Geri Dön

Parçacık filtresi ile işbirlikçi arazi tabanlı navigasyon

Cooperative terrain based navigation with particle filter

PDF İndir

  1. Tez No: 1010324
  2. Yazar: ZİYA UYGAR YENGİN
  3. Danışmanlar: DOÇ. DR. EMRE KOYUNCU
  4. Tez Türü: Doktora
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Navigasyon, Navigation
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tezde, insansız hava araçlarının uydu tabanlı konumlama sinyallerinin zayıfladıgı, ˘ yanıltıldıgı ya da tamamen kayboldu ˘ gu ko¸sullarda güvenilir biçimde konum ˘ bulabilmesi ele alınmaktadır. Ataletsel seyrüsefer sistemleri, aracın ivme ve dönme bilgilerini kullanarak konum ve hız tahmini üretebilir. Ancak bu sistemlerde küçük ölçüm hataları zamanla birikerek konum bilgisinin giderek sapmasına neden olur. Bu nedenle, birikimli hatayı sınırlandırmak için dı¸sarıdan bagımsız bir referansla ˘ periyodik düzeltme yapılması gerekir. Çalı¸smada bu amaçla, arazinin yükseklik yapısını temel alan bir yakla¸sım kullanılmı¸stır. Temel fikir, aracın uçu¸s sırasında elde ettigi yükseklik ölçümlerini, önceden bilinen arazi yükseklik verileriyle kar¸sıla¸stırarak ˘ konumu daha dogru ¸sekilde belirlemektir. Tez kapsamında, farklı arazi türlerinde ve ˘ farklı uçu¸s ko¸sullarında yöntemlerin davranı¸sını incelemek için bir benzetim ortamı hazırlanmı¸stır. Araziye ait yükseklik bilgileri belirli bir çözünürlükte, ayrık örnekler halinde elde edilerek degerlendirilmi¸stir. Bu sayede, gerçekçi arazi yapısı üzerinde ˘ konum kestirimi süreçleri görselle¸stirilmi¸s ve farklı senaryolar altında yöntemlerin duyarlılıgı gözlemlenmi¸stir. Konum kestiriminde, belirsizli ˘ gi temsil edebilmek için ˘ çok sayıda olası konumu aynı anda takip eden parçacık filtresi tabanlı bir yapı kullanılmı¸stır. Bu yapı, tek bir tahmin üretmek yerine olası konumları dagılım ¸seklinde ˘ ifade ettigi için belirsizli ˘ gin yüksek oldu ˘ gu durumlarda avantaj sa ˘ glamaktadır. ˘ Bu tezi benzer çalı¸smalardan ayıran temel nokta, konum kestirimini yalnızca tek bir aracın ölçümlerine dayandırmak yerine, birden fazla aracın birlikte ürettigi bilgiyi ˘ sistematik biçimde kullanmasıdır. Klasik yakla¸sımlarda araziye dayalı düzeltme çogunlukla tek araç üzerinden yürütülür ve arazi yapısının düz ya da birbirine ˘ benzer oldugu bölgelerde belirsizlik artınca yöntemler ya yava¸s güncellenir ya da ˘ kararsız sonuçlar üretebilir. Bu tezde ise her aracın kendi tahmini önce güven endeksi ile tutarlılık açısından denetlenmekte, yalnızca yeterince güvenilir hale gelen tahminler payla¸sım a¸samasına ta¸sınmaktadır. Ardından araçlar arası göreceli konum bilgisi, tahminlerin dogrulanması ve uyu¸smazlıkların giderilmesi için ek bir kısıt ˘ olarak devreye sokulmaktadır. Böylece hem hatalı tahminlerin sürüye yayılması engellenmekte hem de tek aracın zorlandıgı ko¸sullarda i¸s birli ˘ gi sayesinde daha tutarlı ˘ bir konum kestirimi elde edilebilmektedir. Bununla birlikte, arazinin düz oldugu veya benzer yer ¸sekillerinin tekrarlandı ˘ gı˘ bölgelerde konum kestiriminin zorla¸stıgı görülmü¸stür. Bu tür durumlarda parçacıkların ˘ agırlıkları birbirine yakla¸sabildi ˘ ginden, belirgin bir yo ˘ gunla¸sma olu¸smayabilir ve ˘ güvenilir bir tahmin elde etmek gecikebilir. Bu nedenle, tahminlerin tutarlılıgını ˘ izlemek amacıyla bir güven endeksi yakla¸sımı kullanılmı¸stır. Tahmin edilen konum, ardı¸sık zaman adımlarında beklenen hareketle uyumlu biçimde devam ediyorsa güven endeksi artmakta; tutarsızlık olu¸stugunda güven endeksi sıfırlanmaktadır. Güven ˘ endeksi belirli bir e¸sik degeri a¸stı ˘ gında, tahminin yeterince güvenilir oldu ˘ gu kabul ˘ edilerek bir sonraki a¸samaya geçilmektedir. Çalı¸smanın önemli bir bölümü, birden fazla hava aracının i¸s birligi içinde çalı¸smasıdır. ˘ Araçlar arası göreceli konum bilgisi payla¸sımı sayesinde, tek bir aracın belirsizlige˘ dü¸stügü anlarda di ˘ ger araçların sa ˘ gladı ˘ gı kısıtlarla daha tutarlı sonuçlar elde edilmesi ˘ hedeflenmi¸stir. Karar mekanizması, güvenilir oldugu belirlenen tahminleri temel ˘ alarak diger araçların tahminlerini denetlemekte ve uyu¸smazlık görülen durumlarda ˘ düzeltici adımlar uygulayarak ortak bir çözüm üretmektedir. Sonuç olarak, arazi bilgisine dayalı ve i¸s birligini kullanan yakla¸sımın, zorlayıcı ko¸sullarda konum ˘ kestirimini daha güvenilir hale getirebilecegi gösterilmi¸stir.

Özet (Çeviri)

This thesis tackles a critical issue in autonomous aerial navigation: attaining reliable, precise localization in the face of degraded, spoofed, or absent Global Navigation Satellite System (GNSS) signals. Inertial Navigation Systems (INS) can figure out how fast something is moving on their own, but their mistakes build up over time, so they need to be corrected from time to time by outside cues. Terrain-Based Navigation (TBN), gives you this kind of cue by comparing onboard terrain measurements with a preloaded digital elevation map (DEM) to find your position and stop INS drift. Batch correlation techniques, recursive filters and Bayesian/particle-filter (PF) methods are all examples of classical TBN methods. Batch methods can work with an unknown starting position, but they need long terrain profiles, which means that updates happen slowly. Recursive methods can handle high-rate updates, but they need a good starting point and may not work because terrain linearization can cause them to diverge. PF-based methods naturally show multi-modal posteriors and can handle nonlinear observation models. In many of these systems, the matching is based on how similar the terrain profiles are, and the Mean Absolute Difference (MAD) is a common way to compare the measured profile to potential DEM segments. This thesis builds on and goes beyond these ideas to suggest a Cooperative Terrain-Based Navigation (C-TBN) framework that combines inter-vehicle relative geometry with particle-filter-based TBN to clear up confusion in places where GNSS is not available. Each aircraft operates a localized particle filter that integrates INS-propagated states with terrain-profile likelihoods obtained from the DEM. Particle sets that have come together in one place are grouped together to make candidate pose hypotheses. A trust index is built up when successive estimates follow INS-consistent kinematics. Information sharing is only possible when this trust index goes above a certain level. Candidate poses are checked for distance consistency, which means that the predicted pairwise inter-vehicle distances from candidate poses are compared to the measured relative distances. If the difference is less than a certain amount, the hypotheses are accepted and added to a set of matched positions. If not, they are rejected. For aircraft without a stable hypothesis, the method reallocates particles within the feasible region indicated by the relative distances of trusted neighbors, thereby mitigating particle impoverishment and facilitating convergence. The trust-indexed gating, distance-consistency validation, and targeted particle reassignment work together to make up the decision-guided cooperation layer that sets this method apart from single-vehicle TBN and earlier hybrids. The local observation model makes a terrain profile by combining barometric altitude and radar altimeter measurements. The difference between the two gives the terrain elevation below the plane over a sliding window. Next, this profile is compared to elevations derived from DEM along the hypothesized micro-trajectories of each particle. This gives us probabilities that we can use to weight particles before resampling. The MAD criterion makes this comparison possible: particles with projected terrain profiles that are very similar to the measured profile get higher weights, while particles with profiles that don't match as well are given lower weights and eventually removed by resampling. The motion model is based on INS-derived increments with noise modeling drift added to them. This lets the PF capture uncertainty while using dead-reckoning for propagation. The local observation model uses both barometric altitude and radar altimeter measurements to make a terrain profile. The difference between the two shows the height of the ground below the plane over a sliding window. Next, this profile is compared to elevations from DEM along the hypothesized micro-trajectories of each particle. We can use these probabilities to give particles different weights before resampling. The MAD criterion allows for this comparison. Particles with projected terrain profiles that are very similar to the measured profile get higher weights, while particles with profiles that don't match as well get lower weights and are eventually removed by resampling. The motion model uses INS-derived increments and adds noise modeling drift to them. This lets the PF keep track of uncertainty while using dead reckoning to spread. In order to assess the proposed C-TBN, we create a reproducible simulation environment utilizing DEMs acquired from the Cesium platform. These DEMs are then discretized to indicative resolutions and map dimensions, with each matrix cell containing altitude data above sea level. We modeled the barometer and radar altimeter sensors with Gaussian noise, which is in line with the worst-case assumptions made in previous research. We also added INS drift to show how motion uncertainty can happen in real life. The simulation campaign has three scenarios that test different failure modes and operating conditions: (i) flat/sea terrain to test ambiguity; (ii) maneuvering flight where one aircraft makes turns while its teammates fly straight; and (iii) mountainous terrain where ground distinctiveness is high and single-vehicle TBN is strong. The profile windowing waits until enough samples have been collected before resampling for the first time. After that, the SIR filter works. In situations where single-vehicle PF-TBN has trouble, cooperation makes localization much better. When flying over flat or sea terrain, the two planes make a lot more mistakes with regular PF-TBN than with C-TBN. When flying over rough terrain, both planes do well with both. C-TBN uses the reliable teammate to stop the sea-flying vehicles from using false modes. During synchronization windows, when trust and information sharing are growing, performance can drop for a short time. However, these drops go away as more discriminative terrain evidence builds up. In maneuvering, temporary errors may rise due to brief profile mismatches and process noise; however, distance-consistency checks and reassignment rectify accurate pose estimates. Both methods work well in mountainous areas, but C-TBN is a little better because it uses cross-agent validation. Overall, C-TBN is most useful when there is a lot of uncertainty, and it rarely makes things worse when the baseline is already working well. The algorithmic structure makes it easy to use in real life, in addition to being accurate. The PF's complexity per step goes up linearly with the number of particles for propagation and weighting. Clustering and decision checks add a little bit of overhead, but they are limited to the top hypotheses and are controlled by the trust index. The particle reassignment mechanism only works when there are inconsistencies, and it has two main benefits: it reduces particle degeneracy (a known problem with multinomial resampling) and speeds up convergence in unclear situations, all without needing to start over from scratch or build up a long profile. The overall design works well with embedded CPUs that are common on UAVs, as shown by the study's reference hardware context. There are three main contributions to this thesis. First, it creates a cooperative PF-TBN architecture that combines terrain correlation with inter-vehicle distance limits using a trust-indexed, decision-guided system. Second, it gives an algorithm that can be used that includes hypothesis clustering, trust estimation, distance-consistency matching, and targeted particle reassignment. This algorithm directly addresses the feature-poor terrain ambiguity that is at the heart of TBN. Third, it shows a systematic simulation campaign across different types of terrain and maneuvers, using realistic sensing and INS noise models. This shows that there are always improvements over a standard PF-TBN baseline and explains how behaviors change during cooperation. The method is promising, but it has some flaws that will help with future work. The present study presupposes preloaded DEMs of sufficient fidelity and uniform geodetic alignment with onboard measurements—assumptions that could be contested by mapping inaccuracies, datum shifts, or dynamic terrain alterations. It is assumed that relative distance sensing is available with enough accuracy; if this channel were to be degraded, it would need to be made more robust (for example, by using probabilistic consistency tests with adaptive thresholds). Additionally, communications latency and packet loss—nonexistent in the simulation—could influence synchronization and trust accumulation; therefore, the integration of asynchronous information fusion and delay-aware consistency checks is a pragmatic enhancement. Finally, real-world testing with different types of sensors (like LiDAR and SAR), multiple UAV flights, and flight-replay datasets over corridors that don't have many features would give more proof of generality and performance limits.

Benzer Tezler

  1. Tez No

    453586

    Digital map and gnss fusion to enhance localization for intelligent vehicle applications

    Akıllı araç uygulamalarında daha iyi konumlandırma için sayısal harita ve gnss füzyonu

    ALİ UFUK PEKER

    Doktora

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Mühendislik Bilimleri Ana Bilim Dalı

    PROF. DR. HÜSEYİN LEVENT AKIN

    PROF. DR. OĞUZ TOSUN

  2. Tez No

    848451

    Assessing the impacts of urban land use/land cover change on soil ecosystem services

    Kentsel arazi kullanımı/arazi örtüsü değişiminin toprak ekosistem servisleri üzerindeki etkilerinin değerlendirilmesi

    MELTEM DELİBAŞ

    Doktora

    İngilizce

    İngilizce

    2023

    Şehircilik ve Bölge Planlamaİstanbul Teknik Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    PROF. DR. AZİME TEZER

  3. Tez No

    650234

    Hareketli baz istasyonu aracılığı ile parçacık filtresi kullanılarak alınan sinyal güç göstergesi tabanlı konumlama

    Use of particle filtering in received signal strength indicatior based localization by drone base stations

    ŞERİFE SENEM KARAMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik MühendisliğiTobb Ekonomi ve Teknoloji Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TOLGA GİRİCİ

  4. Tez No

    505160

    Infrastructure independent pedestrian localization using dead reckoning and particle filter

    Parakete seyri hesabı ve parçacık filtresi ile altyapısız yaya konum belirleme

    MEHMET ENES CAVLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ

  5. Tez No

    649861

    Likelihood free particle filtering with approximate Bayesian computation for parameter estimation in cosmic ray air shower studies

    Olabilirlik modelsiz parçacık filtresi ile kozmik ışın çalışmalarında Bayesçi parametre kestirimi

    MUSTAFA KUTAY YABAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Fizik ve Fizik MühendisliğiBoğaziçi Üniversitesi

    Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı

    PROF. DR. MEHMET LEVENT KURNAZ

    PROF. DR. VEYSİ ERKCAN ÖZCAN

Geri Dön