Buradasınız

Anasayfa » Content

MESAFE ÖLÇÜMÜ TABANLI GÜVENİLİR KONUM TESPİTİ TEKNİKLERİ VE KARA VE HAVA ARAÇLARI İÇİN ÖRNEK UYGULAMALAR

RANGE MEASUREMENT BASED RELIABLE LOCALIZATION TECHNIQUES AND SAMPLE APPLICATIONS FOR LAND AND AIR VEHICLES

Journal Name:

  • Havacılık ve Uzay Teknolojileri Dergisi

Publication Year:

  • 2013

Key Words:

Keywords (Original Language):

Author NameUniversity of Author
Abstract (2. Language): 
In this study, Bayesian Filter based reliable localization techniques that use depth information collected by range measuring sensors in indoor/outdoor environments, or terrains in general, are commonly analyzed and sample applications to both land and air vehicles have been demonstrated in real and simulated environments. For the applications, a reference depth map of the mission space is generated first, if not available already. This map is used by the vehicle for localization purposes. When the mission starts, the vehicle does not know its whereabouts and it is assumed that GPS-like external localization systems cannot be used. The vehicle compares the observations coming from onboard range sensors like Sonar, Lidar and/or Synthetic Aperture Radar (SAR) against the reference map and updates its estimated position at every step. The estimated position and the actual position equates after enough observations are made. In the first sample application presented, a Pioneer P3- DX model research robot determines its indoor position using one-dimensional localization. In the second application, an Unmanned Aerial Vehicle (UAV) performs localization in a simulation environment using synthetic two-dimensional elevation data. And in the last example, UAV localization is demonstrated again using real Digital Terrain Elevation Data (DTED). A discussion about faster and more efficient localization in case of the presence of additional localization data is also presented.
Bookmark/Search this post with
Abstract (Original Language): 
Bu çalışmada insanlı veya insansız araçlarda kullanılabilecek, kapalı/açık mekanların veya genel olarak yeryüzünün mesafe ölçen sensörler tarafından algılanabilir yüzey derinlik bilgileri kullanılarak güvenilir bir biçimde konum tespiti yapmayı sağlayan Bayes Filtreleme prensibi temelli teknikler ortak olarak incelenmiş, ve bir kısmı gerçek bir kısmı da simülasyon ortamında olmak üzere kara ve hava araçları üzerinde örnek uygulamaları gerçekleştirilmiştir. Uygulamalarda öncelikle, eğer mevcut değil ise, konumlandırma yapılacak bölgenin referans derinlik haritası oluşturulur. Bu harita araç tarafından konum tespiti amacıyla kullanılacaktır. Görev başladığında araç kendi konumunu bilmemektedir ve GPS benzeri dış konumlama sistemlerinin kullanılamadığı varsayılmaktadır. Araç, her adımda üzerinde bulunan Sonar, Lidar ve/veya Sentetik Açıklıklı Radar (Synthetic Aperture Radar, SAR) benzeri derinlik algılayıcları ile yaptığı gözlemi referans haritasıyla karşılaştırarak bulunduğu yer konusundaki tahminlerini günceller. Yeterli miktarda gözlem yapıldığında, tahmini konum ile gerçek konumun eşleştiği görülür. Sunulan ilk örnek uygulamada Pioneer P3-DX model bir araştırma robotu bir boyutlu konumlandırma yaparak kapalı alanlarda yerini tespit etmektedir. İkinci uygulamada bir İnsansız Hava Aracı (İHA) simülasyon ortamında iki boyutlu sentetik yükseklik verileri kullanarak konum tespiti yapmaktadır. Son örnekte ise yine hava araçları için gerçek sayısal arazi yükseklik verileri (Digital Terrain Elevation Data, DTED) kullanılarak konumlandırma yapılmıştır. Ayrıca ek veriler ışığında konumlandırmanın nasıl daha hızlı ve etkin yapılabileceği değerlendirilmiştir.
FULL TEXT (PDF): 
PDF icon arastirmax-mesafe-olcumu-tabanli-guvenilir-konum-tespiti-teknikleri-kara-hava-araclari-icin-ornek-uygulamalar.pdf
  • 2
33
48
  • Turkish

REFERENCES

References: 

for Onboard Airplanes Bomb Disposal”, 35th
International Symposium on Robotics, ISR, 2004.
[2] Debenest, P., et al, “Expliner – Robot for
Inspection of Transmission Lines”, IEEE
International Conference on Robotics and
Automation, pp. 3978-3984, 2008.
[3] Nakatani, T., Ura, T., Sakamaki, T., Kojima, J.,
“Terrain Based Localization For Pinpoint Observation
of Deep Seafloors”, IEEE OCEANS 2009 – EUROPE,
2009.
[4] Karan, O., Eraslan, H. A., Kurnaz, S.,
“Topografik Bilgiler ve Uydu Görüntü Verilerini
Kullanarak 3 Boyutlu Alan Tanıma Sistemi”,
Havacılık ve Uzay Teknolojileri Dergisi, Cilt No. 4,
Sayı No. 4, pp. 31-40, 2010.
[5] Eroğlu, O., Yılmaz, G., “A Novel Fast and
Accurate Algorithm for Terrain Referenced UAV
Localization”, International Conference on
Unmanned Aircraft Systems (ICUAS), Atlanta, GA,
ABD, pp. 660-667, 2013.
[6] Temel, S., Ünaldı, N., “Opportunities and
Challenges of Terrain Aided Navigation Systems for
Aerial Surveillance by Unmanned Aerial Vehicles”,
Kitapta Bölüm, Augmented Vision and Reality,
Springer Berlin Heidelberg, pp. 1-15, 2013.
[7] Thrun, S., Fox, D., Burgard, W., “Robust
Monte Carlo Localization for Mobile Robots”,
Artificial Intelligence, No. 128, pp. 31-40, 2001.
[8] Schiele, B., Crowley, J., “A Comparsion of
Position Estimation Techniques Using Occupancy
Grids”, IEEE International Conference on Robotics
and Automation (ICRA-94), pp. 1628-1634, 1994.
[9] Burgard, W., Derr, A., Fox, D., Cremers, A. B.,
“Integrating Global Position Estimation and Position
Tracking for Mobile Robots: The Dynamic Markov
Localization Approach”, IEEE/RSJ International
Conference on Intelligent Robots and Systems
(IROS’98), pp. 730-735, 1998.
[10] Engelson, S., McDermott, D., “Error
Correction in Mobile Robot Map Learning”, IEEE
International Conference on Robotics and
Automation, Nice, France, pp. 2555-2560, 1992.
[11] Temizer, S., Kochenderfer, M. J., Kaelbling, L.
P., Lozano-Peréz, T., Kuchar, J. K., “Unmanned Aircraft
Collision Avoidance Using Partially Observable
Markov Decision Processes”, Massachusetts Institute
of Technology Lincoln Laboratory, Advanced Concepts
Program, Project Report ATC-356, Lexington,
Massachusetts, ABD, 2009.
[12] Temizer, S., Kochenderfer, M. J., Kaelbling, L.
P., Lozano-Peréz, T., Kuchar, J. K., “Collision
Avoidance for Unmanned Aircraft using Markov
Decision Processes”, Proceedings of the American
Institute of Aeronautics and Astronautics (AIAA)
Guidance, Navigation, and Control Conference,
American Institute of Aeronautics and Astronautics,
Sheraton Centre Toronto, Toronto, Ontario, Kanada,
2010.
[13] Temizer, S., “Planning under Uncertainty for
Dynamic Collision Avoidance”, Doktora Tezi,
Massachusetts Institute of Technology, Cambridge,
Massachusetts, ABD, 2011.
[14] Thrun, S., Burgard, W., Fox, D., “Probabilistic
Robotics”, MIT Press, ABD, 2005.
[15] Cassandra, A. R., Kaelbling, L.P., Kurien, J.
A., “Acting Under Uncertainty: Discrete Bayesian
Models for Mobile-Robot Navigation”, Intelligent
Robots and Systems IEEE, pp. 963-972, 1996.
[16] Hounam, D., Wagel, K., “A Technique for the
Identification and Localization of SAR Targets Using
Encoding Transponders”, IEEE Transactions on
Geoscience and Remote Sensing, Vol. 39, No. 1, pp.
3-7, 2001.
[17] Kim, J., Sukkarieh, S., “Airborne Simultaneous
Localisation and Map Building”, IEEE International
Conference on Robotics and Automation, pp. 406-411,
2003.
[18] Angeli, A., Filliat, D., Doncieux, S., Meyer, J.,
“2D Simultaneous Localization and Mapping for
Micro Air Vehicles”, European Micro Aerial Vehicles
(EMAV), 2006.
[19] Redding, J., McLain, T., Beard, R., Taylor, C.,
“Vision-Based Target Localization from a Fixed-Wing
Miniature Air Vehicle”, American Control
Conference, pp. 2862-2867, 2006.
[20] C. A. Wiley, “Synthetic Aperture Radars: A
Paradigm for Technology Evolution”, IEEE
Transactions on Aerospace and Electronic Systems,
V. AES-21, N. 3, pp. 440-443, 1985.
[21] Hensley, W. H., Doerry, A. W., Walker, B. C.,
“Lynx: A High-Resolution Synthetic Aperture Radar”,
SPIE Aerosense, Volume 3704, 1999.
[22] Marchetti, L., Grisetti, G., Locchi, L., “A
Comparative Analysis of Particle Filter Based
Localization Methods”, Proceedings of RoboCup
Symposium, Lecture Notes in Computer Science,
Volume 4434, pp 442-449, 2007.

Thank you for copying data from http://www.arastirmax.com