Absoluutne drooni positsioneerimine kasutades aerofotosid

Abstract

Accurate and reliable drone positioning is critical in many domains, including agriculture, search‑and‑rescue, the military, and beyond. Most drones rely primarily on GPS, which can fail in complex environments and is vulnerable to spoofing or jamming in military scenarios. To explore alternative solutions, this project investigates absolute drone positioning methods that use aerial imagery and deep‑learning techniques. Thesis focuses on applying convolutional neural‑network (CNN) architectures for template matching in order to estimate the drone’s position without GPS. The work combines a detailed methodology with experimental validation on city‑scale orthophotos of Tartu provided by the company 3DI. Results demonstrate that deep‑learning approaches achieve ~50-metre‑level accuracy in absolute positioning and show potential for even higher precision in future developments. Droonide täpne ja usaldusväärne positsioneerimine on hädavajalik paljudes erinevates rakendustes, sealhulgas põllumajanduses, päästeoperatsioonides, militaarsektoris ja mujal. Kuna enamus droone navigeerivad peamiselt GPSi abil on neil olulised puudused keerulistes keskkondades ning samuti häkkimis- või segamisohud militaarvaldkonnas. Et otsida alternatiivseid lahendusi probleemi lahendamiseks, uuritakse käesolevas töös droonide absoluutse positsioneerimise meetodeid, kasutades aerofotosid ja sügavõppe tehnikaid. Spetsiifiliselt keskendutakse konvolutsiooniliste närvivõrkude (CNN) arhitektuuride rakendamisele mallide sobitamiseks ja positsioneerimise täpsuse parandamiseks, mille eesmärgiks on saavutada drooni täpne asukoht ilma GPSi kasutamata. Töö sisaldab nii metoodilist kirjeldust kui ka eksperimentaalset valideerimist, tuginedes ettevõtte 3DI poolt tehtud Tartu linna ortofotodele. Saadud tulemused näitavad, et sügavõppe meetodid annavad täpseid tulemusi drooni absoluutseks positsioneerimiseks ning omavad potentsiaali luua veel täpsemaid tulemusi ka edasiarendustes.