Gas source identification system using nanoquadricopter

Soluções para o problema de detecção de fonte de odor são necessárias para permitir a realização de diversas tarefas como busca por vazamentos ambientais de gás, monitoramento da qualidade do ar e detecção de presença de gás tóxico em ambientes internos, permitindo, assim, aumentar a segurança e prevenir acidentes em ambientes com presença de gases perigosos. Neste sentido, a utilização de aeronaves nesta tarefa agrega agilidade, segurança e eficiência, contribuindo no desenvolvimento da Indústria 4.0. A solução presente neste trabalho faz uso de uma estratégia de busca pela fonte de odor utilizando a abordagem do mapeamento da distribuição de gás em um ambiente tridimensional utilizando um nanoquadricóptero do modelo Crazyflie 2.0. O mapeamento é viabilizado a partir de uma função de densidade de probabilidade por kernel gaussiano, a qual atua sobre as leituras de características extraídas do sinal de qualidade do ar de um sensor SGP30 embarcado e produz um mapa contínuo, sem haver necessidade de segmentação do ambiente. A subtarefa de declaração da posição da fonte é avaliada através de diferentes estratégias envolvendo redes neurais artificiais e técnicas de aprendizagem de máquina. Os resultados apontam que o algoritmo proposto é capaz de realizar estimativas precisas sobre a localização da fonte com erros de estimação com média próxima a 0,46 m em um ambiente de aproximadamente 15 m3. O algoritmo possui a possibilidade de escalabilidade para incorporar outras aeronaves e explorar ambientes internos com maiores volumes. Solutions to the odor source localization problem are necessary to allow accomplishment of several tasks such as environmental gas leakage searching, air quality monitoring and indoor detection of dangerous gas, thus allowing to increase safety and prevent accidents in environments where hazardous gases are handle. In this sense, the use of aircraft in this task brings agility, safety and efficiency, contributing to the development of Industry 4.0. The solution presented in this work makes use of an odor source localization strategy by gas distribution mapping approach in a three-dimensional environment using a Crazyflie 2.0 nano quadcopter. The mapping is constructed from a probability density function by Gaussian kernel, which acts over characteristics extracted from the air quality signal of an on-board SGP30 sensor and produces a continuous map, without the need for segmentation of the workspace. The source position declaration subtask is evaluated through different strategies involving artificial neural networks and machine learning techniques. The results show that the proposed algorithm is capable of making accurate estimates of the odor source location with estimation errors means close to 0.46 m in an environment of approximately 15 m3. The algorithm has the possibility of scalability by incorporation other aircraft and thus explore indoor environments with higher volumes. Tese (Doutorado)