Su altı otonom araçlarda navigasyon ve yol planlama çözümleri

Abstract

Teknolojinin hızlı ilerlemesi, insansız su altı sistemlerine olan ilgiyi artırmıştır. Bu sistemler, keşif, gözlem ve su altı operasyonları gibi çeşitli alanlarda kullanılmaktadır. Ancak, su altındaki konum belirleme işlemi, hava ve kara sistemlerinde yaygın olarak kullanılan GPS teknolojisi ile mümkün değildir. Bu ihtiyaca cevap olarak geliştirilen insansız su altı araçları, konumlarını belirlemek için akustik yöntemler veya su yüzeyindeki istasyonlardan alınan GPS referansları ile su altı sensörleri kullanarak çalışırlar. Açık denizlerde yapılan konumlandırma çözümleri oldukça pahalı sistemlerdir. Kapalı bir alan içinde bu tarz sistemler yerine daha uygulanabilir yöntemler yapılması gerekmektedir. Bu çalışma, iki aşamalı bir süreci içermektedir. İlk aşamada, su altı aracı bir kapalı havuz ortamına bırakılır ve üzerinde bulunan 360 derece tarama sonarı ile çevresini tarar. Elde edilen tarama verileri, K-means algoritması kullanılarak sınıflandırılır ve köşe bulma yöntemi ile aracın havuz içindeki konumu belirlenir. Daha sonra, aracın üzerinde bulunan mesafe sensörü verileri, makine öğrenme algoritmaları kullanılarak modellenir. Yapılan modellemede, Doğrusal Regresyon, KNN, Karar Ağacı ve Rastgele Orman algoritmaları arasında en iyi sonuçları Rastgele Orman algoritması verir. Bu modelle, su altı aracının hareketi sırasında kat ettiği mesafe tahmin edilebilmektedir.

The rapid advancement of technology has increased interest in unmanned underwater systems. These systems are utilized in various fields such as exploration, observation, and underwater operations. However, the process of determining the location underwater is not feasible with the widely used GPS technology in air and land systems. In response to this need, unmanned underwater vehicles have been developed to determine their locations using acoustic methods or GPS references obtained from surface stations in conjunction with underwater sensors. Positioning solutions in open seas can be expensive, prompting the exploration of more practical alternatives within enclosed spaces. This study involves a two-stage process. In the first stage, the underwater vehicle is placed in a closed pool environment and scans its surroundings using a 360-degree scanning sonar. The acquired scanning data is classified using the K-means algorithm, and the vehicle's position within the pool is determined using a corner detection method. Subsequently, the data from the distance sensor on the vehicle is modeled using machine learning algorithms. In the modeling process, Random Forest algorithm yielded the best results among Linear Regression, KNN, Decision Tree, and Random Forest algorithms. This model allows the prediction of the distance traveled by the underwater vehicle during its movement.