the Mag-netic Distortion Environment,” Advances in Space Research, 60. évf. 12. sz. pp. 2630–2636. 2017. Online: https://doi.org/10.1016/j.asr.2017.04.012

[6] S. Gauglitz et al., „Live Tracking and Mapping from Both General and Rotation-Only Camera Motion,” In 2012 IEEE International Symposium on Mixed and Augmented Re-ality (ISMAR), pp. 13–22. 2012. Online: https://doi.org/10.1109/ISMAR.2012.6402532

[7] J. Gertler, M. Costin, „Model-Based Diagnosis of Automotive Engines: Case Study on a Physical Vehicle,” IFAC Proceedings, 27. évf. 5. sz. pp. 393–402. 1994. Online: https://doi.org/10.1016/S1474-6670(17)48059-1

[8] G. Gopalratnam, C. Zorn, A. Koch, „Multisensor Data Fusion for Sensor Failure De-tection and Health Monitoring,” In AIAA Guidance, Navigation, and Control Conferen-ce and Exhibit. 2005. Online: https://doi.org/10.2514/6.2005-5843

[9] T. Grof, P. Bauer, „Voting-Based Fault Detection for Aircraft Position Measurements with Dissimilar Observations,” IFAC-PapersOnLine, 53. évf. 2. sz. pp. 14724–14729. 2020. Online: https://doi.org/10.1016/j.ifacol.2020.12.1841

[10] J. S. Jang, D. Liccardo, „Automation of Small UAVs Using a Low Cost Mems Sensor and Embedded Computing Platform,” In 2006 Ieee/Aiaa 25TH Digital Avionics Systems Conference, pp. 1–9. 2006. Online: https://doi.org/10.1109/DASC.2006.313772

[11] G. Jevuczo, P. Bauer, „Optical Flow-Based Vertical Angular Rate Fault Detection on UAVs,” IFAC-PapersOnLine, 58. évf. 4. sz. pp. 109–114. 2024. Online: https://doi.org/10.1016/j.ifacol.2024.07.202

[12] B. Lucas, T. Kanade, „An Iterative Image Registration Technique with an Application to Stereo Vision (IJCAI),” In Conference: Proceedings of the 7th International Joint Conference on Artificial Intelligence (IJCAI '81), pp. 121–130. 1981. Online: https://www.researchgate.net/publication/215458777_An_Iterative_Image_Registration_Technique_with_an_Application_to_Stereo_Vision_IJCAI

[13] E. Malis, M. Vargas, „Deeper Understanding of the Homography Decomposition for Vision-Based Control,” 2007. Online: https://api.semanticscholar.org/CorpusID:118992441

[14] O. Ahmet Arda, P. Seiler, G. J. Balas, „Wind Turbine Fault Detection Using Counter-Based Residual Thresholding,” IFAC Proceedings, 44. évf. 1. sz. pp. 8289–8294. 2011. Online: https://doi.org/10.3182/20110828-6-IT-1002.01758

[15] D. Roetenberg et al., „Compensation of Magnetic Disturbances Improves Inertial and Magnetic Sensing of Human Body Segment Orientation,” IEEE Transactions on Neural Systems and Rehabilitation Engineering, 13. évf. 3. sz. pp. 395–405. 2005. Online: https://doi.org/10.1109/TNSRE.2005.847353

[16] A. Sabatini, „Quaternion-Based Extended Kalman Filter for Determining Orientation by Inertial and Magnetic Sensing,” Biomedical Engineering, IEEE Transactions, 53. évf. 7. sz. pp. 1346–1356. 2006. Online: https://doi.org/10.1109/TBME.2006.875664

[17] S. Jianbo, Tomasi, „Good Features to Track.” In 1994 Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 593–600. 1994. Online: https://doi.org/10.1109/CVPR.1994.323794

[18] S. Halil, S-I. Sakai, „Magnetometer Calibration for Advanced Small Satellite Missions,” 2015. Online: https://bit.ly/4wbSBAm

[19] P. Torr, A. W. Fitzgibbon, A. Zisserman, „Maintaining Multiple Motion Model Hypot-heses over Many Views to Recover Matching and Structure,” In Sixth International Conference on Computer Vision (IEEE Cat. No.98CH36271), pp. 485–91. 1998. On-line: https://doi.org/10.1109/ICCV.1998.710762

[20] W. H. K. Vries, de, et al., “Magnetic Distortion in Motion Labs, Implications for Vali-dating Inertial Magnetic Sensors,” Gait & Posture, 29. évf. 4. sz. pp. 535–541. 2009. Online: https://doi.org/10.1016/j.gaitpost.2008.12.004

[21] A. Wahdan, et al., „Magnetometer Calibration for Portable Navigation Devices in Ve-hicles Using a Fast and Autonomous Technique,” IEEE Transactions on Intelligent Transportation Systems, 15. évf. 5. sz. pp. 2347–2352. 2014. Online: https://doi.org/10.1109/TITS.2014.2313764

[22] X. Wang, et al., „Low-Cost MEMS-Based AHRS Using an Adaptive Robust Error-State Kalman Filter for Motion Capture,” Measurement, 251, 117108. 2025. Online: https://doi.org/10.1016/j.measurement.2025.117108

[23] N. Yadav, C. Bleakley, „Accurate Orientation Estimation Using AHRS Under Condi-tions of Magnetic Distortion,” Sensors, 14. évf. 11. sz. pp. 20008–20024. 2014. Online: https://doi.org/10.3390/s141120008

[24] W. Youn, „Magnetic Fault–Tolerant Navigation Filter for a UAV,” IEEE Sensors Jour-nal, 20. évf. 22. sz. pp. 13480–13490. 2020. Online: https://doi.org/10.1109/JSEN.2020.3004133

Letöltések

Letölthető adat még nem áll rendelkezésre.