UAV Navigation System Autonomous Correction Algorithm Based on Road and River Network Recognition

A depth-based vessel position fixing method on the basis of a neural network is proposed. The network takes as an input a sequence of depth values measured by an echo-sounder and predicts vessel latitude and longitude for the moment of the latest depth measurement. The neural network has a fully-connected feedforward architecture with several layers which satisfies conditions of the universal approximation in compliance with the Stone-Weierstrass theorem. The Adamax algorithm for the neural network training with controlling a maximum value of position error at each epoch is implemented. Modeling is conducted with the Python programming language and the Tensorflow library. The model surface of seabed is performed as a second-order polynomial. Training samples on the basis of virtual soundings at the coordinate net knots with the space resolution not worse than one cable are obtained. After samples obtaining the training of the neural network is conducted. A validation set is not used. Several neural networks are trained. They have different number of hidden layers and different number of neurons per each hidden layer. After training the test procedure is performed. Test samples are generated in the assumption that a vessel is moving along meridians which are not used at the stage of the preliminary soundings survey. The cases of mean and random test meridians are considered. The random meridians are obtained with a uniform random number generator. As the result, all the tested neural networks have shown approximately identical navigational accuracy which is close to the accuracy for the training set.

show abstract

Підвищення Точності Автономної Навігації Невеликих Безпілотних Літальних Апаратів За Рахунок Врахування Вітру Та Похибок Сенсорів

Шалигін¹,

Нерубацький²,

Кудрявцев³

et al. 2022

nitps

View full text Add to dashboard Cite

Для безпілотних літальних апаратів (БпЛА) військового призначення можливість здійснювати політ в автономному режимі має велике значення, оскільки застосування противником засобів радіоелектронної боротьби (РЕБ) впливає на супутникову навігаційну систему і лінію керування. Для невеликих БпЛА (класу І) використання більш точного обладнання, такого як сенсори на гіростабілізованих платформах, допплерівські вимірювачі швидкості і зносу, радіовисотоміри тощо, обмежено їх вагою, розмірами, потужністю і вартістю. Найчастіше в невеликих БпЛА використовуються безплатформенні інерціальні навігаційні системи на базі мікроелектромеханічних сенсорів, магнітометри, сенсори тиску і температури, що не відрізняються гарною точністю. В статті проведений короткий огляд напрямків вирішення проблеми підвищення точності автономних навігаційних систем. Оскільки точність навігаційних параметрів, які визначаються на основі інтегрування первинних даних, постійно погіршується, то розглянуто шляхи зменшення цих похибок на точність навігації. Проведені розрахункові оцінки похибок навігації для різних варіантів визначення параметрів польоту. Для покращення точності автономної навігації бюджетних БпЛА запропонований порядок побудови закону керування з врахуванням швидкості вітру і похибок навігаційної системи.

show abstract

UAV Navigation System Autonomous Correction Algorithm Based on Road and River Network Recognition

Cited by 3 publications

References 0 publications

Energy saving Ocean Garbage Collection Return Algorithm and System Based on Machine Vision

Energy saving Ocean Garbage Collection Return Algorithm and System Based on Machine Vision

Depth-based vessel position fixing by means of a neural network

Підвищення Точності Автономної Навігації Невеликих Безпілотних Літальних Апаратів За Рахунок Врахування Вітру Та Похибок Сенсорів

Contact Info

Product

Resources

About