🐦‍⬛ Munin — Vision-Based Navigation

Map-baseret visuel navigation til Pi Zero 2W med simpelt kamera.

Kerneidé: Pre-processeret satellitkort onboard → kamera matcher features mod kortet → position + retning + hastighed.

---

Sådan virker det

Camera (640x480, nedad)         Pre-processed map (5000 ORB features)
        │                                    │
        ├─ ORB features (400/frame) ─────────┤
        │                                    │
        ├─ FLANN LSH matching ───────────────┤
        │                                    │
        ├─ Homography → Position on map ─────┤
        │                                    │
        ├─ Optical flow → Velocity ──────────┤
        │                                    │
        └─ Kalman filter → Fused state ──────┤
                                             │
                                  Position, speed, heading

Arkitektur

Fil	Funktion
feature_matcher.py	ORB extract + FLANN match + homography
map_prep.py	Forbereder kort offline (desktop)
visual_odometry.py	Frame-til-frame tracking
kalman_filter.py	4-state Kalman (x,y,vx,vy)
camera.py	Pi Camera + simulator
navigator.py	Main engine — orkestrerer det hele
demo_sim.py	Demo med simuleret drone

Quick Start

1. Forbered kort (desktop)

python map_prep.py omraade.png \
    --corners 55.38,10.38 55.38,10.39 55.39,10.38 55.39,10.39 \
    --features 5000

Output: omraade_map.navmap (~200-400 KB for 5000 features)

2. Demo på desktop (simuleret)

# Med auto-genereret testkort:
python demo_sim.py

# Med eget kort:
python demo_sim.py omraade_map.navmap --altitude 50 --fps 5

3. På Pi Zero 2W

# Installer afhængigheder
pip install opencv-python numpy scipy picamera2

# Kopier .navmap fil til Pi'en
scp omraade_map.navmap pi@192.168.1.X:~/vision_nav/

# Kør navigation
python -c "
from navigator import VisualNavigator, NavConfig
from camera import PiCamera

cam = PiCamera(resolution=(640, 480), fps=5)
nav = VisualNavigator('omraade_map.navmap', cam, altitude_m=50)

while True:
    state = nav.update()
    if state:
        lat, lon = nav.get_gps()
        print(f'POS: {state.x_px:.0f},{state.y_px:.0f} | GPS: {lat:.5f},{lon:.5f} | {state.speed_ms:.1f} m/s')
"

Performance på Pi Zero 2W

Component	Tid (målt)
ORB extract (400 features)	~60-80ms
ORB extract (map, 5000, once)	~500ms
FLANN match (400 vs 5000)	~40-60ms
Homography (RANSAC)	~10-20ms
Total per frame	~120-180ms
FPS	5-8 FPS

Ydelse

• Pixel → Meter: Via GSD (Ground Sampling Distance) fra kamera specs
• Pixel → GPS: Bilineær interpolation mellem 4 GPS-hjørner
• Hastighed: Fra Kalman-filter (position + odometry fusion)
• Nøjagtighed: 5-15m afhængigt af kortkvalitet og højde

Kamera presets

Indbygget GSD-beregning for:

• Pi Camera v2 (IMX219, 8MP)
• Pi Camera v3 (IMX708, 12MP)
• ArduCam OV5647

from visual_odometry import CAMERA_PRESETS
gsd = CAMERA_PRESETS["pi_camera_v3"]["gsd_cm_per_px_m1"]
print(f"GSD: {gsd:.2f} cm/pixel @ 1m altitude")

Begrænsninger

• Virker bedst med nedadvendt kamera (nadir)
• Kræver nogenlunde ens belysning mellem kort og flyvning
• Sæsonvariation (løvfald, sne) kan reducere matches
• Over vand/ørken: få features → dårligere tracking
• Ikke egnet til højhastighedsracing-droner (>15 m/s)

Fremtidige forbedringer

• AKAZE features for bedre scale invariance
• Multi-scale matching (pyramid)
• IMU fusion (accelerometer + gyro)
• Loop-closure detection
• ROS2 node wrapper
• MAVLink position output