Vad ser vi i kristallkulan? Tankar om framtiden

Transkript

1 Vad ser vi i kristallkulan? Tankar om framtiden Håkan Larsson hakan.larsson@foi.se

2 UASer som sensorplattformar (förutom visuella kameror och IR-sensorer) Elektrooptiska sensorer på små UASer (Vad kan de tillföra?) 3D-sensorer utveckling och framtid Laserskanning Distribuerat ljus Hyperspektrala sensorer

3 Små UASer som sensorplattformar Arducopter QUAD Tarot 810 HEXA Explosiv teknisk utvecklingsfas Tröghetsnavigering; Inertial Navigation Sensor (INS) Framdrivning (motorer) Processer för kontroll på farkosten Algoritmer.men behov av fortsatt utveckling (särskilt batterier för längre flygtid) Foxtech K130 Align Trex 800

4 Laserskannrar Explosiv teknisk utvecklingsfas Miniatyriserade Lätt vikt Bättre tillförlitlighet Ökad noggrannhet Ökad hastighet på datainsamlingen Lagring och efterprocessering Riegl VUX-1 Velodyne VLP-16 Velodyne HDL-32E Neptec Opal Effektivt penetrerande >500 m mätavstånd 0.6 kg <100 m mätavstånd

5 Laserskannrar, så fungerar de.oftast Mätmetod Fungerar som en laseravståndsmätare R = c T 2 R avstånd [m] C ljusets hastighet T uppmätt löptid Dela med 2 för att få avståndet Strålen länkas av noggrant och vinkeln mäts både horisontellt och vertikalt Skjuter flera hundra tusen laserskott per sekund Genererar punktmoln innehållande flera miljoner mätpunkter. För att kunna mäta under rörelse måste rörelsen mätas (med tröghetsnavigering och företrädesvis GPS (tryckmätare)) Kan mäta penetrerande genom skyl (ex vegetation eller semitransparenta material som kamouflagenät)

6 Lidar på UAS för 3D avbildning Integrering av hårdvara Laserskanner INS (position and orientation) Datalänk till marken Mjukvaruutveckling Tarot 810 HEXA Velodyne HDL-32E Packa upp data Processa laserpunkter till kartesiska koordinater Transformera lidarkoordinater till INS koordinatsystem Algoritm för dynamisk kalibrering resulterar i bättre noggrannhet på punktmolnet

7 Velodyne 32 pulsade lasrar

8 Försök från bil Hexacopter på taket på en Land Rover Visuell bild Efterbehandlat punktmoln

9 Försök från bil

10 Försök från bil

11 Noggrannhet a) b) a) Efterbehandlad, men inte kalibrerad data b) Efterbehandlad och kalibrerad data c) Visuellt fågelperspektiv från Google d) Statisk markbunden laserskanner c) d)

12 Bättre täckningsgrad från luften, låg flyghöjd Skanning från UAS länken mellan bilburen, bemannad flygskanning och markbunden laserskanning Från luften Från marken Ny typ av data från små UASer Tätare data jämfört med markburen eller bemannad flygburen laserskanning. Ny vinkelkapacitet och låg flyghöjd. Billigast jämfört med markbunden, mobil laserskanning och bemannad laserskanning (billigast att förlora)

13 Bättre vinklar från luften Från mark till luft

14 Se in i byggnader Att se in i byggnader, kan vara nytta till för sökning och räddning

15 Penetrationsegenskaper

16 Lagerinformation

17 Punktmoln från högre flyghöjd Bilder från Data från Riegl

18 Automatisk detektion från luften Mätning med markburen laserskanner från 100 m högt torn

19 Se genom skyl Neptec Opal

20 Förändringsdetektion Störd jord Laserintensitet NN distans Laddning i metalltunna

21 och support från algoritmer Förändringsanalys

22 Mantis Vision F5 hur den fungerar Strukturerat ljus (distribuerat ljus) 2D videos samlas in (.avi) 3D punktmoln rekonstrueras genom att jämföra det observerade mot den projicerade bilden Kodat ljusmönster på en platt vägg Kodat ljusmönster draperat över en trälåda Uppförstorat mönster

23 Lägesbild forensiska tillämpningar

24 Användningsområde för förändringsanalys Referensmodell Mätning efter explosion

25 Förändringsanalys bombad bil Change analysis of deformation How many kilos was the bomb? Great tool to improve the vehicle protection against IED attacks (performed in third-party software Polyworks)

26 Lägesbild - minfält

27 Duvslaget Mätning av undersidor på broar

28 Datafusion, kombination av sensordata Data insamlad med den handhållna laserskannern Mantis Vision F5 Bild frånwww.phoenix.com Kombinera 3D data från markbaserad och flygburen laserskanning

29 Hyperspektral sensor Rikola

30 Reflektans Spektrala signaturer och fingeravtryck UV Vis NIR SWIR MWIR LWIR hypercube gräs träd grus UV Vis NIR kamouflage Materialklassificering: Möjligheten att särskilja bildpunkter beroende på material, här kamouflage och trädvegetation! Våglängd

31 Principles for spectral target detection Spectral matching (signature based detection) Requires a priori knowledge of spectral target signatures? spectral target signature Anomaly detection Does not require a priori knowledge of spectral target signatures

32 Materialklassificering Crise and disaster management Infrastructure monitoring Biological and chemical detection Environmental monitoring Climate research Geological surveys Crop characterization QC in food industry etc. Exempel på materialklassad bild från stadsmiljö Exempel på automatisk detektion av civila (i detta fall rödmålade) bilar i stadsmiljö

33 Tack för uppmärksamheten! Frågor?