Araçların durum ve pozisyon analizleri için sensör füzyon tekniklerinin uygulanması

Abstract

Sensör füzyonu ham verilerden anlamlı çıktılara kadar verileri işleme ve nitelikli çıktı alma yöntemidir.Sensör füzyonunda kullanılan mimariler, uygulamaya bağlı olarak seçilir. Günümüzde sıklıkla kullanılan sensör füzyon mimarisi Amerika Birleşik Devletleri Ortak Laboratuvar yöneticileri tarafından bulunmuştur.(JDL) . Bu mimari ile sensör füzyonu gerçekleştirilmiştir. Bir otomobilin eksenel verileri kullanılarak, hızlanma yavaşlama ve sabit durma gibi ataletsel hareketleri denetimli olarak sınıflandırılmıştır. Otomobilin Ataletsel durumlarını ölçmek için mikro elektronik mekanik sensörlerden faydalanılmıştır. Bunlar jiroskop, ivmeölçer ve manyetometredir. Sınıflandırma noktasında sensör füzyonu yönteminden düşük seviye ve yüksek seviye olarak faydalanılmıştır. Alınan veriler düşük seviye sensör füzyonu kapsamında ön işlemeden geçerek tamamlayıcı sensör modellemesi ile ortak üstün nitelikli veriler elde edilmiş, elde edilen veriler kaydedildikten sonra yüksek seviyeli sensör füzyon yöntemleri kullanılmıştır. Yüksek seviyeli sensör füzyon için yapay zekâ algoritmaları tercih edilmiştir. “Decision Tree” , “Gradient Boosting ”, “Multi-Layer Perceptron” , “Regression Algorithm” olmak üzere çeşitli algoritmalar kullanılmıştır. Gerçek zamanlı alınan veriler ön işleme ve ham veri füzyonu sonrası depolanmıştır. Depolanan veriler denetimli öğrenen yapay zekâ algoritmaları ile karar verme noktasında yüksek seviyeli sensör füzyonunu oluşturmuştur. Yüksek seviye sensör füzyonu tüm verileri %60 öğrenme %40 test verisi olarak kullanmaktadır. Öğretilen durumlar sonrası rastgele seçilen bir veri kümesini sınıflandırma başarı yüzdesi olarak çıktı vermektedir. Alınan verilerin düşük seviye sensör füzyonuna dâhil edilmeden doğrudan yüksek seviye sensör füzyonuna tabi olması durumu ile düşük seviye işlemin uygulandığı durum karşılaştırılmıştır.

Sensor fusion is a method of processing data from raw data to meaningful outputs and getting quality output.Architectures used in sensor fusion are chosen depending on the application. The sensor fusion architecture that is frequently used today was found by the managers of the United States Joint Laboratory (JDL). Sensor fusion has been realized with this architecture. Using the axial data of a car, inertial movements such as acceleration, deceleration and stationary are classified as controlled. Microelectronic mechanical sensors were used to measure the inertial states of the car. These are the gyroscope, accelerometer and magnetometer. At the classification point, the sensor fusion method was used as low level and high level. The received data were preprocessed within the scope of low level sensor fusion, and joint high quality data were obtained with complementary sensor modeling, and high level sensor fusion methods were used after recording the obtained data. Artificial intelligence algorithms are preferred for high-level sensor fusion. Various algorithms such as Decision Tree, Gradient Boosting, Multi-Layer Perceptron, Regression Algorithm have been used. Real-time acquired data is stored after preprocessing and raw data fusion. The stored data has formed a high-level sensor fusion at the point of decision making with supervised learning artificial intelligence algorithms. High level sensor fusion uses all data as 60% learning 40% test data. It gives output as a percentage of success in classifying a randomly selected data set after the taught situations. The situation where the received data is directly subject to high-level sensor fusion without being included in the low-level sensor fusion was compared with the situation where the low-level processing was applied.