الگوریتم جدید نقشه برداری همزمان زیر آب بر اساس شبکه عصبی

یک الگوریتم جدید محلی سازی و نقشه برداری همزمان زیر آب بر اساس شبکه عصبی

خلاصه

ناوبری و محلی سازی وسایل نقلیه زیردریایی خودمختار (AUV) در آب دریا برای تحقیقات علمی، مهندسی نفت، جستجو و نجات و ماموریت های نظامی در رابطه با محیط ویژه آب دریا از اهمیت بالایی برخوردار است. با این حال، هنوز هیچ روش کلی برای ناوبری و بومی سازی AUV ها، به خصوص در بستر بدون ویژگی وجود ندارد. رویکردهای گزارش‌شده برای حل مشکلات ناوبری و محلی‌سازی AUV از یک سیستم ناوبری اینرسی گران‌قیمت (INS)، با خطاهای تجمعی و محاسبه مرده، و یک خط پایه طولانی هزینه بالا (LBL) در یک زیردریایی بدون ویژگی استفاده می‌کنند. در این مطالعه، یک الگوریتم آنلاین محلی سازی و نقشه برداری همزمان (AMB-SLAM) بر اساس فانوس های صوتی و مغناطیسی، پیشنهاد شد. الگوریتم آنلاین AMB-SLAM بر اساس چندین بیکن توزیع شده تصادفی میدان های مغناطیسی با فرکانس پایین و یک چراغ صوتی ثابت برای مکان و نقشه برداری است. نتایج تجربی نشان می‌دهد که عملکرد الگوریتم آنلاین AMB-SLAM از استحکام بالایی برخوردار است. رویکرد پیشنهادی (الگوریتم آنلاین AMB-SLAM) یک راه حل آنلاین کم پیچیدگی، کم هزینه و با دقت بالا برای مشکل ناوبری و محلی سازی AUVs در محیط های آب دریا بدون ویژگی ارائه می دهد. راه حل آنلاین AMB-SLAM می تواند AUV ها را به کاوش یا مداخله مستقل در محیط های بی خاصیت آب دریا، که AUV ها را قادر می سازد تا ماموریت های بررسی کاملاً مستقل را انجام دهند را قادر می سازد. نتایج تجربی نشان می‌دهد که عملکرد الگوریتم آنلاین AMB-SLAM از استحکام بالایی برخوردار است. رویکرد پیشنهادی (الگوریتم آنلاین AMB-SLAM) یک راه حل آنلاین کم پیچیدگی، کم هزینه و با دقت بالا برای مشکل ناوبری و محلی سازی AUVs در محیط های آب دریا بدون ویژگی ارائه می دهد. راه حل آنلاین AMB-SLAM می تواند AUV ها را به کاوش یا مداخله مستقل در محیط های بی خاصیت آب دریا، که AUV ها را قادر می سازد تا ماموریت های بررسی کاملاً مستقل را انجام دهند را قادر می سازد. نتایج تجربی نشان می‌دهد که عملکرد الگوریتم آنلاین AMB-SLAM از استحکام بالایی برخوردار است. رویکرد پیشنهادی (الگوریتم آنلاین AMB-SLAM) یک راه حل آنلاین کم پیچیدگی، کم هزینه و با دقت بالا برای مشکل ناوبری و محلی سازی AUVs در محیط های آب دریا بدون ویژگی ارائه می دهد. راه حل آنلاین AMB-SLAM می تواند AUV ها را به کاوش یا مداخله مستقل در محیط های بی خاصیت آب دریا، که AUV ها را قادر می سازد تا ماموریت های بررسی کاملاً مستقل را انجام دهند را قادر می سازد.

کلید واژه ها:

AUVs _ AMB-SLAM ; شبکه عصبی ؛ چراغ های مغناطیسی

1. معرفی

وسایل نقلیه زیردریایی خودمختار (AUV) نقش مهمی در بسیاری از ماموریت های زیر دریا ایفا می کنند و به طور گسترده در تحقیقات علمی، جستجو و نجات، نظامی، مهندسی نفت و برنامه های غیرنظامی استفاده می شوند [ 1 ، 2 ]. برای اجرای این ماموریت‌ها، ناوبری دقیق و محلی‌سازی، مهم‌ترین فناوری‌ها برای پیگیری یک مسیر از پیش برنامه‌ریزی‌شده و دستیابی به داده‌های دقیق جغرافیایی هستند. به طور کلی، در بالای آب، بیشتر وسایل نقلیه هوایی بدون سرنشین (UAV) و شناورهای سطحی بدون سرنشین (USVs) از راه دور توسط رادیو اداره می شوند و توسط یک سیستم ناوبری اینرسی (INS) یا سیستم موقعیت یاب جهانی (GPS) هدایت می شوند [ 3 ]]. با این وجود، در زیر دریا، GPS و سیگنال های رادیویی در دسترس نیستند، زیرا تابش الکترومغناطیسی نمی تواند به اندازه کافی در طبیعت بدون ساختار محیط زیر دریا نفوذ کند. علاوه بر این، ارتباطات زیر آب به شدت توسط عوامل محیطی آب دریا، مانند دما، فشار، یا شوری آب دریا محدود می شود. در حالی که چالش‌های بسیار زیادی وجود دارد، فناوری‌های ناوبری و بومی‌سازی AUV در بیش از نیم قرن به دلیل نیاز به گسترش قابل توجه قابلیت‌های AUV، رشد چشمگیری داشته است. AUV ها به طور گسترده در بسیاری از زمینه های زیر آب، به ویژه مهندسی نفت [ 4 ]، محیط های ساخته شده در زیر آب، تحقیقات علوم دریایی [ 5 ] و جستجو و نجات استفاده شده اند [ 6 ، 7 ]، 8 ].

در مقایسه با فناوری ناوبری الکترومغناطیسی، سنسورهای مبتنی بر آکوستیک زیر آب در آب دریا بهتر عمل می کنند [ 1 ]. بنابراین، فناوری های ناوبری مبتنی بر آکوستیک به طور گسترده در موقعیت یابی وسایل نقلیه زیر آب استفاده می شود. در این فناوری‌های ناوبری صوتی، از جمله خط پایه بلند (LBL)، خط پایه فوق‌العاده کوتاه (USBL) و خط پایه کوتاه (SLB)، محلی‌سازی با محاسبه موقعیت نسبی سیگنال‌های صوتی از زمان پرواز (TOF) انجام می‌شود. 9 ]. در مقایسه با SBL و USBL، LBL دارای هندسه کاملی در موقعیت یابی است که امکان دقت ناوبری بیشتر را فراهم می کند. بنابراین، سیستم‌های LBL عموماً در کارهایی که به دقت موقعیت بالاتری نیاز دارند، به‌ویژه در موقعیت‌های پرخطر، مانند بررسی‌های زیر یخ استفاده می‌شوند [ 10 ].، 11 ] و بررسی های آب های عمیق [ 12 ]. با این وجود، در بیشتر موارد، ضروری است که فرستنده‌های صوتی پیش از انجام مأموریت‌ها توسط یک کشتی سطحی [ 13 ]، یک هلیکوپتر [ 10 ]، GPS [ 9 ] یا حتی یک AUV دیگر [ 14 ] مستقر شده و به صورت ژئو ارجاع داده شوند. آنها باید پس از اتمام کار بازیابی شوند.

استقرار، ارجاع جغرافیایی و بازیابی هر ترانسپوندر مستقر شده از بستر دریا زمان و هزینه قابل توجهی را به هر ماموریت AUV اضافه می کند. برای غلبه بر این مشکلات، LaPointe [ 15 ] یک روش LBL مجازی (VLBL) را پیشنهاد کرد که AUV ها را تنها با استفاده از یک ترانسپوندر ثابت بومی سازی می کند. بر خلاف روش LBL، در [ 16 ، 17 ، 18 ، 19 ، 20 ]، یک فناوری ناوبری GPS در زیر آب توسعه یافته پیشنهاد شد، به نام سیستم شناور هوشمند GPS (GIB) که شامل دستگاه های LBL معکوس می شود، جایی که آرایه صوتی زیردریایی جایگزین می شود. توسط شناورهای سطح شناور مجهز به گیرنده های GPS که اطلاعات ناوبری ماهواره ای را در زیر آب توسط یک سیگنال صوتی منتشر می کنند.

با این وجود، هیچ یک از تکنیک های ناوبری صوتی راه حلی بی عیب برای چالش ناوبری AUVs ایجاد نمی کند. باتیستا و همکاران [ 21 ، 22 ، 23 ] یک سیستم ناوبری صوتی جدید مبتنی بر ادغام سیستم‌های LBL و USBL را پیشنهاد کرد که می‌تواند بدون توجه به عمق، موقعیت‌یابی با دقت بالا را تضمین کند. Vickery [ 24 ] یک سیستم موقعیت یابی یکپارچه LBL/SBL/USBL را پیشنهاد کرد که ظرفیت موقعیت یابی دقیق تری نسبت به ناوبری آکوستیک معمولی به دلیل افزونگی مشاهده دارد. سیستم ناوبری صوتی، در محدوده های طولانی تر، معمولاً دقت ضعیف و نرخ به روز رسانی پایین را ارائه می دهد. برای دور زدن این مشکل، Whitcomb و همکاران. [ 25] و اسپیندل و همکاران. [ 26 ] یک روش ناوبری مبتنی بر ترکیب سیستم‌های ثبت سرعت LBL و Doppler (DVL) پیشنهاد کرد که پیشرفت قابل‌توجهی را از نظر دقت ناوبری خودرو و نرخ به‌روزرسانی ارائه می‌دهد. با این حال، راه حل های بالا منطقه عملیاتی AUV ها را محدود می کند.

در حالی که یک AUV یک اکتشاف علمی را در اعماق بیش از یک عمق مشخص انجام می دهد، یا به طور ایمن و مخفیانه در کاربردهای نظامی حرکت می کند، INS تنها فناوری موجود است، در نتیجه عملکرد مکان دقیق آن، که مستقل از منابع خارجی است [ 27 ]. با این حال، اشکال مهلک INS این است که در طول زمان جابجا می‌شود و حتی بهترین INS تنها می‌تواند به یک دریفت 0.1٪ از مسافت طی شده دست یابد [ 28 ]. بنابراین، ادغام سایر روش‌های ناوبری و INS، که به آنها اجازه می‌دهد مکمل یکدیگر باشند، به منظور بهبود عملکرد AUVها در ماموریت‌های طولانی مدت مورد مطالعه قرار گرفته است. به عنوان مثال، در [ 29 ، 30 ، 31 ، 32]، یک فناوری ادغام USBL و INS برای بهبود عملکرد ناوبری AUV ها ارائه شد. چوی و همکاران [ 33 ] و نایت [ 34 ] یک روش ناوبری زیر آب را بر اساس ادغام سنسورهای GPS و INS ارائه کردند. با این حال، این روش برای تصحیح موقعیت به AUV نیاز دارد. به منظور کاهش مشکل DVL هنگامی که نمی تواند قفل پایین را حفظ کند، Tal et al. [ 35 ] یک سیستم ناوبری مبتنی بر INS با کمک DVL، مغناطیس سنج و سنسور فشار (PS) پیشنهاد کرد.

در حالی که ناوبری صوتی، ناوبری INS و ترکیب دو یا چند روش می تواند یک خطای ناوبری محدود ایجاد کند، این امر هزینه ماموریت های AUV و پیچیدگی ترکیب داده ها را افزایش می دهد. یک فناوری جدید، محلی‌سازی و نقشه‌برداری همزمان (SLAM) پیشنهاد شده است تا به ربات‌های داخلی و خارجی اجازه دهد بدون استفاده از تجهیزات کمکی به طور دقیق حرکت کنند [ 36 ، 37 ]. این امکان برای تکنیک SLAM وجود دارد که به صورت تدریجی یک نقشه ویژگی ها را بسازد که با محیط ناشناخته خود سازگار باشد و به طور همزمان مکان آن را در این نقشه تعیین کند [ 38 ]. در حال حاضر، SLAM یک فناوری بسیار بالغ در جهت یابی و موقعیت یابی وسایل نقلیه زمینی بدون سرنشین (UGV) است [ 39 ]] و وسایل نقلیه هوایی بدون سرنشین (UAVs) [ 40 ، 41 ]. با این وجود، فناوری ارتباطات زیر آب و برخی از پیوندهای فنی مهم SLAM کاربرد فناوری SLAM را در محیط زیر آب محدود می کند. در سال های اخیر، به لطف توسعه سریع فناوری ارتباطات زیر آب، به ویژه فناوری مودم زیر آب، و پیشرفت در تحقیقات SLAM زیر آب، SLAM در مکان یابی و ناوبری زیر آب به کار گرفته شده است [ 42 ، 43 ].

به طور کلی، SLAM زیر آب از اطلاعات ژئوفیزیکی در محیط خارجی اطراف وسایل نقلیه زیر آب برای محلی سازی استفاده می کند. با توجه به روش های مختلف استخراج ویژگی های محیط خارجی، SLAM زیر آب را می توان به SLAM سونار [ 44 ]، SLAM نوری [ 12 ، 45 ، 46 ] و SLAM مغناطیسی تقسیم کرد.

Sonar SLAM از نظر آکوستیک ویژگی‌های ژئوفیزیکی را توسط سونار آکوستیک به دست می‌آورد و سپس ویژگی‌هایی را در محیط زیر آب شناسایی و طبقه‌بندی می‌کند که می‌توانند به عنوان نشانه‌های ناوبری مورد استفاده قرار گیرند. به طور کلی، سونار SLAM می تواند به یکی از دو دسته اصلی تقسیم شود: سونار SLAM محدوده و سونار SLAM تصویربرداری، با توجه به انواع سونار. دامنه سونار SLAM معمولاً داده‌های ژئوفیزیکی را توسط یک اکو صداگذار [ 47 ، 48 ]، نیمرخ زیرپایین [ 49 ] و اکوی صداگیر چند پرتویی (MBES) [ 50 ، 51 ، 52 ، 53 ، 54 ] به دست می‌آورد.]. کیفیت ناوبری سونار SLAM به کیفیت مبدل، فرکانس کاری و ارتفاع از کف دریا بستگی دارد. برای سونار تصویربرداری SLAM، نوع سونار مورد استفاده شامل سونار اسکن جانبی (SSS) [ 55 ، 56 ، 57 ، 58 ]، سونار رو به جلو (FLS) [ 59 ]، سونار دیافراگم مصنوعی (SAS) [ 60 ، 61 ] و سونار تصویربرداری اسکن مکانیکی (MSIS) [ 62 ، 63 ، 64]. بر خلاف سونار SLAM در محدوده، که ویژگی های عمق سنجی 2.5 بعدی را ارائه می دهد (نقشه ارتفاع سنجی عمق سنجی)، سونار تصویری SLAM یک تصویر دو بعدی تولید می کند و عملکرد اولی بسیار بهتر از دومی است [ 28 ، 51 ].

به طور کلی، SLAM نوری از یک دوربین تک چشمی یا استریو برای گرفتن تصاویری از بستر دریا و سپس تطبیق این تصاویر برای ناوبری استفاده می کند [ 65 ]. بزرگترین اشکال SLAM نوری کاهش برد دوربین ها، حساسیت به پراکندگی و نور ناکافی است [ 66 ، 67 ]. علاوه بر این، کیلومتر شماری بصری و استخراج ویژگی به وجود ویژگی ها متکی است. بنابراین، روش‌های ناوبری نوری زیر آب به‌ویژه برای نقشه‌برداری در مقیاس کوچک از محیط‌های غنی از ویژگی مناسب هستند [ 1 ، 68]. مشابه سونار SLAM، هرچه کیفیت الگوریتم ناوبری بالاتر باشد، کیفیت داده ها نیز بالاتر است. در حالی که استفاده از نقشه های میدان مغناطیسی برای مکان یابی پیشنهاد شده است، هیچ انتشار اخیری یافت نشده است [ 1 ].

با این حال، هر دو SLAM نوری و SLAM سونار دارای کاستی های مرگبار هستند. اولاً، عملکرد الگوریتم SLAM زیر آب به تعداد و کیفیت ویژگی‌های موجود در محیط بستگی دارد. ثانیاً، استخراج ویژگی‌های موجود و تطبیق آنها با بستر صاف دریا، که ویژگی‌های کمی در دسترس دارند، چالش‌برانگیزتر است [ 69 ]. در نهایت، به طور کلی، SLAM زیر آب، AUV ها را تنها زمانی در نقشه ویژگی خود قرار می دهد که AUV ها ماموریت های عملیات زیر آب خود را به پایان رسانده باشند. سپس می توان یک ماموریت AUV دیگر برای کشف اهداف بالقوه در منطقه اولین ماموریت برنامه ریزی کرد. بنابراین، این راه حل به طور قابل توجهی زمان و هزینه وظایف AUV ها را افزایش می دهد.

در این مطالعه، ما یک الگوریتم ناوبری آنلاین AMB-SLAM مبتنی بر شبکه عصبی مصنوعی (ANN) ارائه می‌کنیم که مبتنی بر استفاده از اندازه‌گیری‌های انجام شده از پرتوهای توزیع شده تصادفی میدان‌های مغناطیسی فرکانس پایین، علاوه بر یک آکوستیک ثابت است. فانوس دریایی، در کف دریا بی خاصیت. آزمایش‌های شبیه‌سازی گزارش‌شده در این مطالعه نشان می‌دهد که با استفاده از یک راه‌اندازی بیکون‌های مغناطیسی کم‌هزینه، می‌توان نقشه‌های ویژگی سازگار هندسی و یک مسیر دقیق برای ناوبری AUVs در زیر آب را به دست آورد. علاوه بر این، در مطالعه حاضر، دقت موقعیت‌یابی روش آنلاین AMB-SLAM و روش SLAM مبتنی بر فانوس مغناطیسی (MB-SLAM) را که فقط از اطلاعات بیکن‌های مغناطیسی استفاده می‌کند، مقایسه کردیم. ریشه میانگین مربعات خطا (RMSE) روش آنلاین AMB-SLAM بیش از 6 متر نیست، در حالی که RMSE MB-SLAM بیش از 15 متر است. نتایج تجربی نشان داد که دقت موقعیت‌یابی راه‌حل آنلاین AMB-SLAM به طور قابل‌توجهی بالاتر از MB-SLAM است و AMB-SLAM می‌تواند به موقعیت‌یابی سریع و دقیق در محیط‌های زیر آب بدون ویژگی دست یابد.

ادامه مقاله به شرح زیر تدوین شده است. بخش 2 چارچوب نظری مربوط به اصل موقعیت یابی چراغ مغناطیسی، شبکه عصبی مصنوعی (ANN) و الگوریتم آنلاین AMB-SLAM را معرفی می کند. در بخش 3 ، آزمایش شبیه‌سازی به تفصیل توضیح داده شده و نتایج به‌کارگیری الگوریتم AMB-SLAM و مقایسه عملکرد با الگوریتم MB-SLAM ارائه شده است. در نهایت، در بخش 4 ، روش AMB-SLAM را مورد بحث قرار می‌دهیم و یافته‌های اصلی خود را خلاصه می‌کنیم، نتیجه‌گیری از کل کار ارائه می‌کنیم و پیشنهاداتی برای تحقیقات آینده ارائه می‌کنیم.

2. مواد و روشها

2.1. شرح اصل موقعیت یابی بیکن میدان مغناطیسی فرکانس پایین

همانطور که در بخش قبل ذکر شد، در زمینه ناوبری مدرن زیر آب، هیچ روش موقعیت یابی با توجه به ویژگی های محیط آب دریا راه حل کاملی نیست. در تحقیقات محلی سازی و نقشه برداری همزمان (SLAM)، هیچ کس از اطلاعات میدان مغناطیسی به عنوان اطلاعات ژئوفیزیکی برای مکان یابی زیر آب استفاده نکرد. دیویس [ 70 ] یک بار شدت میدان مغناطیسی نقطه هدف را اندازه گیری کرد و سپس با بهره گیری از اصل موقعیت یابی GPS و نفوذپذیری میدان مغناطیسی نزدیک، موقعیت نسبی بین نقطه هدف و چراغ مغناطیسی را محاسبه کرد. اما در تحقیقات او فقط یک فرمول نظری ارائه شده است که در آزمایش های عملی قابل اجرا نیست.

روش محلی سازی میدان مغناطیسی بر اساس اصل اساسی قانون Biot-Savart استفاده از میدان مغناطیسی متناوب فرکانس پایین به عنوان منبع سیگنال است. قانون Biot-Savart میدان مغناطیسی تولید شده توسط یک قطعه حامل جریان را توضیح می دهد. همانطور که در شکل 1 نشان داده شده است ، یک سیم جریان جهت خاصی را حمل می کند $I$ ، گرفتن یک عنصر کوچک از سیم طول $d$ . جهت این عنصر در امتداد جریان است به طوری که یک بردار را تشکیل می دهد $I d \vec{l}$ . بزرگی میدان مغناطیسی $d \vec{B}$ در یک فاصله $r$ از یک عنصر حامل جریان $d l$ متناسب با $I$ و به طول $d l$ و با مکعب فاصله نسبت عکس دارد $r$ . قانون Biot-Savart به شرح زیر است:

d B ⃗ = μ 0 4 π I d l ⃗ \times r ⃗ r 3

(1)

B ⃗ = \int L μ 0 4 π I d l ⃗ \times r ⃗ r 3

(2)

جایی که $d \vec{B}$ میدان مغناطیسی در نقطه میدان است $P$ ، که به دلیل وجود عنصر فعلی تولید می شود $I d \vec{l}$ ; $d \vec{l}$ طول بی نهایت کوچک رسانای حامل جریان الکتریکی است $I$ ; $\vec{r}$ بردار فاصله است که جهت فاصله را مشخص می کند $r$ از عنصر فعلی تا نقطه میدان؛ $L$ مسیر ادغام است. و $μ_{0}$ نفوذپذیری خلاء است که مقدار آن برابر است $4 π \times 10^{- 7}$ Tm/A. $r$ به صورت زیر تعریف می شود:

r = x 2 + y 2 + z 2 ----------\sqrt

(3)

جایی که $x$ ، $y$ و $z$ موقعیت های نقطه میدان در مختصات محلی هستند. موقعیت منبع میدان مغناطیسی به صورت (0 متر، 0 متر، 0 متر) در نظر گرفته می شود.

قانون Biot-Savart برای میدان های مغناطیسی روی هم قرار گرفته نیز صادق است. با توجه به فرمول های (1) و (2) اگر قدر میدان مغناطیسی را بدانیم

B

و عنصر فعلی

I d \vec{l}

، می توانیم ارزش آن را بدست آوریم

r

، اما نمی توانیم مقدار عنصر فعلی را اندازه گیری کنیم

I d \vec{l}

، بنابراین حل آن غیرممکن است

r

توسط قانون Biot-Savart در آزمایش. بنابراین، در مطالعه حاضر از شبکه عصبی مصنوعی (ANN) برای حل استفاده می‌کنیم

r

2.2. شرح شبکه عصبی مصنوعی

شبکه عصبی مصنوعی (ANN) می تواند مشکل بهینه سازی معادله فوق العاده غیرخطی را حل کند. بنابراین، ما از ANN برای حل مسئله غیرخطی موقعیت‌یابی میدان مغناطیسی استفاده می‌کنیم. این مغز و سیستم عصبی انسان را از منظر پردازش اطلاعات شبیه سازی می کند، یک مدل ریاضی ایجاد می کند و از تعداد زیادی نورون پیچیده به هم پیوسته تشکیل شده است. هر نورون نشان دهنده یک تابع خروجی خاص است که به آن تابع فعال سازی می گویند. هر اتصال بین دو نورون نشان دهنده یک مقدار وزنی است که معادل حافظه شبکه عصبی مصنوعی است. یادگیری در مغز انسان نیاز به تنظیماتی در رابطه سیناپسی بین و بین نورون ها دارد که شبیه به یادگیری در ANN است [ 71 ].]. به منظور دور زدن مسئله پیچیده غیرخطی، پرسپترون های چند لایه (MLP)، که شبکه های عصبی پیشخور هستند، پیشنهاد شدند [ 71 ]. بدین ترتیب در این تحقیق از سه لایه پنهان MLP در ترکیب با روش یادگیری نظارت شده به نام الگوریتم انتشار برگشت خطا (BP) استفاده شد. معماری MLP ANN انتخاب شده در شکل 2 نشان داده شده است .

در تحقیق حاضر فرض بر این است که تعداد نورون های لایه ورودی است $n$ ، تعداد نورون های لایه پنهان است $l$ ، و تعداد نورون های لایه خروجی است $m$ . انتشار رو به جلو MLP ANN عمدتا از سه بخش تشکیل شده است. اولا، MLP جمع وزنی خطی n ورودی خود را به صورت ریاضی محاسبه می کند:

x j = \sum i = 1 n w i j x i + a j

(4)

جایی که $x_{j}$ مجموع وزنی خطی همه ورودی ها است، $w_{i j}$ وزن سیناپس بین است $i th$ نورون و $j th$ نورون، $x_{i}$ بردار ورودی است، $a_{j}$ مقدار بایاس از لایه ورودی به لایه پنهان و زیرنویس است $n$ تعداد نورون های لایه ورودی را نشان می دهد. سپس، خروجی نورون های لایه پنهان را می توان به صورت زیر نمایش داد:

H j = f (x j) = f (\sum i = 1 n w i j x i + a j)

(5)

جایی که $H_{j}$ خروجی نورون های لایه پنهان است و $f (\cdot)$ تابع فعال سازی است (به فرمول (6) مراجعه کنید). در مطالعه حاضر، تابع فعال سازی انتخاب شده یک تابع فعال سازی مماس هیپربولیک است:

f (x j) = 2 1 + e ( - 2 x j ) - 1 .

(6)

در نهایت، خروجی نورون لایه خروجی MLP-ANN را می توان به صورت زیر نشان داد:

O k = \sum j = 1 l H j w j k + b j = \sum j = 1 l f (\sum i = 1 n w i j x i + a j) w j k + b j

(7)

جایی که $w_{j k}$ وزن اتصال بین است $j th$ نورون و نورون k ام، $b_{j}$ مقدار بایاس از لایه پنهان به لایه خروجی و زیرنویس است $l$ تعداد نورون های لایه پنهان را نشان می دهد.

2.3. بهینه سازی MLP-ANN

در مطالعه حاضر، MLP-ANN با روش بهینه سازی بدون نظارت (یا روش یادگیری) بهینه شده است که به آن الگوریتم انتشار به عقب خطا (BP) می گویند. در انتشار معکوس MLP-ANN، سه فرآیند مورد نیاز است: پیش پردازش داده، داده های آموزشی، و اعتبارسنجی داده ها.

2.3.1. پیش پردازش داده ها

در مطالعه حاضر، یک شبکه عصبی پیشخور (به شکل 2 ) با روش یادگیری نظارت شده، به نام الگوریتم پس انتشار خطا (BP) برای یادگیری استفاده شد. در کارمان، تابع فعال‌سازی مماس هذلولی را به عنوان تابع فعال‌سازی انتخاب کردیم.

داده های میدان مغناطیسی و موقعیت نسبی بین فانوس های مغناطیسی و AUV فانوس مغناطیسی که در میدان جمع آوری شده بودند، به عنوان داده های نمونه شبکه عصبی در نظر گرفته شد. وقتی داده‌های نمونه محدودی در دسترس هستند، ممکن است به حداکثر رساندن استفاده از مجموعه داده ورودی نماینده مشکل باشد. در همین حال، همچنین ضروری است که داده‌های آموزشی و داده‌های اعتبارسنجی نماینده همان جامعه باشند. بنابراین، ما روش Holout را اتخاذ کردیم [ 72 ، 73]، مجموعه داده های ورودی را به دو زیر مجموعه تقسیم می کند: 10٪ از داده ها برای اعتبارسنجی و داده های باقی مانده برای آموزش شبکه. به‌علاوه، متغیرهای مختلف دامنه‌های متفاوتی را در بر می‌گیرند و همه داده‌های نمونه نمی‌توانند توجه یکسانی را در طول مراحل آموزش دریافت کنند (به زیر مراجعه کنید). بنابراین، در این آزمایش، مقیاس بندی تمام داده های نمونه در یک محدوده مشخص با استفاده از رابطه (8) ضروری است. علاوه بر این، مقیاس بندی مجموعه های ورودی باید با مرز تابع فعال سازی استفاده شده در لایه خروجی یا لایه پنهان سازگار باشد [ 74 ]. فرمول استانداردسازی به صورت زیر تعریف می شود:

ایکس من = (f حداکثر - f دقیقه) ایکس من - ایکس دقیقه ایکس حداکثر - ایکس دقیقه + f دقیقه

(8)

جایی که $x_{\min}$ و $x_{\max}$ به ترتیب حداقل و حداکثر مقدار مجموعه های ورودی هستند، $f_{\min}$ و $f_{\max}$ به ترتیب حداقل و حداکثر مقدار تابع فعال سازی و زیرنویس هستند $i$ نشان دهنده شماره داده ورودی است. مقدار تابع انتقال مماس هذلولی بین -1 و 1 است، بنابراین، داده های نمونه در محدوده 0.9- تا 0.9 مقیاس بندی می شوند. بنابراین، معادله (8) به صورت زیر ارائه می شود:

ایکس من = 1.8 ایکس من - ایکس دقیقه ایکس حداکثر - ایکس دقیقه - 0.9 .

(9)

2.3.2. آموزش

پس از تهیه مجموعه داده های نمونه، مقدار میدان مغناطیسی

B

به عنوان ورودی و موقعیت نسبی چراغ مغناطیسی و AUV تنظیم شد

r

به عنوان خروجی تنظیم شدند.

فرآیند آموزش شبکه عصبی مصنوعی شامل بهینه‌سازی وزن‌های عصبی با تنظیم پارامترهای داخلی MLP-ANN (مانند تعداد لایه‌های پنهان، نورون‌های آنها و غیره، همانطور که در شکل 3 نشان داده شده است ) با آزمون و خطا است که به آن نیز گفته می‌شود. ‘یادگیری’. هدف از یادگیری یافتن یک راه حل جهانی بهینه برای معادله هدف بسیار غیرخطی [ 75 ] و به حداقل رساندن مقدار تابع خطا است. در مطالعه حاضر، میانگین مربعات خطا (MSE) در نمونه‌های آموزشی تابع خطای ارزیابی عملکرد شبکه عصبی مصنوعی بود که باید بهینه‌سازی شود و کمینه‌سازی تابع خطا با تکنیک‌های تکراری انجام می‌شود. تابع عملکرد به شرح زیر است:

E = 1 متر \sum k = 1 متر (Y ک - O ک) 2 = 1 متر \sum k = 1 متر ه 2 ک

(10)

جایی که $Y_{k}$ خروجی واقعی را نشان می دهد، $O_{k}$ خروجی های واقعی را نشان می دهد، $m$ تعداد گره های خروجی را نشان می دهد و $e_{k}$ m امین خروجی باقیمانده است . برای دستیابی به معماری بهینه، طبق نمودار جریان کار که در شکل 3 نشان داده شده است، مراحل مختلفی دنبال شده است . وزن با روش گرادیان نزولی بهینه شد. در ابتدای آموزش، وزن ها به مقادیر تصادفی صفر-میانگین مقداردهی اولیه شدند. این معادله به روز رسانی وزن از [ 76 ] استخراج شده است:

w j + 1 = w j + η j د j

(11)

جایی که $w_{j + 1}$ نشان دهنده مقدار وزن به روز شده است، $w_{j}$ نشان دهنده مقدار وزن اولیه است $η_{j}$ میزان یادگیری است ( $η_{j}$ متناسب با اندازه مراحل است) $d_{j}$ جهت نزول و زیرنویس است $n$ نشان دهنده زمان به روز رسانی است. جهت نزول $d_{j}$ منفی گرادیان خطا است. فرمول نهایی به روز رسانی وزن است

w j + 1 = w j - η j \nabla w j E

(12)

جایی که $\nabla_{w j} E$ گرادیان خطا است.

معماری MLP-ANN تعداد وزن های اتصال و تعداد لایه ها و نورون های پنهان در هر لایه پنهان را تعیین می کند. این فراپارامترها معمولاً از طریق روش آزمون و خطا با مقایسه با عملکرد انواع مختلف معماری MLP-ANN تعیین می شوند، همانطور که در جریان آموزشی در شکل 3 نشان داده شده است. علاوه بر این، برای جلوگیری از برازش بیش از حد، تعداد نمونه های آموزشی حداقل 30 برابر تعداد وزنه های اتصال [ 77 ] در این مطالعه است. به طور مشابه، تأثیر تعداد دوره‌ها بر عملکرد شبکه عصبی مصنوعی به همان اندازه مهم بود. در این پژوهش، تعداد دوره‌ها به‌عنوان تعداد نمونه‌های آموزشی [ 78 ] تعیین شد]. در نهایت بهترین شبکه MLP-ANN بر اساس معیارهای آماری (MSE) انتخاب می شود.

2.4. شرح الگوریتم پیشنهادی AMB-SLAM

در این بخش توضیح خواهیم داد که چگونه الگوریتم AMB-SLAM می تواند AUV ها را در محیط های زیر آب بدون ویژگی نقشه برداری و مکان یابی کند. شکل 4 یک نمودار شماتیک اولیه از الگوریتم AMB-SLAM را ارائه می دهد. قبل از اینکه AUV ماموریت خود را انجام دهد، ما به طور تصادفی تعداد کافی از چراغ های یک میدان مغناطیسی با فرکانس پایین را در منطقه مورد نظر مستقر می کنیم. هنگامی که AUV چگالی شار مغناطیسی چراغ مغناطیسی شماره 1، شماره 2 و شماره 3 را مشاهده می کند، این مقادیر را به عنوان مقادیر ورودی مدل MLP-ANN بهینه می گیرد تا موقعیت نسبی را بدست آورد.

Δ x, Δ y, Δ z

( شکل 5 را ببینید ) بین این چراغ های مغناطیسی و AUV. زاویه بین بیکن و AUV نیز موجود است. علاوه بر این، چراغ آکوستیک ثابت می تواند موقعیت AUV را در زمان واقعی محدود کند. اگر موقعیت مطلق فانوس آکوستیک در سیستم مختصات جهانی مشخص باشد، می‌توانیم موقعیت AUV را از طریق تبدیل مختصات بدست آوریم. نمودار جریان دقیق الگوریتم AMB-SLAM، بر اساس فیلتر کالمن توسعه یافته (EKF)، در شکل 5 نشان داده شده است .

هنگامی که AUV در یک محیط ناشناخته زیر آب قرار دارد، مدل‌سازی محیطی افزایشی را با استفاده از اطلاعات ژئوفیزیکی موجود انجام می‌دهد که توسط یک حسگر صوتی یا نوری جمع‌آوری می‌شود و از نقشه محیط برای تخمین موقعیت خود استفاده می‌کند. در این مطالعه، ما فرض می کنیم که موقعیت اولیه وسیله نقلیه (0 متر، 0 متر، 0 متر) است، موقعیت نسبی بین فانوس مغناطیسی و AUV را می توان با استفاده از اطلاعات از فانوس های مغناطیسی مشاهده شده تخمین زد و موقعیت AUV را می توان با مشاهده مجدد چراغ ها به روز کرد. رویه های کلی AMB-SLAM، مبتنی بر الگوریتم ناوبری فیلتر EKF، در نشان داده شده است. شکل 5 نشان داده شده است.

حال، با فرض اینکه این فانوس های مغناطیسی نشانه های ثابت با اختلال ورودی صفر هستند، مدل $i$ th beacon را می توان به صورت زیر ساده کرد:

ب n من (k) = ب n من (k - 1)

(13)

جایی که $b_{i}^{n} (k)$ محل است $i$ فانوس دریایی در آن زمان $k$ .

به محض اینکه استخراج ویژگی آنلاین و ارتباط داده ها انجام شد، الگوریتم AMB-SLAM شامل سه مرحله زیر است. ابتدا، وضعیت فعلی AUV با استفاده از مقادیر خروجی MLP ANN پیش‌بینی می‌شود. ثانیا، وضعیت تخمینی از موقعیت‌های نقطه عطف مشاهده‌شده مجدد به‌روزرسانی می‌شود. در نهایت، نقشه نقطه عطف به روز می شود.

2.4.1. معادله حالت

هنگامی که مدل سینماتیکی AUV شناخته شده است، موقعیت نسبی چراغ مغناطیسی از وسیله نقلیه را می توان از طریق مدل بهینه MLP-ANN به دست آورد و مدل ریاضی تقویت شده تخمین حالت را می توان ایجاد کرد. وضعیت با استفاده از فیلتر EKF تخمین زده می شود و حالت AUV با مختصات محلی و زاویه سمت آن به صورت توصیف می شود.

X v (k) = [p v (k) ϕ v (k)] T

(14)

با کوواریانس آن $P_{v}$

P v = ⎡⎣⎢⎢⎢ σ 2 x v x v σ 2 x v y v σ 2 x v ϕ v σ 2 x v y v σ 2 y v y v σ 2 y v ϕ v σ 2 x v ϕ v σ 2 y v ϕ v σ 2 ϕ v ϕ v ⎤⎦⎥⎥⎥

(15)

جایی که $X_{v} (k)$ حالت حرکت AUV در زمان است $k$ ، $p_{v} (k) = [x_{v} (k) \begin{matrix} \end{matrix} y_{v} (k)]$ نشان دهنده موقعیت AUV در سیستم مختصات محلی است، و $ϕ_{v} (k)$ نشان دهنده زاویه حرکت AUV در زمان است $k$ .

مختصات ویژگی n به صورت نشان داده می شود $x_{m}_{} (k) = {(x_{b} (k), y_{b} (k))}^{T}$ ، و نشانه های محیطی را می توان به عنوان نشان داد

X m (k) = [x b (1), y b (1) \dots, x b (k), y b (k)] T

(16)

و ماتریس کوواریانس آن $P_{m}$ است

P m = ⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢ σ 2 x 1 x 1 σ 2 x 1 y 1 ⋮ σ 2 x 1 x k σ 2 x 1 y k σ 2 x 1 y 1 σ 2 y 1 y 1 ⋮ σ 2 y 1 x n σ 2 y 1 y k \dots \dots ⋮ \dots \dots σ 2 x 1 x k σ 2 y 1 x k ⋮ σ 2 x k x k σ 2 x k y k σ 2 x 1 y k σ 2 y 1 y k ⋮ σ 2 x k y k σ 2 y k y k ⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥

(17)

عناصر غیر قطری ماتریس کوواریانس $P_{m}$ اطلاعات همبستگی متقابل بین نشانه های مختلف هستند. ما فرض می کنیم که نشانه ها ثابت هستند و موقعیت آنها در طول زمان تغییر نمی کند. این همبستگی ها با هر مشاهده مجدد افزایش می یابد. نقشه نقطه عطف با یک بردار حالت افزوده نشان داده می شود:

X a (k) = [X v (k) X m (k)] T .

(18)

اگر مقدار تغییر حالت AUV با تغییر مسیر در زمان مجاور نشان داده شود، تغییر فاصله در جهت مسیر و جهت مسیر عمودی را می توان به صورت زیر نوشت: $Δ X = {[\begin{matrix} Δ x & Δ y & Δ ϕ \end{matrix}]}^{T}$ و موقعیت AUV را می توان به صورت زیر توصیف کرد:

X (k) = [ایکس v (ک) ایکس ب (ک)] = [x (k) y (ک) ϕ (k) ایکس ب (ک)] تی = ⎡⎣⎢⎢⎢⎢ x (k - 1) + Δ x \cdot cos (ϕ (k - 1)) y (k - 1) + Δ x \cdot sin (ϕ (k - 1)) ϕ (k - 1) + Δ ϕ ایکس ب (k - 1) ⎤⎦⎥⎥⎥⎥

(19)

با توجه به معادله حالت فوق، ماتریس ژاکوبین به صورت زیر نمایش داده می شود:

اف = ⎡⎣⎢⎢⎢⎢ 10000100 - Δ x \cdot sin (ϕ (k - 1)) Δ y \cdot cos (ϕ (k - 1)) 10000 من ⎤⎦⎥⎥⎥⎥ .

(20)

2.4.2. معادله مشاهده

در مطالعه حاضر، مقدار مشاهده موقعیت نسبی و زاویه بین فانوس مغناطیسی و AUV است. اگر یک مشخصه موجود از کمیت مشاهده شده و یک متغیر حالت تعیین شود، $(x_{b_{i}}, y_{b_{i}})$ موقعیت چراغ مغناطیسی در نقشه است. سپس با توجه به موقعیت تخمینی AUV و فانوس دریایی $b_{i}$ ، می توانیم معادله مشاهده تخمین زده شده را بدست آوریم:

ز^= h (X (ک)) = ⎡⎣⎢⎢ (ایکس ب من - x (k)) 2 + (y ب من - y (ک)) 2 ———————-\sqrt آرکتان (y ب من - y ( ک ) ایکس ب من - x ( k )) - ϕ (k) ⎤⎦⎥⎥ .

(21)

علاوه بر این، ما یک چراغ آکوستیک را در کف دریا مستقر می کنیم. بنابراین، AUV فاصله و زاویه بین AUV و فانوس صوتی ثابت را مشاهده می کند، که زمانی که AUV ویژگی ها را جستجو می کند، به ویژه زمانی که هیچ ویژگی در زیر آب وجود ندارد، یک محدودیت است و تنها اطلاعات مفید است. تا حدودی می توان دقت موقعیت یابی را از این طریق بهبود بخشید.

ماتریس ژاکوبین برای معادله مشاهده فوق به دست آمد:

اچ = ⎡⎣⎢ x ( k ) - ایکس ب من r y ( k ) - y ب من r 2 y ( k ) - y ب من r x ( k ) - ایکس ب من r 2 0 - 1 x ( k ) - ایکس ب من r y ( k ) - y ب من r 2 y ( k ) - y ب من r x ( k ) - ایکس ب من r 2 ⎤⎦⎥

(22)

جایی که $r$ نشان دهنده فاصله بین beacon و AUV و $r^{2} = {[x_{b_{i}} - x (k)]}^{2} + {[y_{b_{i}} - y (k)]}^{2}$ .

بنابراین، مسئله موقعیت فانوس مغناطیسی تصادفی را می توان به مسئله مسئله فیلتر غیرخطی استاندارد تبدیل کرد. از آنجایی که ماتریس ژاکوبین معادله حالت و معادله اندازه گیری به دست آمده است، فیلتر کالمن توسعه یافته را می توان به طور مستقیم انجام داد.

تعریف می کنیم $R$ کوواریانس اندازه گیری و نوآوری باشد $v$ تفاوت بین مقدار واقعی و مقدار پیش بینی شده را نشان می دهد:

v = z - z^.

(23)

ماتریس کوواریانس افزایش است

اس = اچ پ - اچ تی + R._

(24)

سود کالمن $W$ به صورت بیان می شود

دبلیو = پ - اچ تی اس - 1 .

(25)

مکان به روز شده و کوواریانس را می توان به شرح زیر توصیف کرد

ایکس^* = ایکس^- + دبلیو v

(26)

پ * = پ - + دبلیو اس دبلیو تی .

(27)

از طریق فرمول فوق، کتابخانه شبکه عصبی و مشاهده می تواند برای تکمیل فرآیند به روز رسانی همزمان وسیله نقلیه و وضعیت مشخصه استفاده شود. اگر هیچ ویژگی جدیدی مشاهده نشود، می‌تواند فرآیند تکراری پیش‌بینی و به‌روزرسانی را در لحظه بعد تکمیل کند.

2.4.3. در حال بروز رسانی

در فرآیند حرکت AUV، به طور مداوم محیط‌های جدید را کاوش می‌کند و فانوس‌های جدید را کشف می‌کند، بنابراین پس از تکمیل به‌روزرسانی موقعیت بیکن موجود، باید متغیرهای حالت ابعادی را بزرگ‌تر کند، بیکن‌های جدید را به بردار حالت اضافه کند، یک شرایط کاردستی ایجاد کند و ارتباط بین ویژگی های موجود و جدید را ترسیم کنید تا با ادغام این ویژگی ها نقشه ای دقیق بسازید.

با فرض اینکه اندازه گیری مطمئن $z = {[\begin{matrix} r & ϕ \end{matrix}]}^{T}$ اصلی از یک ویژگی جدید، $(x, y)$ نشان دهنده موقعیت AUV، و $r, ϕ$ نشان دهنده موقعیت و زاویه نسبی بین AUV و چراغ جدید است، بنابراین چراغ جدید را می توان به صورت زیر توصیف کرد.

ایکس ب = u (X ، z) = [x + r cos (φ + φ 0) y + r sin (ϕ + φ 0)] .

(28)

دولت جدید است

X a = [X X b] T

(29)

با افزودن بیکن های جدید، الگوریتم یک توسعه نقشه خودکار گام به گام را متوجه می شود.

3. نتایج تجربی و بحث

3.1. مجموعه داده ها

به منظور آموزش مدل MLP-ANN برای بهترین عملکرد، یک مجموعه از داده های نمونه در آب های شهر Weihai، چین به دست آمد (همانطور که در شکل 6 نشان داده شده است ). اندازه منطقه اکتساب مزرعه مربعی با طول ضلع 500 متر است و عمق آب آن از 14.6 متر تا 15.4 متر است. در آزمایش ما، چراغ‌های یک میدان مغناطیسی با فرکانس پایین از دو شیر برقی متعارف تشکیل شده‌اند ( شکل 7 a را ببینید)، و مدل مغناطیس‌سنج مولفه مغناطیسی سه محوری MS3A-02 است ( شکل 7 ب) را با اندازه‌گیری ببینید. محدوده از

- 100 μ T \sim 100 μ T

و دقت اندازه گیری از

0.2 nT

. در این آزمایش، AUV سرعت 5 متر در ثانیه را حفظ می کند و حدود 6 متر بالاتر از کف دریا قرار دارد.

3.2. پیکربندی بهینه MLP-ANN

همانطور که در بخش بالا نشان داده شده است، تعداد لایه های پنهان و تعداد نورون ها در هر لایه پنهان، پیچیدگی ساختار هندسی MLP-ANN را تعیین می کند. در حالی که ساختار ساده‌تر ساختار شبکه عصبی تعمیم بهتری دارد، اجازه می‌دهد حداقل‌های محلی آسان‌تر تولید شوند. به طور مشابه، یک معماری پیچیده‌تر، توانایی شبکه عصبی را برای اجتناب از حداقل‌های محلی افزایش می‌دهد، اما به طور کلی به نمونه‌های آموزشی بیشتری برای تحقق یک توانایی تعمیم خوب نیاز دارد [ 79 ]. با این حال، هیچ فرمول تجربی برای ایجاد معماری بهینه MLP-ANN وجود ندارد. بنابراین، انواع پارامترهای MLP-ANN با روش آزمون و خطا به منظور بهینه‌سازی معماری شبکه مورد ارزیابی قرار گرفتند.

در مطالعه حاضر، تابع فعال سازی مماس هذلولی را به عنوان تابع فعال سازی تنظیم می کنیم. الگوریتم یادگیری BP است. تعداد دوره ها برابر با 1000 است. دقت گل برابر است با $8 \times 10^{- 4}$ ; و نرخ یادگیری قبل از بهینه سازی شبکه عصبی برابر با 0.01 است. عملکرد MLP-ANN با تغییر تعداد لایه‌های پنهان و تعداد نورون‌ها در هر لایه پنهان مقایسه شد. بهترین معماری شبکه بر اساس چندین معیار آماری از جمله MSE و ضریب تعیین انتخاب می شود. $R^{2}$ ).

R x 2 = 1 - \sum i = 1 n [ ( x i - x ^ i ) 2 ] \sum i = 1 n [ ( x i - x ¯ ) 2 ] R y 2 = 1 - \sum i = 1 n [ ( y i - y ^ i ) 2 ] \sum i = 1 n [ ( y i - y ¯ ) 2 ] R z 2 = 1 - \sum i = 1 n [ ( z i - z ^ i ) 2 ] \sum i = 1 n [ ( z i - z ¯ i ) 2 ]

(30)

جایی که $n$ تعداد داده های نمونه است. و $\bar{x}$ ، ${\bar{y}}_{i}$ و ${\bar{z}}_{i}$ مقادیر متوسط داده های نمونه هستند.

معماری بهینه ANN توسعه یافته در شکل 2 نشان داده شده است . در نهایت، معماری بهینه MLP ANN شامل دو لایه پنهان 40 و 20 نورون است.

شکل 8 تغییری از خطای آموزشی MLP-ANN است که معماری آن بهینه است. نشان می دهد که خطای آموزشی MLP-ANN با کاهش تعداد دوره ها کاهش می یابد. هنگامی که روند تمرین در دوره 3950 است، یک تلورانس کوچک در حدود است

7.9 \times 10^{- 4}

، به این معنی که MSE در هر داده آموزشی به دقت آموزش دست می یابد. بنابراین، شبکه عصبی به خوبی آموزش دیده است.

همانطور که در بخش قبل بیان شد، 10 درصد از داده های نمونه به عنوان مجموعه آزمایشی برای مدل بهینه MLP-ANN با آزمون و خطا استفاده شد. شکل 9 مقادیر پیش بینی شده MLP-ANN موقعیت نسبی را در مقایسه با موقعیت واقعی مجموعه داده های نمونه نشان می دهد. همانطور که از شکل 9 مشاهده می شود مشاهده می شود ، داده های پیش بینی شده MLP ANN بسیار با داده های مکان واقعی سازگار است.

در نهایت، به منظور تأیید صحت و اثربخشی روش شبکه عصبی پیشنهادی در مقاله ما، آزمایشی را انجام دادیم که اعتبارسنجی متقاطع 10 برابری بود. ما تمام نمونه ها را به 10 گروه (هر گروه از 100 نمونه تشکیل شده است) در جدول 1 تقسیم کردیم و رویکرد چرخه ای را اتخاذ کردیم. ما نه گروه را به عنوان مجموعه آموزشی و یک گروه را به عنوان مجموعه آزمون در جدول 2 انتخاب کردیم . هر آزمایش 10 بار تکرار شد، بنابراین ما در مجموع 100 آزمایش انجام دادیم. جدول 3 نتایج تجربی اعتبار سنجی متقابل است.

تقسیم بندی گروه ها به شرح زیر بود:

در نهایت نتایج آماری در زیر نشان داده شده است:

بنابراین، نتیجه آزمایش میانگین نتیجه 100 تکرار آزمایش است و مقدار آزمون نهایی ضریب همبستگی 0.90362 در جهت محور X، 0.87182 در جهت محور Y و 0.90904 است. در جهت محور Z، به این معنی که ANN در مقاله ما موثر است.

همانطور که از شکل 10 مشاهده می شود ، تمام نقاط داده در اطراف خط مورب پراکنده شده اند. تمام تحلیل‌های آماری نشان داد که مدل MLP-ANN پیشنهادی یک مدل معتبر و دقیق برای پیش‌بینی موقعیت AUV است.

3.3. تنظیمات شبیه سازی نقشه حلقه AMB-SLAM

آزمایش شبیه‌سازی MATLAB زیر برای نقشه‌برداری حلقه بسته AMB-SLAM انجام شده است که در زمینه یک AUV عمومی با مشاهده فانوس‌های مغناطیسی اطراف با یک سنسور برد برد در یک منطقه دو بعدی انجام می‌شود. مقادیر پارامترهای مختلف را می توان با توجه به تعداد فانوس های مغناطیسی شناسایی شده و موقعیت آنها در محیط، سرعت واقعی ربات و حداکثر فاصله مشاهده سنسور سونار انتخاب شده تغییر داد.

محیط شبیه سازی برای نقشه حلقه بسته AMB-SLAM به عنوان یک منطقه 500 متر × 500 متر (از 0 متر تا 500 متر)، شامل 10 ایستگاه AUV متصل در یک مسیر مارپیچ و 20 چراغ مغناطیسی به عنوان ویژگی های توزیع شده در نزدیکی تعریف می شود. مسیر ربات، همانطور که در شکل 11 نشان داده شده است. عملکرد AMB-SLAM با استفاده از داده های نمونه میدانی مورد ارزیابی قرار گرفت. AUV در (0 متر، 0 متر، 0 متر) شروع می شود، و سایر پارامترهای کنترل ضروری در جدول 4 فهرست شده اند . تمامی آزمایش‌های شبیه‌سازی در متلب R2017a پیاده‌سازی شدند.

3.4. نتایج و بحث شبیه سازی AMB-SLAM

در این مطالعه، ما عملکرد AMB-SLAM را با استفاده از چندین بیکن توزیع شده تصادفی یک میدان مغناطیسی با فرکانس پایین با بیکن‌های صوتی ثابت تک مقایسه کردیم. مسیر تخمینی AUV و ویژگی های بدست آمده توسط AMB-SLAM در شکل 11 نشان داده شده است.

شکل 11 نقشه دو بعدی نقطه عطف را نشان می دهد که با استفاده از الگوریتم آنلاین AMB-SLAM به دست آمده است. موقعیت‌های اسکن حسگرها برای نشانه‌های نقطه به وضوح قابل مشاهده است، و تعداد کمی از این رویت‌ها بر اساس تکنیک‌های آماری رد پرت [ 80 ] رد می‌شوند.]، زیرا آنها خارج از محدوده مشاهده AUV هستند. اعتقاد بر این است که بقیه نشانه ها را نشان می دهند و به نقشه دو بعدی اضافه می شوند. نشانه‌های واقعی به‌عنوان ستاره‌های جامد آبی (‘★’) نشان داده می‌شوند، و صلیب‌های قرمز (‘+’) موقعیت‌های شاخص تخمینی هستند. بیضی‌های اطراف هر صلیب قرمز (‘+’) کوواریانس‌های عدم قطعیت را برای تخمین مختصات نقطه عطف نشان می‌دهند، و هرچه بزرگ‌تر باشند، موقعیت‌های افقی نقطه عطف برآورد شده نامطمئن‌تر هستند. مسیر تخمینی AUV به عنوان خط قرمز ثابت نشان داده می شود و خط آبی مسیر AUV واقعی را نشان می دهد. مثلث قرمز جامد نشان دهنده فانوس آکوستیک است. یک حلقه بسته رابطه نزدیکی با “موقعیت یابی” و “نقشه برداری” دارد. در واقع، معنای اصلی نقشه، اطلاع رسانی به AUV در مورد آنچه اتفاق می افتد است. همزمان، اگر زمانی که AUV به همان موقعیت برسد، خطا تجمعی باشد، الگوریتم بهبود یافته معنای واقعی خود را از دست می دهد. همانطور که در نشان داده شده استدر شکل 11 ، ما تشخیص حلقه بسته را برای صحنه زیر انجام دادیم و عدد حلقه در اینجا دو است. علاوه بر این، خطای تشخیص حلقه بسته و تشخیص حلقه باز را در محور X و Y محاسبه می کنیم. خطا در شکل 12 نشان داده شده است .

شکل 11 نشان می دهد که مسیر مسیر تخمینی AMB-SLAM بسیار نزدیکتر به مسیر واقعی است و موقعیت فانوس مغناطیسی تخمینی AMB-SLAM به موقعیت نقطه مشخصه واقعی نزدیکتر است. بنابراین، روش AMB-SLAM به طور موثر دقت محلی سازی AUV و نقشه ویژگی را بهبود می بخشد. می‌توانیم از شکل 12 a ببینیم که خطای تشخیص حلقه بسته در محور X حدود 2- تا 2 متر است، در حالی که خطای تشخیص حلقه باز در محور X حدود 7- تا 3 متر است. . از شکل 12ب، می توان دید که خطای تشخیص حلقه بسته در محور Y حدود 1- متر تا 1 متر است، در حالی که خطای تشخیص حلقه باز در محور Y حدود 1- متر تا 7 متر است. خطا در مسیر تخمینی AUV به طور قابل توجهی کاهش می یابد زمانی که ربات حلقه را کامل می کند و دوباره این نقطه عطف را مشاهده می کند. بنابراین، به نوبه خود، خطاهای موقعیت های نقطه عطف قبلا شناسایی شده کاهش می یابد. علاوه بر این، الگوریتم AMB-SLAM به تشخیص قابل اعتماد چرخه ها در نقشه و به روز رسانی نقشه ثابت در بسته شدن حلقه دست می یابد.

در مرحله بعد، تحت شرایط شبیه‌سازی مشابه با روش AMB-SLAM، عملکرد الگوریتم MB-SLAM را مطالعه می‌کنیم که فقط از فانوس‌های مغناطیسی به عنوان نشانه‌ها استفاده می‌کند. شکل 13 نقشه مسیر دوبعدی الگوریتم MB-SLAM و شکل 14 نمودار مقایسه خطای محور X و محور Y دو الگوریتم را نشان می دهد. می‌توانیم از شکل 14 a ببینیم که خطا در محور X MB-SLAM حدود 80- متر تا 30 متر است، در حالی که خطا در AMB-SLAM حدود -2 متر تا 2 متر است. از شکل 14ب، می توان دید که خطا در محور Y MB-SLAM حدود 70- متر تا 0 متر است، در حالی که خطا در AMB-SLAM حدود 1- متر تا 1 متر است. عدم قطعیت در موقعیت های افقی نشانه های تخمینی با استفاده از MB-SLAM بزرگتر و بزرگتر می شود و مسیر AUV به تدریج از موقعیت واقعی خود منحرف می شود. پدیده فوق به دلیل شرایط محدودیت فاصله چراغ صوتی در الگوریتم AMB-SLAM است.

در نهایت، در این مطالعه، ما تأثیر چگالی توزیع چراغ‌های مغناطیسی را بر عملکرد الگوریتم‌های AMB-SLAM و MB-SLAM تأیید کردیم. در این مطالعه، بیکن های مغناطیسی به طور مساوی در نیمه اول مسیر AUV توزیع شده اند، در حالی که هیچ فانوس مغناطیسی در نیمه دوم مسیر برنامه ریزی شده AUV توزیع نشده است، که همان پارامترهای کنترلی در محیط شبیه سازی قبلی است. نتایج تجربی در شکل 15 و شکل 16 نشان داده شده است. همانطور که از این شکل ها مشاهده می شود، چگالی فانوس های مغناطیسی تأثیر نامتناسبی بر روی هر دو الگوریتم AMB-SLAM و MB-SLAM دارد، اما تأثیر روی الگوریتم MB-SLAM بسیار بیشتر از تأثیر روی MB-SLAM است. علاوه بر این، ما همچنین می توانیم از نمودار خطا (شکل 17 ) که چگالی فانوس های مغناطیسی روی هر دو الگوریتم AMB-SLAM و MB-SLAM تأثیر دارد و خطا در جهت محور X الگوریتم MB-SLAM می تواند به 60- تا 90 متر برسد. از شکل 17b، می توانیم ببینیم که وقتی زمان حدود 4200 است، خطا در محور Y الگوریتم AMB-SLAM ناگهان از 2 متر به حدود 5- متر می رسد. از این‌جا می‌توان نتیجه گرفت که چگالی فانوس مغناطیسی بر روی AMN-SLAM و MB-SLAM تأثیر دارد.

4. نتیجه گیری و کار آینده

4.1. نتیجه گیری

در این مطالعه، الگوریتم محلی‌سازی و نقشه‌برداری همزمان (AMB-SLAM) برای فانوس‌های صوتی و مغناطیسی، بر اساس MLP ANN، پیشنهاد شد تا به AUV‌ها اجازه دهد تا در یک محیط بی‌نظیر بستر دریا، محلی‌سازی و نقشه‌برداری شوند. در مورد ما، نقشه دو بعدی نقطه عطف برای نشان دادن منطقه کاوش زیر آب انتخاب شد. به منظور بررسی صحت و اثربخشی روش شبکه عصبی در مطالعه ما، از روش اعتبارسنجی متقاطع 10 برابری استفاده شد. نتایج نشان می‌دهد که رویکردهای ارائه‌شده به طور قابل‌توجهی عملکرد ناوبری AUV را در مواردی که هیچ ویژگی در زمینه مورد علاقه زیر آب در دسترس نباشد، بهبود بخشید. اولاً، دقت موقعیت یابی AMB-SLAM می تواند تقریباً به 1-2 متر برسد و دقت موقعیت یابی روش AMB-SLAM بسیار بالاتر از MB-SLAM است. ثانیاً چگالی چراغ های مغناطیسی بر دقت موقعیت یابی AMB-SLAM و MB-SLAM تأثیر می گذارد. در مقایسه با روش MB-SLAM، الگوریتم AMB-SLAM دارای مجموعه ای از داده های اضافی در رابطه با محدوده نسبی بین AUV و چراغ صوتی است، بنابراین دقت موقعیت یابی آن بالاتر است.

در مقایسه با روش سنتی آکوستیک موجود، روش INS، روش پیشنهادی دارای مزایای بسیاری است. (1) با توزیع تصادفی فانوس‌های مغناطیسی، AUV می‌تواند در یک بستر دریا بدون ویژگی مکان‌یابی و نقشه‌برداری کند. (2) نیازی به استقرار سنسورهای صوتی در بستر دریا و ارجاع جغرافیایی آنها قبل از انجام ماموریت AUV وجود ندارد، مانند روش ناوبری صوتی، که بنابراین یک راه حل کم پیچیدگی، کم هزینه و با دقت بالا را امکان پذیر می کند. مشکل ناوبری و محلی سازی AUV در محیط های بی خاصیت آب دریا. (3) الگوریتم AMB-SLAM را می توان برای موقعیت یابی و نقشه برداری آنلاین استفاده کرد، که به AUV ها امکان می دهد به طور مستقل در محیط های آب دریا بدون خاصیت کاوش کنند یا به طور مستقل مداخله کنند.

در مقایسه با سونار SLAM و الگوریتم نوری SLAM، این اولین بار است که از روش SLAM برای مکان یابی و نقشه برداری با استفاده از فانوس مغناطیسی استفاده می شود. علاوه بر این، هزینه محاسباتی روش پیشنهادی ما در مقایسه با سونار SLAM و SLAM نوری، که باید ویژگی‌های با کیفیت بالا را از تعداد زیادی از تصاویر سونار یا اپتیکال با کیفیت پایین استخراج کنند، بسیار کمتر است. بنابراین، AMB-SLAM مستقیماً از فرآیند استخراج ویژگی‌ها مانند الگوریتم SLAM سنتی صرفنظر می‌کند، که اجازه می‌دهد زمان زیادی ذخیره شود و پیچیدگی ترکیب داده‌ها کاهش یابد. علاوه بر این، الگوریتم AMB-SLAM ارائه شده هزینه ماموریت بسیار کمتر و دقت ناوبری بسیار بالاتری نسبت به SLAM سونار و SLAM نوری دارد. استخراج ویژگی های موجود، مانند SLAM مبتنی بر آکوستیک یا SLAM مبتنی بر نوری، مورد نیاز نیست. در نتیجه، روش ارائه شده AMB-SLAM می تواند در زمان و هزینه های مرتبط با ماموریت های AUV صرفه جویی کند و از دقت موقعیت یابی بالایی برخوردار است. علاوه بر این، AMB می‌تواند موقعیت‌یابی و نقشه‌برداری آنلاین در زمان واقعی را در محیط‌های زیر آب بدون ویژگی انجام دهد.

4.2. کار آینده

در مرحله بعدی این تحقیق، به منظور تحقق هدف یک AUV با هوش مصنوعی، روش AMB-SLAM که ما پیشنهاد کردیم با کمک MLP ANN در دریای بوهای چین در یک آب دریا بدون ویژگی آزمایش و تایید می شود. محیط، با مساحت کاری 2000 × 2000 متر ^مربع . در مورد پیشرفت های بیشتر در مطالعه فعلی، موارد زیر در تحقیقات آینده مورد توجه قرار خواهند گرفت.

(1) الگوریتم پیشنهادی AMB-SLAM دارای محدودیت هایی است. در این تحقیق فرض می کنیم که تاثیر میدان ژئومغناطیسی بر میدان مغناطیسی چراغ مغناطیسی در یک ناحیه کوچک یکسان است. تحقیقات آینده نیاز به اثبات تأثیر میدان ژئومغناطیسی بر میدان فانوس مغناطیسی برای تأیید این فرضیه دارد.

(2) در مطالعه فعلی ما، آزمایش ها در شرایط ایده آل انجام شد. در واقع، محیط دریایی به قدری پیچیده و متغیر است که برای بررسی پایداری و کاربرد این روش به محیط واقعی تری نیاز داریم. به عنوان مثال، آزمایش‌ها در محیط‌های زیردریایی شدید، با دمای پایین (زیر 0 درجه سانتیگراد)، سرعت جریان بالا و فشار بالا (> 10 اتمسفر) و غیره انجام شد.

منابع

پاول، ال. سعیدی، س. ستو، م. Li, H. AUV ناوبری و محلی سازی: بررسی. IEEE J. Ocean. مهندس 2014 ، 39 ، 131-149. [ Google Scholar ] [ CrossRef ]
Antonelli, G. Underwater Robots , 4th ed.; Springer: برلین/هایدلبرگ، آلمان، 2018; صص 1–350. [ Google Scholar ]
کلومینا، آی. Molina, P. سیستم های هوایی بدون سرنشین برای فتوگرامتری و سنجش از دور: یک بررسی. ISPRS J. Photogramm. Remote Sens. 2014 ، 92 ، 79-97. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تیپسووان، ی. Hoonsuwan، P. طراحی و اجرای AUV برای بازرسی خط لوله نفت. در مجموعه مقالات هفتمین کنفرانس بین المللی فناوری اطلاعات و مهندسی برق در سال 2015 (ICITEE)، چیانگ مای، تایلند، 29 تا 30 اکتبر 2015؛ صص 382-387. [ Google Scholar ]
روه، اچ. جو، اچ. Yu, S. AUV با هدف اسکن گسترده منطقه با چند عامل متصل (SWAN). در مجموعه مقالات خودروهای زیر آب خودمختار IEEE/OES 2016 (AUV)، توکیو، ژاپن، 6 تا 9 نوامبر 2016؛ صص 10-13. [ Google Scholar ]
اندرسون، بی. Crowell, J. Workhorse AUV-یک وسیله نقلیه زیرآبی خودمختار جدید مقرون به صرفه برای بررسی/صداگیری، جستجو و نجات، و تحقیق. In Proceedings of the OCENS 2005 MTS/IEEE, Washington, DC, USA, 17-23 سپتامبر 2005; صص 1-6. [ Google Scholar ]
ماتوس، آ. مارتینز، ای. دیاس، ا. فریرا، بی. Almeida، JM; فریرا، اچ. آمارال، جی. فیگوایردو، آ. آلمیدا، ر. Silva, F. عملیات ربات های متعدد برای جستجو و نجات دریایی در رقابت euRathlon 2015. در مجموعه مقالات OCENS 2016، شانگهای، چین، 10-13 آوریل 2016. صص 1-7. [ Google Scholar ]
مورفی، RR; Dreger، KL; نیوزوم، اس. رودوکر، جی. سلاخ، بی. اسمیت، آر. استیمل، ای. کیمورا، تی. مکابه، ک. کن، ک. و همکاران سیستم‌های چند ربات ناهمگن دریایی در سونامی بزرگ ژاپن شرقی. ربات صحرایی جی. 2012 ، 29 ، 819-831. [ Google Scholar ] [ CrossRef ]
یورگر، DR. جاکوبا، م. بردلی، AM; بینگهام، بی. تکنیک‌هایی برای بررسی اعماق دریا در نزدیکی کف با استفاده از یک وسیله نقلیه زیر آب خودمختار. در Springer Trac Adv Ro , 1st ed.; Thrun, S., Brooks, R., Durrant-Whyte, H., Eds. Springer: برلین/هایدلبرگ، آلمان، 2007; جلد 28، ص 416–429. [ Google Scholar ]
جاکوبا، ام وی؛ رومن، CN; سینگ، اچ. مورفی، سی. کونز، سی. ویلیس، سی. ساتو، تی. Sohn, RA ناوبری صوتی خط پایه طولانی برای عملیات خودروهای زیر آب خودمختار زیر یخ. ربات صحرایی جی. 2008 ، 25 ، 861-879. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کونز، سی. مورفی، سی. سینگ، اچ. پونتبریاند، سی. Sohn، RA; سینگ، اس. ساتو، تی. رومن، سی. ناکامورا، ک.-ای. جاکوبا، م. و همکاران به سوی اکتشاف فراسیاره ای زیر یخ: گام های روباتیک در قطب شمال. ربات صحرایی جی. 2009 ، 26 ، 411-429. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Eustice, RM; سینگ، اچ. Leonard, JJ فیلترهای وضعیت تاخیری بسیار پراکنده برای SLAM مبتنی بر نمایش. IEEE Trans. ربات. 2006 ، 22 ، 1100-1114. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کوسات، NH; چادول، سی دی; زیمرمن، آر. موقعیت یابی مطلق یک وسیله نقلیه زیر آب خودمختار با استفاده از GPS و اندازه گیری های صوتی. IEEE J. Ocean. مهندس 2005 ، 30 ، 153-164. [ Google Scholar ] [ CrossRef ]
واسیلسکو، آی. دیتوایلر، سی. دونیک، م. گردان، د. سوسنوفسکی، اس. استامف، جی. Rus, D. AMOUR V: ربات شناور زیر آب کارآمد انرژی با قابلیت بارگذاری پویا. بین المللی ربات جی. Res. 2010 ، 29 ، 547-570. [ Google Scholar ] [ CrossRef ]
LaPointe، CEG Virtual Long Baseline (VLBL) مسیریابی خودکار خودروهای زیر آب با استفاده از یک فرستنده واحد. پایان نامه لیسانس، موسسه فناوری ماساچوست، کمبریج، MA، ایالات متحده آمریکا، 2006. [ Google Scholar ]
یانگبرگ، جی دبلیو. روش رم، نیویورک برای گسترش GPS به برنامه های زیر آب. پتنت ایالات متحده 5119341، 2 ژوئن 1992. [ Google Scholar ]
Youngberg, JW روشی جدید برای گسترش GPS به برنامه های کاربردی زیر آب. Navigation 1991 , 38 , 263-271. [ Google Scholar ] [ CrossRef ]
اسگوربینی، اس. پیرانو، آ. کوسیتو، اس. Morgigni، M. یک سیستم ردیابی زیر آب برای نقشه برداری جوامع دریایی یک برنامه کاربردی برای Posidonia oceanica. اوشنول. Acta 2002 ، 25 ، 135-138. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
توماس، HG GIB یک رابط بین فضا و اعماق اقیانوس ها ایجاد می کند. در مجموعه مقالات کارگاه 1998 در مورد وسایل نقلیه خودمختار زیر آب، کمبریج، MA، ایالات متحده آمریکا، 20-21 اوت 1998; ص 181-184. [ Google Scholar ]
الکوسر، ا. اولیویرا، پی. Pascoal, A. مطالعه و اجرای یک سیستم موقعیت یابی زیر آب مبتنی بر EKF GIB. مهندسی کنترل تمرین کنید. 2007 ، 15 ، 689-701. [ Google Scholar ] [ CrossRef ]
باتیستا، پی. سیلوستر، سی. فیلتر موقعیت و سرعت LBL/USBL با اتصال محکم Oliveira، P. GAS برای وسایل نقلیه زیر آب. در مجموعه مقالات کنفرانس کنترل اروپا 2013 (ECC)، زوریخ، سوئیس، 17-19 ژوئیه 2013; صفحات 2982-2987. [ Google Scholar ]
باتیستا، پی. سیلوستر، سی. Oliveira, P. GES سیستم ناوبری LBL/USBL یکپارچه برای وسایل نقلیه زیر آب. در مجموعه مقالات پنجاه و یکمین کنفرانس IEEE در مورد تصمیم گیری و کنترل، مائوئی، HI، ایالات متحده آمریکا، 10-13 دسامبر 2012. صفحات 6609-6614. [ Google Scholar ]
باتیستا، پی. سیلوستر، سی. Oliveira, P. سیستم ناوبری یکپارچه خط پایه بلند/خط پایه بسیار کوتاه جفت شده محکم. بین المللی جی. سیست. علمی 2014 ، 47 ، 1837-1855. [ Google Scholar ] [ CrossRef ]
Vickery، K. سیستم های موقعیت یابی صوتی. مفاهیم جدید – آینده در مجموعه مقالات کارگاه 1998 در مورد وسایل نقلیه خودمختار زیر آب، کمبریج، MA، ایالات متحده آمریکا، 20-21 اوت 1998; صص 103-110. [ Google Scholar ]
Whitcomb، LL; یورگر، DR. سینگ، اچ. Howland, J. ناوبری ترکیبی داپلر/LBL در وسایل نقلیه زیر آب. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی در مورد فناوری غوطه ور بدون سرنشین، دورهام، NH، ایالات متحده آمریکا، 22 تا 25 اوت 1999. صص 1-7. [ Google Scholar ]
اسپیندل، آر. پورتر، آر. مارکت، دبلیو. Durham, J. یک سیستم ناوبری صوتی زیر آب پالس داپلر با وضوح بالا. IEEE J. Ocean. مهندس 1976 ، 1 ، 6-13. [ Google Scholar ] [ CrossRef ]
پانیش، ر. Taylor, M. دستیابی به دقت ناوبری بالا با استفاده از سیستم های ناوبری اینرسی در وسایل نقلیه زیر آب خودمختار. در مجموعه مقالات IEEE OCENS 2011، Santander، اسپانیا، 6-9 ژوئن 2011. صص 1-7. [ Google Scholar ]
فالون، MF; کیس، م. یوهانسون، اچ. لئونارد، JJ Efficient AUV ناوبری با ادغام محدوده صوتی و سونار اسکن جانبی. در مجموعه مقالات کنفرانس بین المللی IEEE 2011 در مورد رباتیک و اتوماسیون، شانگهای، چین، 9 تا 13 مه 2011. ص 2398–2405. [ Google Scholar ]
مورگادو، م. اولیویرا، پی. سیلوستر، سی. Vasconcelos، JF جاسازی شده دینامیک خودرو که به سیستم ناوبری زیر آب USBL/INS کمک می کند. IEEE Trans. سیستم کنترل تکنولوژی 2014 ، 22 ، 322-330. [ Google Scholar ] [ CrossRef ]
واتانابه، ی. اوچی، اچ. شیمورا، تی. هاتوری، تی. موقعیت‌یابی صوتی زیر آب با خط پایه فوق‌العاده کوتاه با استفاده از داده‌های ناوبری اینرسی با استفاده از ارتباطات طیف گسترده برای وسیله نقلیه زیر آب خودمختار و تجزیه و تحلیل خطا در آب‌های عمیق پشتیبانی می‌شود. Jpn. J. Appl. فیزیک 2009 ، 48 ، 1-12. [ Google Scholar ] [ CrossRef ]
مورگادو، م. اولیویرا، پی. Silvestre، C. سیستم ناوبری فوق کوتاه و ناوبری اینرسی برای وسایل نقلیه زیر آب: یک اعتبارسنجی تجربی. ربات صحرایی جی. 2013 ، 30 ، 142-170. [ Google Scholar ] [ CrossRef ]
مورگادو، م. اولیویرا، پی. سیلوستر، سی. Vasconcelos، JF USBL/INS تکنیک ادغام محکم جفت شده برای وسایل نقلیه زیر آب. در مجموعه مقالات نهمین کنفرانس بین المللی فیوژن اطلاعات، فلورانس، ایتالیا، 10 تا 13 ژوئیه 2006. صص 1-8. [ Google Scholar ]
چوی، W.-S. Hoang، N.-M.; یونگ، J.-H. لی، جی.-ام. توسعه سیستم ناوبری وسایل نقلیه زیر آب با استفاده از ترکیب سنسور GPS/INS. در مجموعه مقالات هفتمین کنفرانس بین المللی رباتیک و کاربردهای هوشمند، گوانگژو، چین، 17 تا 20 دسامبر 2014. ص 491-497. [ Google Scholar ]
Knight، DT توسعه سریع سیستم‌های GPS/INS با اتصال محکم. IEEE Aerosp. الکترون. سیستم Mag. 1997 ، 12 ، 14-18. [ Google Scholar ] [ CrossRef ]
تال، ا. کلاین، آی. Katz، R. سیستم ناوبری اینرسی/ ثبت سرعت داپلر (INS/DVL) با اندازه‌گیری‌های جزئی DVL. Sensors 2017 , 17 , 415. [ Google Scholar ] [ CrossRef ]
اسمیت، آر. خود، م. Cheeseman, P. برآورد روابط فضایی نامشخص در رباتیک. در هوش ماشینی و تشخیص الگو ؛ Lemmer, JF, Kanal, LN, Eds. شمال هلند: منلو پارک، کالیفرنیا، ایالات متحده آمریکا، 1988; جلد 5، ص 435-461. [ Google Scholar ]
اسمیت، آر. خود، م. Cheeseman، P. یک نقشه تصادفی برای روابط فضایی نامشخص. در مجموعه مقالات سمپوزیوم بین المللی تحقیقات رباتیک، سانتا کلارا، کالیفرنیا، ایالات متحده آمریکا، 10-11 اوت 1988; ص 467-474. [ Google Scholar ]
دورانت وایت، اچ. بیلی، تی. محلی سازی و نقشه برداری همزمان: قسمت اول. ربات IEEE. خودکار Mag. 2006 ، 13 ، 99-108. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پیرژالا، م. گیگوئر، پی. Astrup، R. نقشه برداری جنگل ها با استفاده از وسیله نقلیه زمینی بدون سرنشین با LiDAR سه بعدی و graph-SLAM. محاسبه کنید. الکترون. کشاورزی 2018 ، 145 ، 217-225. [ Google Scholar ] [ CrossRef ]
Kownacki، C. مفهومی از اسکنر لیزری که برای تحقق اجتناب از موانع سه بعدی برای یک پهپاد بال ثابت طراحی شده است. Robotica 2014 ، 34 ، 243-257. [ Google Scholar ] [ CrossRef ]
مونگویا، آر. اورزوا، اس. بولیا، ی. Grau, A. سیستم SLAM مبتنی بر ویژن برای وسایل نقلیه هوایی بدون سرنشین. Sensors 2016 , 16 , 372. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
ما، تی. لی، ی. وانگ، آر. Cong، Z. گونگ، Y. AUV بومی سازی و نقشه برداری همزمان عمق سنجی قوی. مهندس اقیانوس 2018 ، 166 ، 336-349. [ Google Scholar ] [ CrossRef ]
هیدالگو، اف. Bräunl, T. بررسی تکنیک های SLAM زیر آب. در مجموعه مقالات کنفرانس بین المللی اتوماسیون، رباتیک و کاربردها، کوئینستون، نیوزلند، 17 تا 19 فوریه 2015. صص 306-311. [ Google Scholar ]
Woock, P. بررسی ویژگی های سه بعدی مناسب برای ناوبری زیر آب مبتنی بر سونار. In Proceedings of the 2012 Oceans, Yeosu, Korea, 21–24 May 2012; صص 1-6. [ Google Scholar ]
Eustice, RM; پیزارو، او. سینگ، اچ. ناوبری بصری تقویت شده برای وسایل نقلیه زیر آب خودمختار. IEEE J. Ocean. مهندس 2008 ، 33 ، 103-122. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Eustice, RM; سینگ، اچ. لئونارد، جی جی. والتر، MR نقشه برداری بصری تایتانیک RMS: برآوردهای کوواریانس محافظه کارانه برای فیلترهای اطلاعات SLAM. بین المللی ربات جی. Res. 2006 ، 25 ، 1223-1242. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فرفیلد، ن. کانتور، جی. جوناک، دی. Wettergreen، D. اکتشاف و نقشه برداری خودمختار از فروچاله های سیل زده. بین المللی ربات جی. Res. 2010 ، 29 ، 748-774. [ Google Scholar ] [ CrossRef ]
فرفیلد، ن. کانتور، جی. Wettergreen، D. SLAM بلادرنگ با شبکه‌های شواهد Octree برای اکتشاف در تونل‌های زیر آب. ربات صحرایی جی. 2007 ، 24 ، 3-21. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مکی، تی. کوندو، اچ. اورا، تی. ساکامکی، تی. میدان‌های دریچه تصویربرداری: طرح ناوبری مبتنی بر SLAM برای تصویربرداری AUV به سمت تصویربرداری از بستر دریا. در مجموعه مقالات خودروهای زیر آب خودمختار IEEE/OES 2008، Woods Hole، MA، ایالات متحده آمریکا، 13-14 اکتبر 2008. صص 1-10. [ Google Scholar ]
بارکبی، اس. ویلیامز، اس بی؛ پیزارو، او. Jakuba، MV Bathymetric ذرات فیلتر SLAM با استفاده از نقشه مسیر. بین المللی ربات جی. Res. 2012 ، 31 ، 1409-1430. [ Google Scholar ] [ CrossRef ]
بارکبی، اس. ویلیامز، اس بی؛ پیزارو، او. Jakuba، MV یک رویکرد بدون ویژگی برای SLAM عمق سنجی کارآمد با استفاده از نقشه برداری ذرات توزیع شده. ربات صحرایی جی. 2011 ، 28 ، 19-39. [ Google Scholar ] [ CrossRef ]
بارکبی، اس. ویلیامز، اس. پیزارو، او. Jakuba، M. یک رویکرد کارآمد به SLAM عمق سنجی. در مجموعه مقالات کنفرانس بین المللی IEEE/RSJ 2009 در مورد ربات ها و سیستم های هوشمند، سنت لوئیس، MO، ایالات متحده، 11-15 اکتبر 2009. ص 219-224. [ Google Scholar ]
رومن، سی. سینگ، اچ. عمق سنجی چند پرتوی مبتنی بر وسیله نقلیه با استفاده از نقشه های فرعی و SLAM بهبود یافته است. در مجموعه مقالات کنفرانس بین المللی IEEE/RSJ 2005 در مورد ربات ها و سیستم های هوشمند، ادمونتون، AB، کانادا، 2 تا 6 اوت 2005. صص 3662–3669. [ Google Scholar ]
زنده دارا، س. ریدائو، پی. مالیوس، ا. Ribas، D. MBpIC-SLAM: تطبیق سطح احتمالی برای SLAM مبتنی بر عمق سنجی. IFAC Proc. جلد 2012 ، 45 ، 126-131. [ Google Scholar ] [ CrossRef ]
رویز، فناوری اطلاعات؛ Raucourt, Sd; پتیلو، ی. Lane, DM نقشه برداری و محلی سازی همزمان با استفاده از سونار sidescan. IEEE J. Ocean. مهندس 2004 ، 29 ، 442-456. [ Google Scholar ] [ CrossRef ]
Jaulin، L. رویکرد عضویت مجموعه غیرخطی برای مکان یابی و ساختن نقشه ربات های زیر آب. IEEE Trans. ربات. 2009 ، 25 ، 88-98. [ Google Scholar ] [ CrossRef ]
ووک، پی. Frey, C. ناوبری AUV در اعماق دریا با استفاده از تصاویر سونار اسکن جانبی و SLAM. در مجموعه مقالات OCENS’10 IEEE SYDNEY، سیدنی، استرالیا، 24-27 مه 2010; صص 1-8. [ Google Scholar ]
اولیناس، جی. لادو، ایکس. سالوی، جی. Petillot، YR بر اساس ویژگی با استفاده از اسکن جانبی اشیاء برجسته. In Proceedings of the OCENS 2010 MTS/IEEE Seattle, Seattle, WA, USA, 20-23 سپتامبر 2010; صص 1-8. [ Google Scholar ]
والتر، ام. هاور، اف. Leonard, J. SLAM برای بازرسی بدنه کشتی با استفاده از فیلترهای اطلاعاتی توسعه یافته دقیقاً پراکنده. در مجموعه مقالات کنفرانس بین المللی IEEE 2008 در مورد رباتیک و اتوماسیون، پاسادنا، کالیفرنیا، ایالات متحده آمریکا، 19 تا 23 مه 2008. ص 1463-1470. [ Google Scholar ]
شیپی، جی. جانسون، ام. Pihl، JNB تصحیح موقعیت با استفاده از پژواک از یک اصلاح ناوبری برای تصویربرداری سونار دیافراگم مصنوعی. IEEE J. Ocean. مهندس 2009 ، 34 ، 294-306. [ Google Scholar ] [ CrossRef ]
نیومن، PM; لئونارد، جی جی. Rikoski، RJ به سمت SLAM زمان ثابت در یک وسیله نقلیه زیر آب خودمختار با استفاده از سونار دیافراگم مصنوعی. در مجموعه مقالات یازدهمین سمپوزیوم بین المللی تحقیقات رباتیک ; Springer: برلین/هایدلبرگ، آلمان، 2005; صص 409-420. [ Google Scholar ]
ریباس، دی. ریدائو، پی. تاردوس، جی دی. Neira, J. زیر آب SLAM در محیط های ساخت یافته دست ساز. ربات صحرایی جی. 2008 ، 25 ، 898-921. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ریباس، دی. ریدائو، پی. نیرا، جی. Tardos، JD SLAM با استفاده از سونار تصویربرداری برای محیط‌های زیر آب با ساختار جزئی. در مجموعه مقالات کنفرانس بین المللی IEEE/RSJ 2006 در مورد ربات ها و سیستم های هوشمند، پکن، چین، 9 تا 15 اکتبر 2006. ص 5040–5045. [ Google Scholar ]
مالیوس، ا. ریدائو، پی. هرناندز، ای. ریباس، دی. مورلی، اف. Petillot، Y. SLAM مبتنی بر پوز با الگوریتم تطبیق اسکن احتمالی با استفاده از سونار تصویربرداری اسکن شده مکانیکی. In Proceedings of the OCENS 2009-EUROPE، برمن، آلمان، 11-14 مه 2009; صص 1-6. [ Google Scholar ]
فریرا، اف. وروجو، جی. کاچیا، م. Bruzzone, G. موزاییک نوری مبتنی بر SLAM در زمان واقعی برای وسایل نقلیه زیر آب بدون سرنشین. هوشمند خدمت ربات. 2012 ، 5 ، 55-71. [ Google Scholar ] [ CrossRef ]
بلسر، جی. Hendeby, G. استفاده از جریان نوری به عنوان جایگزین سبک وزن SLAM. در مجموعه مقالات هشتمین سمپوزیوم بین المللی IEEE در سال 2009 در مورد واقعیت ترکیبی و افزوده، اورلاندو، فلوریدا، ایالات متحده آمریکا، 19 تا 22 اکتبر 2009. صص 175-176. [ Google Scholar ]
وانگ، پی. چن، سی. دونگ، سی. خو، اچ. تیان، اف. روش تحلیل حرکت دوربین فیلمبرداری بر اساس جریان نوری و اسلم. در مجموعه مقالات کنفرانس بین المللی پردازش صدا، زبان و تصویر 2016 (ICALIP)، شانگهای، چین، 11 تا 12 ژوئیه 2016؛ صص 62-66. [ Google Scholar ]
آندرت، اف. امان، ن. کراوز، اس. لورنز، اس. براتانوف، دی. Mejias، L. ناوبری هواپیما با کمک نوری با استفاده از SLAM بصری جدا شده با افزایش سنسور برد. جی. اینتل. ربات. سیستم 2017 ، 88 ، 547-565. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
نیرا، جی. تاردوس، JD ارتباط داده ها در نقشه برداری تصادفی با استفاده از آزمون سازگاری مشترک. IEEE Trans. ربات. خودکار 2001 ، 17 ، 890-897. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دیویس، سی. ناوبری شبیه GPS در زیر زمین. در مجموعه مقالات نشست IEEE/ION Position, Location and Navigation Symposium, Indian Wells, CA, USA, 4-6 مه 2010. صص 1108-1111. [ Google Scholar ]
شانموگاناتان، اس. مدل سازی شبکه عصبی مصنوعی: مقدمه. در مدلسازی شبکه عصبی مصنوعی ; Springer: برلین/هایدلبرگ، آلمان، 2016; صص 1-14. [ Google Scholar ]
Masters, T. Practical Neural Network Recipes in C++ , 1st ed.; مطبوعات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، 1993; صص 1-493. [ Google Scholar ]
بار، FR; Brereton، RG; Walsh، PT انتخاب اعتبار متقابل مجموعه‌های آزمایش و اعتبارسنجی در کالیبراسیون چند متغیره و شبکه‌های عصبی همانطور که در طیف‌سنجی اعمال می‌شود. تحلیلگر 1997 ، 122 ، 1015-1022. [ Google Scholar ] [ CrossRef ]
Minns، AW; هال، MJ شبکه های عصبی مصنوعی به عنوان مدل های بارش-رواناب. هیدرول. علمی J. Sci. هیدرول. 1996 ، 41 ، 399-417. [ Google Scholar ] [ CrossRef ]
White, H. یادگیری در شبکه های عصبی مصنوعی: دیدگاه آماری. محاسبات عصبی 1989 ، 1 ، 425-464. [ Google Scholar ] [ CrossRef ]
پاریسی، ر. کلودیو، EDD؛ اورلاندی، جی. Rao, BD یک الگوی یادگیری تعمیم یافته که از ساختار شبکه های عصبی پیشخور استفاده می کند. IEEE Trans. شبکه عصبی 1996 ، 7 ، 1450-1460. [ Google Scholar ] [ CrossRef ] [ PubMed ]
عماری، س. موراتا، ن. مولر، ک. فینکه، ام. یانگ، HH تئوری آماری مجانبی بیش تمرینی و اعتبارسنجی متقابل. IEEE Trans. شبکه عصبی 1997 ، 8 ، 985-996. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
مایر، منابع انسانی؛ Dandy، GC شبکه های عصبی برای پیش بینی و پیش بینی متغیرهای منابع آب: بررسی مسائل و کاربردهای مدل سازی. محیط زیست مدل نرم افزار 2000 ، 15 ، 101-124. [ Google Scholar ] [ CrossRef ]
بیبیس، جی. جورجیوپولوس، M. شبکه های عصبی پیشخور. پتانسیل های IEEE 1994 ، 13 ، 27-31. [ Google Scholar ] [ CrossRef ]
Dissanayake، MWMG؛ نیومن، پی. کلارک، اس. دورانت-وایت، HF; Csorba، M. راه حلی برای مشکل مکان یابی و نقشه سازی همزمان (SLAM). IEEE Trans. ربات. خودکار 2001 ، 17 ، 229-241. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]

شکل 1. قانون Biot-Savart.

شکل 2. نمودار شماتیک مدل شبکه عصبی مصنوعی پرسپترون چند لایه پیشنهادی (MLP-ANN).

شکل 3. فرآیند آموزش MLP-ANN برای بهترین عملکرد.

شکل 4. نمودار شماتیک الگوریتم AMB-SLAM.

شکل 5. نمودار جریان روش محلی سازی و نقشه برداری همزمان (AMB-SLAM) بر اساس فیلتر کالمن توسعه یافته (EKF).

شکل 6. منطقه آزمایشی. ( الف ) ناحیه دریایی شهر ویهای چین. ( ب ) ناحیه میدان داده های نمونه.

شکل 7. تجهیزات آزمایشی. ( الف ) چراغهای میدان مغناطیسی با فرکانس پایین. ( ب ) مغناطیس سنج.

شکل 8. عملکرد آموزش MLP-ANN.

شکل 9. مقایسه موقعیت نسبی پیش بینی شده وسیله نقلیه زیر آب خودمختار (AUV) و موقعیت واقعی داده های نمونه.

شکل 10. ضریب همبستگی در جهت های محور X، Y و Z. ( الف ) ضریب همبستگی در جهت محور X (تست ID 10 در آزمایش ID A). ( ب ) ضریب همبستگی در جهت محور Y (آزمون ID 10 در آزمایش ID A). ( ج ) ضریب همبستگی در جهت محور Z (تست ID 10 در آزمایش ID A).

شکل 11. نقشه دوبعدی حلقه بسته AMB-SLAM.

شکل 12. خطاهای حلقه بسته و حلقه باز. ( الف ) مقایسه خطای موقعیت یابی در جهت X بین حلقه بسته و حلقه باز. ( ب ) مقایسه خطای موقعیت یابی در جهت Y بین حلقه بسته و حلقه باز.

شکل 13. نتیجه تعیین موقعیت با استفاده از SLAM مبتنی بر فانوس مغناطیسی (MB-SLAM).

شکل 14. مقایسه الگوریتم های AMB-SLAM و MB-SLAM. ( الف ) مقایسه خطای موقعیت یابی در جهت محور X بین AMB-SLAM و MB-SLAM. ( ب ) مقایسه خطای موقعیت یابی در جهت محور Y بین AMB-SLAM و MB-SLAM.

شکل 15. نتیجه تعیین موقعیت با استفاده از AMB-SLAM.

شکل 16. نتیجه تعیین موقعیت با استفاده از MB-SLAM.

شکل 17. نمودار خطای چگالی چراغ مغناطیسی در عملکرد AMB-SLAM و MB-SLAM. ( الف ) مقایسه خطای موقعیت یابی در محور X بین AMB-SLAM و MB-SLAM. ( ب ) مقایسه خطای موقعیت یابی در محور Y بین AMB-SLAM و MB-SLAM.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

یک الگوریتم جدید محلی سازی و نقشه برداری همزمان زیر آب بر اساس شبکه عصبی

یک الگوریتم جدید محلی سازی و نقشه برداری همزمان زیر آب بر اساس شبکه عصبی

خلاصه

کلید واژه ها:

1. معرفی

2. مواد و روشها

2.1. شرح اصل موقعیت یابی بیکن میدان مغناطیسی فرکانس پایین

2.2. شرح شبکه عصبی مصنوعی

2.3. بهینه سازی MLP-ANN

2.3.1. پیش پردازش داده ها

2.3.2. آموزش

2.4. شرح الگوریتم پیشنهادی AMB-SLAM

2.4.1. معادله حالت

2.4.2. معادله مشاهده

2.4.3. در حال بروز رسانی

3. نتایج تجربی و بحث

3.1. مجموعه داده ها

3.2. پیکربندی بهینه MLP-ANN

3.3. تنظیمات شبیه سازی نقشه حلقه AMB-SLAM

3.4. نتایج و بحث شبیه سازی AMB-SLAM

4. نتیجه گیری و کار آینده

4.1. نتیجه گیری

4.2. کار آینده

منابع

قبلیتشخیص جعل پهپادهای غیرنظامی با استفاده از کیلومتر شماری بصری

بعدییک پلت فرم وب منبع باز برای به اشتراک گذاری داده های چندمنبعی، چندحسگر مکانی و اندازه گیری تغییر شکل زمین در مناطق کوهستانی

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب