Derin öğrenme yöntemleri ile ataletsel navigasyon sistemlerinde doğruluğun geliştirilmesi

Abstract

Ataletsel navigasyon sistemleri (ANS), çeşitli sensörleri kullanarak, hava araçları, kara araçları, füzeler, deniz araçları gibi çeşitli araçlar ile özellikle son yıllarda giyilebilir sensörler yardımıyla insanların ve araçların kendi konumlarını bulmasına yardımcı olur.ANS hâlâ başlangıç aşamasında olmasına rağmen, bu algoritmaların ANS konumlandırma alanına aktarılması, kaotik acil durum ortamlarında personeli koordine etmek için hayati önem taşıyabilir. Ataletsel ölçüm birim (AÖB) kullanılan nispeten ucuz sensörlerle uygulanan ataletsel navigasyon sistem çözümleri yalnızca kısa süreler için doğrudur, çünkü sensör tahminleri ve gürültü zamanla daha düşük kalite tahminlerine yol açar. AÖB ile yapılan ANS uygulamarında sıfır hız algılama (SHA) işleminin doğru tespit edilmesi ölçüm hatalarını düşüren en önemli etkendir. Bu çalışmada, SHA' yı daha doğru bir şekilde tespit etmek için sunulan yöntem, sıfır hız durumlarını ham atalet verilerinden sınıflandırmak için uzun kısa süreli bellek (RNN-LSTM) yardımıyla tekrarlayan bir sinir ağı kullanılmıştır. Önerilen yöntemlerle yapılan ANS farklı ortamlar için uygulanmış ve standart ANS çözümünden daha yüksek hassasiyette ölçümler yaptığı görülmüştür.

Inertial navigation systems (ANS), using various sensors, help people and vehicles to find their own position with the help of various vehicles such as aircraft, land vehicles, missiles, sea vehicles, and especially with the help of wearable sensors in recent years. Although ANS is still in its infancy, importing these algorithms into the human positioning field could be vital for coordinating personnel in chaotic emergency environments. Inertial navigation system solutions implemented with relatively inexpensive sensors using an inertial measurement unit (IMU) are only accurate for short periods of time, because sensor estimates and noise lead to lower quality estimates over time.Accurate detection of zero velocity detection (ZUPT) is the most important factor reducing measurement errors in ANS applications with IMU. In this study, the presented method to detect SHA more accurately, a recurrent neural network with the help of long short-term memory (RNN-LSTM) is used to classify zero-rate states from raw inertial data. ANS made with the proposed methods has been applied for different environments and it has been seen that it makes higher precision measurements than the standard ANS solution.