SavedAdd your journal

Journals / International Journal of Advances in Engineering and Pure Sciences / 2021 / ASYU 2020 Özel Sayısı

İnsansız Sualtı Aracı Hareketinin Kalman Filtre İle Kestirimi ve Makine Öğrenmesi ile İyileştirilmesi

Berna EROL
Recep CANTEKİN
Seda KARTAL
Rıfat HACIOĞLU
Kurtulus Serdar GÖRMÜŞ
Şenol Hakan KUTOĞLU
Kemal LEBLEBİCİOĞLU
Pages
67–77
Publication Date
2021-12-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Tüm çalışma MATLAB/Simulink ortamında yapılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada bir insansız sualtı aracının altı serbestlik dereceli doğrusal olmayan matematiksel modeli elde edilmiştir.
📊
Key Findings & Data:Aracın matematiksel model cevabından aracın konum ve yönelim bilgileri elde edilmiştir.
💡
Conclusion & Impact:Tüm çalışma MATLAB/Simulink ortamında yapılmıştır.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:genişletilmiş Kalman filtresi · kokusuz Kalman filtresi · Destek vektör makinesi

Özet

Bu çalışmada bir insansız sualtı aracının altı serbestlik dereceli doğrusal olmayan matematiksel modeli elde edilmiştir. Aracın matematiksel model cevabından aracın konum ve yönelim bilgileri elde edilmiştir. Elde edilen konum ve yönelim bilgilerine gürültü eklenerek navigasyon sensör verileri üretilmiştir. Üretilen gürültülü sensör verilerinin kestirimi için kokusuz ve genişletilmiş Kalman filtre algoritmaları kullanılmıştır. Kokusuz Kalman filtresinde, sistem modeli için insansız sualtı aracının doğrusal olmayan modeli kullanılmıştır. Genişletilmiş Kalman filtresinde ise sualtı aracının doğrusal olmayan modeli belirli denge noktalarında doğrusallaştırılmıştır. Kokusuz ve genişletilmiş Kalman filtresi kestirim sonuçları karşılaştırılmıştır. Kokusuz Kalman filtre ve genişletilmiş Kalman filtre kestirimlerine makine öğrenmesi olan Destek Vektör Makinesi algoritması uygulanarak, gürültünün fazla olduğu durumlar için, kestirimler iyileştirilmiştir. Buna ek olarak, aracın verilen bir kare yolu takip ettiği hareketi için kokusuz Kalman filtre ve genişletilmiş Kalman filtre kestirimleri iyileştirilmiştir. Tüm çalışma MATLAB/Simulink ortamında yapılmıştır.

🔖

Cite This Article

EROL, B., CANTEKİN, R., KARTAL, S., HACIOĞLU, R., GÖRMÜŞ, K. S., KUTOĞLU, Ş. H., LEBLEBİCİOĞLU, K. (2021). İnsansız Sualtı Aracı Hareketinin Kalman Filtre İle Kestirimi ve Makine Öğrenmesi ile İyileştirilmesi. International Journal of Advances in Engineering and Pure Sciences, ASYU 2020 Özel Sayısı, 67–77. https://ajindex.com/articles/393755

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (2)

  1. 1] Groves, P. D. (2013).
  2. Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems., Artech House. [2] LIU, K.-z., LI, J., GUO, W., ZHU, P.-q., ve WANG, X.-h.(2014) Navigation system of a class of underwater vehicle based on adaptive unscented Kalman fiter algorithm, Springer, 550-557. [3] Duymaz, E., Oğuz, A. E., ve Temeltaş, H. (2017). Eş zamanlı konum belirleme ve haritalama probleminde yeni bir durum tahmin yöntemi olarak parçacık akış filtresi. DergiPark, 1255-1270. [4] Jwo, D. J., Hu, C. W., ve Tseng, C. H. (2013). Nonlinear Filtering with IMM Algorithm for Ultra-Tight GPS/INS Integration. SAGE, 1-16. [5] St-Pierre, M., Gingras, D. (2004). Comparison between the unscented Kalman filter and the extended Kalman filter for the position estimation module of an integrated navigation information system, Proc. of IEEE Intelligent Vehicles Symposium, 831-835. [6] Makavita, C. D., Jayasinghe, G. S., Nguyen, D. H., ve Ranmuthugala, D. (2019). Experimental Study of Command Governor Adaptive Control for Unmanned Underwater Vehicles. IEEE, 332 – 345. [7] Daum, F. (2005). Nonlinear filters: beyond the Kalman filter. IEEE, 57 – 69. [8] Wan, E. A., Merwe, R. V. (2000). The unscented Kalman filter for nonlinear estimation. Proceedings of the IEEE 2000 Adaptive Systems for Signal Processing, Communications, and Control Symposium, Lake Louise: IEEE, 153-158. [9] Kandepu R., Foss, B., Imsland, L. (2008). Applying the unscented Kalman filter for nonlinear state estimation, J. Process Control, 753-768. [10] Xiong, K., Zhang, H. Y. ve Chan, C. W. (2006). Performance evaluation of UKF-based nonlinear filtering. ELSEVIER, 261-270. [11] Dini, D. H., Mandic, D. P. ve Julier, S. J. (2011). A Widely Linear Complex Unscented Kalman Filter. IEEE, 623 - 626. [12] Menegaz, H. M. T., Ishihara, J. Y., Borges, G. A. ve Vargas, A. N. (2015). A Systematization of the unscented Kalman filter theory. IEEE Trans. Automat. Control, 60 (10), 2583-2598. [13] Holmes, S. A., Klein, G. ve Murray, D. W. (2008) An O(N2) Square Root Unscented Kalman Filter for Visual Simultaneous Localization and Mapping[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 31 (7), 1251-1263. [14] Huang, M., Li, W., Yan, W. (2010). Estimating parameters of synchronous generators using square-root unscented Kalman filter Electr. Power Syst. Res., 80 (9), 1137-1144 [15] Erol, B., Cantekin, R.F., Kartal, S.K., Hacıoğlu, R., Görmüş, K.S., Kutoğlu, Ş.H. ve Leblebicioğlu, M.K. (2020). Imp