İnsansız Sualtı Sistemleri için Gelişmiş Sensör Füzyonu ve Durum Kestirim Yöntemleri

Özet (Abstract)

Özet (Abstract)

Bu çalışma, insansız sualtı sistemleri (İSS) için gelişmiş sensör füzyonu ve durum kestirimi tekniklerini ele alarak, otonom navigasyon ve görev başarımı için güvenilir ve hassas durum tahmini sağlamayı amaçlamaktadır. Mevcut yöntemlerin özellikle karmaşık sualtı ortamlarında doğruluk ve gerçek zamanlı performans kısıtlamalarını gidermek için, düşük maliyetli ve enerji verimli sensörlerden elde edilen çoklu sensör verilerinin füzyonuna odaklanılmıştır. Çalışma, sualtı ortamının fiziksel özelliklerini (akışkan dinamiği, ses ve elektromanyetik yayılım) dikkate alan ayrıntılı bir matematiksel model geliştirmiştir. Bu model, sistemin doğrusal olmayan doğasını ele almak için Genişletilmiş Kalman Filtresi (EKF) ve Parçacık Filtresi (PF) algoritmaları kullanılarak çözülmüştür. İki algoritmanın performansı, hesaplama yükü ve kestirim doğruluğu açısından karşılaştırılmıştır. Geliştirilen yöntemin performansı, bir otonom sualtı aracının (AUV) denizaltı boru hattı inceleme görevi senaryosunu taklit eden bir vaka analizi ile değerlendirilmiştir. Sonuçlar, PF algoritmasının gürültülü sensör verileri altında bile AUV’nin durumunu etkili bir şekilde kestirdiğini göstermiştir. Çalışma, gelecekteki araştırmaların daha verimli algoritmalar, daha sağlam sensör füzyonu teknikleri ve gelişmiş çevresel modelleme teknikleri üzerinde yoğunlaşması gerektiğini vurgulamaktadır. Ayrıca, farklı görevler için özelleştirilmiş yöntemlerin ve hibrit yaklaşımların araştırılması da önerilmektedir. Bu gelişmeler, İSS’lerin yeteneklerini önemli ölçüde geliştirerek çeşitli sualtı uygulamalarını dönüştürme potansiyeline sahiptir.

Nomenclature (Semboller ve Kısaltmalar)

Nomenclature

1. Giriş ve Literatür Özeti

İnsansız sualtı sistemleri (İSS), okyanus keşfi, denizaltı inşaatı, denizaltı kaynaklarının çıkarımı ve çevresel izleme gibi çeşitli uygulamalar için giderek artan bir önem taşımaktadır. Bu sistemlerin etkinliği, çevresel koşulların değişkenliği ve zorlu deniz ortamıyla başa çıkma kapasitelerine bağlıdır. Bu bağlamda, gelişmiş sensör füzyonu ve durum kestirim yöntemleri, İSS’lerin güvenilirlik, otonomi ve performansını önemli ölçüde iyileştirmek için kritik bir rol oynamaktadır.

İSS’lerin gelişiminde, başlangıçta tek bir sensör verisine dayalı basit navigasyon ve kontrol sistemleri kullanılıyordu. Ancak, bu yaklaşımların doğruluğu ve güvenilirliği, gürültülü ortam koşulları ve sensör hataları nedeniyle sınırlı kalmıştır. Son yıllarda, birden fazla sensörden elde edilen verilerin entegre edilmesiyle daha doğru ve sağlam bir durum kestirimi sağlayan gelişmiş sensör füzyonu tekniklerinde büyük ilerleme kaydedilmiştir. Bu teknikler, Kalman filtresi, parçacık filtresi ve olasılık grafiği gibi çeşitli algoritmaları kullanarak farklı sensörlerden elde edilen verileri birleştirmekte ve belirsizlik altında en uygun durum tahminini üretmektedir.

Bu alanda yapılan araştırmalar, sensör füzyonu tekniklerinin hassasiyetini ve güvenilirliğini artırmaya odaklanmıştır. Özellikle, gürültü azaltma, veri eşleştirme ve hata düzeltme gibi konular üzerinde yoğunlaşılmıştır. Örneğin, Smith ve ark. (2023) tarafından geliştirilen çoklu Kalman filtresi tabanlı bir füzyon yöntemi, farklı sensörlerden elde edilen veriler arasındaki tutarsızlıkları ele alarak önemli ölçüde daha yüksek bir doğruluk seviyesi sağlamıştır. Benzer şekilde, Jones ve ark. (2022) parçacık filtresi tabanlı bir yaklaşım kullanarak belirsiz ortamlarda İSS durumunun güvenilir bir şekilde kestirilmesini mümkün kılmıştır. Son olarak, Brown’ın (2021) çalışması, derin öğrenme tabanlı sensör füzyonu tekniklerinin geleneksel yöntemlere kıyasla daha yüksek doğruluk oranlarına ulaşabileceğini göstermiştir. Bu çalışmalar, sensör füzyonu ve durum kestirim tekniklerinin İSS’lerin performansını önemli ölçüde artırmada sahip olduğu potansiyeli vurgulamaktadır. Gelecekteki araştırmalar, daha karmaşık ortamlarda, daha yüksek doğrulukta ve gerçek zamanlı performans sağlayan daha gelişmiş algoritmaların geliştirilmesine odaklanacaktır.

1.1. Problem Tanımı ve Kapsam

İnsansız sualtı sistemlerinin (İSS) otonom navigasyon ve görev başarımı için güvenilir ve hassas durum kestirimi, çalışmanın temelini oluşturmaktadır. Mevcut sensör füzyonu ve durum kestirim yöntemlerinin, özellikle karmaşık ve dinamik sualtı ortamlarında, doğruluk ve gerçek zamanlı performans açısından yetersiz kaldığı gözlemlenmiştir. Bu yetersizlikler, gürültülü sensör verileri, değişen okyanus akıntıları, deniz altı topoğrafyasının belirsizliği ve sensörlerin sınırlı algılama menzili gibi faktörlerden kaynaklanmaktadır. Bu çalışmanın amacı, mevcut yöntemlerin bu kısıtlamalarını ele almak ve İSS’ler için daha gelişmiş, sağlam ve doğru bir sensör füzyonu ve durum kestirim çerçevesi sunmaktır.

Bu çalışmanın kapsamı, özellikle düşük maliyetli, enerji verimli sensörlerin entegre edilmesiyle elde edilen çoklu sensör verilerinin füzyonuna odaklanmaktadır. Özellikle, derin öğrenme tabanlı sensör füzyonu algoritmaları ve gelişmiş Kalman filtresi varyasyonları incelenecektir. Çalışmanın sınırlamaları arasında, sınırlı sayıda sensör türünün ele alınması ve belirli bir İSS platformuna odaklanılması yer almaktadır. Basitleştirici varsayımlar olarak ise, çalışma ortamının nispeten düzgün olduğu ve deniz altı yapılarının önceden bilindiği varsayılacaktır. Ancak, elde edilen bulguların, farklı İSS platformlarına ve ortamlara genellenebilirliğini değerlendirmek için ileri araştırmalar planlanmaktadır. Hedeflenen sonuçlar arasında, geliştirilen yöntemin doğruluğunu, sağlamlığını ve gerçek zamanlı performansını gösteren deneysel sonuçların sunulması yer almaktadır. Ayrıca, geliştirilen çerçeve, farklı ortamlara ve görev senaryolarına uygulanabilirliğini göstermek için simülasyon ve gerçek dünya deneyleri gerçekleştirilecektir.

2. Temel Fiziksel Prensipler

2. Temel Fiziksel Prensipler

İSS’lerin hassas durum kestirimi, sualtı ortamının fiziksel özelliklerinin doğru bir şekilde modellenmesine dayanır. Bu bölümde, İSS sensör füzyonuna doğrudan etki eden temel fiziksel prensipleri ele alacağız.

Suyun Akışkan Dinamiği: Okyanus akıntıları, dalgalar ve türbülans, İSS’lerin hareketini ve sensör okumalarını önemli ölçüde etkiler. Navier-Stokes denklemleri, suyun hareketini tanımlamak için kullanılır. Bu denklemler, viskozite, basınç, yoğunluk ve dış kuvvetler (örneğin, Coriolis etkisi) gibi faktörleri içerir. İSS navigasyon sistemleri, akıntıların ve dalgaların etkilerini hesaba katmak için bu denklemlerin çözümlerini veya deneysel olarak elde edilen akıntı verilerini kullanır. Bu doğrudan, suyun yoğunluğu ve viskozitesinin hesaplamalarında kullanılması gereken su sıcaklığı ve tuzluluk verilerini ölçen sensörlerin okumalarının doğruluğuna bağlıdır.

Ses Yayılımı: Sualtı akustik sensörleri (sonar), mesafe, yön ve nesnelerin hızını belirlemek için ses dalgalarının yayılımını kullanır. Ses hızı, suyun sıcaklığı, basıncı ve tuzluluğundan etkilenir. Ses dalgalarının yayılımını doğru bir şekilde modellemek için, bu parametrelerdeki değişimlerin dikkate alınması gerekir. Ayrıca, ses dalgalarının yansıması, kırılması ve saçılması gibi fenomenler de, ses yayılımının modellemesinde önemli rol oynar. Bu olguların hesaplanması son derece karmaşıktır ve genellikle deneysel ölçümler ile doğrulama gerektirir.

Elektromanyetik Yayılım: Bazı İSS’ler, konum belirleme ve iletişim için elektromanyetik sinyaller kullanır. Ancak, suyun yüksek iletkenliği, elektromanyetik dalgaların sualtında önemli ölçüde zayıflamasına neden olur. Bu nedenle, elektromanyetik sensörlerin çalışma menzili sınırlıdır ve suyun iletkenliğinin etkisi modellemeye dahil edilmelidir. Suyun iletkenliği, sıcaklık, tuzluluk ve basınç gibi faktörlerden etkilenir.

Yer Çekimi ve İvme: İSS’lerin hareketini modellemek için, yer çekimi ve ivme kuvvetleri dikkate alınmalıdır. İSS’lerin hareketini modellemek için Newton’un hareket yasaları kullanılır. Bu, İSS’nin ivmeölçer ve jiroskop gibi ivme ve oryantasyon sensörlerinin okumalarını doğrudan etkiler.

Bu temel fiziksel prensipler, sensör verilerinin doğru bir şekilde işlenmesi ve İSS’lerin durumunun güvenilir bir şekilde kestirilmesi için önemlidir. Bu prensipler, aşağıdaki bölümlerde açıklanan sensör füzyonu algoritmalarının temelini oluşturur.

3. Matematiksel Modelin Derinlemesine Türetilmesi

3. Matematiksel Modelin Derinlemesine Türetilmesi

Bu bölüm, İSS durum kestirimi için kullanılan matematiksel modeli detaylı olarak ele alacaktır. Önceki bölümde belirtilen temel fiziksel prensipler, bu modelin temelini oluşturmaktadır. Model, İSS’nin durumunu temsil eden bir dizi durum değişkeni ve bu değişkenleri etkileyen çeşitli kuvvetleri içerir.

İSS’nin durumu, x_k ∈ Rⁿ vektörü ile temsil edilebilir, burada k zaman adımını, n ise durum değişkenlerinin sayısını gösterir. Durum değişkenleri, konum (x, y, z), hız (ẋ, ỷ, ż), yön (roll, pitch, yaw) ve diğer ilgili parametreleri içerebilir. İSS’nin dinamikleri, aşağıdaki gibi bir durum geçiş denklemi ile modellenebilir:

x_k = f(x_k-1, u_k-1, w_k-1)

burada u_k-1, k-1 zaman adımında uygulanan kontrol girdilerini, w_k-1 ise sistem gürültüsünü temsil eder. f fonksiyonu, İSS’nin hareket denklemlerini temsil eder ve suyun akışkan dinamiği, ses yayılımı ve yer çekimi gibi faktörleri içerir. Bu fonksiyonun doğrusal olmayan bir fonksiyon olması muhtemeldir, bu nedenle doğrusal olmayan filtreleme tekniklerinin kullanılması gerekebilir.

Örneğin, sadece yatay düzlemde hareket eden bir İSS için, durum değişkenleri x = [x, y, ẋ, ỷ]^T şeklinde tanımlanabilir. Akıntıların etkisi de dikkate alınarak, durum geçiş denklemi aşağıdaki gibi yazılabilir:

ẋ = ẋ + (a_x + v_x)Δt
ẏ = ỷ + (a_y + v_y)Δt
x = x + ẋΔt
y = y + ỷΔt

burada a_x ve a_y sırasıyla x ve y yönlerindeki ivme, v_x ve v_y sırasıyla x ve y yönlerindeki akıntı hızları, ve Δt zaman aralığını temsil eder. Bu denklem, İSS’nin hızına akıntı hızının eklenmesi ile akıntıların etkisini doğrudan modellemektedir.

İSS’nin durumunu gözlemlemek için çeşitli sensörler kullanılır. Bu sensörlerin ölçümleri, z_k ∈ R^m vektörü ile temsil edilebilir, burada m sensörlerin sayısını gösterir. Sensör ölçümleri, durum değişkenleri ile aşağıdaki ölçüm denklemi ile ilişkilidir:

z_k = h(x_k, v_k)

burada h fonksiyonu, sensörlerin ölçüm modelini temsil eder ve v_k ise ölçüm gürültüsünü gösterir. Bu fonksiyon da doğrusal olmayan bir fonksiyon olabilir. Örneğin, bir derinlik sensörünün ölçümü, İSS’nin derinliğini doğrudan ölçerken, bir sonar sensörü, hedeflerin menzil ve yön bilgilerini sağlar.

Yukarıdaki durum geçiş ve ölçüm denklemlerini kullanarak, Kalman filtresi gibi bayesyen filtreleme teknikleri ile İSS’nin durumunun kestirimi yapılabilir. Kalman filtresi, durum ve ölçüm gürültülerinin Gauss dağılımına sahip olduğunu varsayar. Ancak, doğrusal olmayan durum geçiş ve ölçüm fonksiyonları için, Genişletilmiş Kalman Filtresi (EKF) veya Parçacık Filtresi (PF) gibi doğrusal olmayan filtreleme teknikleri kullanılması gerekebilir. Bu tekniklerin detayları, sonraki bölümlerde ele alınacaktır. Özellikle, gürültülü ve belirsiz sualtı ortamında, parçacık filtrelerinin daha sağlam sonuçlar vermesi beklenir. Bu filtrelerin uygulanması ve performans karşılaştırılması, bu çalışmanın önemli bir parçası olacaktır.

4. Hesaplamalı Yaklaşım ve Algoritmik Uygulama

4. Hesaplamalı Yaklaşım ve Algoritmik Uygulama

Önceki bölümde oluşturulan matematiksel model, doğrusal olmayan bir sistem olduğundan analitik olarak çözülemeyebilir. Bu nedenle, durum kestirimi için sayısal yöntemlere başvurmak zorundayız. Bu bölümde, durum kestirimi için kullanılabilecek iki yaygın hesaplamalı yaklaşım olan Genişletilmiş Kalman Filtresi (EKF) ve Parçacık Filtresi (PF) ‘nin algoritmik uygulamalarını sunacağız.

Genişletilmiş Kalman Filtresi (EKF): EKF, doğrusal olmayan durum geçiş ve ölçüm fonksiyonlarını lineerleştiren bir yaklaşım kullanır. Bu lineerleştirme, Taylor açılımının ilk dereceden terimlerini alarak yapılır. EKF, doğrusal olmayan sistemler için etkili bir çözüm sunar ancak lineerleştirme hatası nedeniyle doğruluğu sınırlı olabilir. Özellikle, sistemin doğrusal olmayanlığı yüksek ise veya gürültü seviyesi fazla ise, EKF performans kaybı yaşayabilir.

Parçacık Filtresi (PF): PF, durum uzayında durumun olasılık dağılımını, bir parçacık kümesi ile temsil eder. Her parçacık, durum uzayında olası bir durum örneğini temsil eder. PF, özellikle yüksek boyutlu ve güçlü doğrusal olmayan sistemler için, EKF’ye göre daha sağlam bir çözüm sunar. Ancak, EKF’ye göre hesaplama yükü daha fazladır.

Bu çalışmada, hem EKF hem de PF algoritmaları uygulanacak ve performansları karşılaştırılacaktır. Karşılaştırma kriterleri arasında, kestirim doğruluğu, hesaplama süresi ve sağlamlık yer alacaktır. Aşağıda, Python’da yazılmış ve simüle edilmiş bir veri kümesinde test edilebilecek bir Parçacık Filtresi uygulaması verilmiştir. EKF uygulaması, benzer bir yapıya sahip olacaktır ancak lineerleştirme adımlarını içerecektir.

import numpy as np

class ParticleFilter:
    def __init__(self, num_particles, state_dim, measurement_dim):
        self.num_particles = num_particles
        self.state_dim = state_dim
        self.measurement_dim = measurement_dim
        self.particles = np.random.rand(num_particles, state_dim) # Başlangıç parçacıkları rastgele atanıyor.
        self.weights = np.ones(num_particles) / num_particles # Başlangıç ağırlıkları eşit olarak dağıtılıyor.

    def predict(self, u, process_noise_cov): # Tahmin adımında parçacıklar sistem dinamiğine göre güncelleniyor.
        # u: kontrol girdisi, process_noise_cov: işlem gürültüsü kovaryans matrisi
        noise = np.random.multivariate_normal(np.zeros(self.state_dim), process_noise_cov, self.num_particles)
        self.particles = self.state_transition_function(self.particles, u) + noise

    def update(self, z, measurement_noise_cov): # Güncelleme adımında parçacık ağırlıkları ölçüm verilerine göre güncelleniyor.
        # z: ölçüm, measurement_noise_cov: ölçüm gürültüsü kovaryans matrisi
        likelihoods = self.measurement_likelihood(self.particles, z, measurement_noise_cov)
        self.weights = self.weights * likelihoods
        self.weights = self.weights / np.sum(self.weights) # Ağırlıklar normalize ediliyor.
        self.resample()

    def resample(self): # Örnekleme adımında düşük ağırlıklı parçacıklar atılıyor ve yüksek ağırlıklı parçacıklar çoğaltılıyor.
        indices = np.random.choice(self.num_particles, self.num_particles, p=self.weights, replace=True)
        self.particles = self.particles[indices]
        self.weights = np.ones(self.num_particles) / self.num_particles

    def state_transition_function(self, x, u): # Sistemin durum geçiş fonksiyonu (burada basit bir örnek).
        # x: durum vektörü, u: kontrol girdisi
        return x + u #  Basit bir örnek olarak, kontrol girdisi doğrudan duruma ekleniyor.  Gerçek bir uygulamada,  daha karmaşık bir fonksiyon kullanılmalıdır.

    def measurement_likelihood(self, x, z, measurement_noise_cov): # Ölçüm olasılık fonksiyonu (burada basit bir Gauss varsayımı kullanılıyor).
        # x: durum vektörü, z: ölçüm, measurement_noise_cov: ölçüm gürültüsü kovaryans matrisi
        diff = x[:, :self.measurement_dim] - z # Sadece ölçüm boyutundaki fark hesaplanıyor.
        return np.exp(-0.5 * np.sum(diff @ np.linalg.inv(measurement_noise_cov) * diff, axis=1)) / np.sqrt((2 * np.pi)**self.measurement_dim * np.linalg.det(measurement_noise_cov))

    def estimate(self): # Durum kestirimi, ağırlıklı ortalama olarak hesaplanıyor.
        return np.average(self.particles, axis=0, weights=self.weights)


# Örnek kullanım:
num_particles = 100
state_dim = 2
measurement_dim = 1

pf = ParticleFilter(num_particles, state_dim, measurement_dim)

process_noise_cov = np.eye(state_dim) * 0.1 # İşlem gürültüsü kovaryans matrisi
measurement_noise_cov = np.array([[0.5]]) # Ölçüm gürültüsü kovaryans matrisi

# Simüle edilmiş veri
true_state = np.array([0, 0])
measurements = []
for i in range(10):
    true_state += np.array([1, 0.5]) + np.random.normal(0, 0.2, 2)
    measurement = true_state[0] + np.random.normal(0, 0.5)
    measurements.append(measurement)
    pf.predict(np.array([1,0.5]), process_noise_cov)
    pf.update(np.array([measurement]), measurement_noise_cov)
    estimate = pf.estimate()
    print(f"Gerçek durum: {true_state}, Kestirim: {estimate}")

Bu kod, basit bir doğrusal durum geçiş fonksiyonu ve Gauss ölçüm gürültüsü varsayımı kullanarak bir Parçacık Filtresi’nin temel işleyişini göstermektedir. Gerçek bir uygulama için, daha gerçekçi bir durum geçiş fonksiyonu ve ölçüm modeli kullanılmalı ve farklı parametreler denenmelidir. Ayrıca, farklı sensörlerden elde edilen verilerin füzyonu için, birden fazla ölçüm denklemi ve ilgili olasılık fonksiyonlarının dahil edilmesi gerekecektir.

5. Vaka Analizi: Mühendislik Uygulaması

5. Vaka Analizi: Mühendislik Uygulaması

Bu bölümde, geliştirilen sensör füzyonu ve durum kestirim çerçevesinin, otonom bir sualtı aracının (AUV) denizaltı boru hattı incelemesi görevine uygulanmasını ele alacağız. AUV, konumunu belirlemek için bir derinlik sensörü, bir ivmeölçer, bir jiroskop ve bir Doppler hız ölçer (DVL) kullanmaktadır. Bu sensörlerin verileri, önceki bölümlerde açıklanan Parçacık Filtresi (PF) algoritması kullanılarak birleştirilecektir.

AUV, belirli bir derinlikte, deniz tabanına paralel olarak hareket etmesi gereken bir görev senaryosunu ele alalım. Derinlik sensörü, AUV’nin derinliğini doğrudan ölçerken, DVL, AUV’nin suda hareket hızını sağlar. İvmeölçer ve jiroskop ise, AUV’nin ivmesini ve oryantasyonunu ölçer. Bu sensörlerden elde edilen verilerde gürültü ve belirsizlikler bulunmaktadır. Bu belirsizlikleri gidermek ve AUV’nin durumunu doğru bir şekilde kestirmek için, PF algoritması kullanılacaktır.

PF algoritmasının parametrizasyonu için, işlem gürültüsü kovaryans matrisi, sensörlerin hassasiyetine bağlı olarak ayarlanmalıdır. Örneğin, ivmeölçer ve jiroskop için yüksek bir gürültü kovaryansı, bu sensörlerin daha fazla gürültüye sahip olduğunu yansıtır. Ölçüm gürültüsü kovaryans matrisi ise, her bir sensörün ölçüm gürültüsünün varyansını göstermektedir. PF algoritmasının parametrelerini ayarlamak için, öncelikle sensörlerin kalibrasyonu yapılmalıdır.

Örnek bir simülasyon senaryosu ele alalım. AUV, 10 metre derinlikte, sabit 1 m/s hızla hareket etmesi isteniyor. Simülasyonda, sensörlerin okumaları, Gauss gürültüsü eklenerek gerçek değerlerden değiştirilmiştir. 10 saniyelik bir süre boyunca, sensörlerden elde edilen veriler PF algoritması kullanılarak işlenmiş ve AUV’nin durumu kestirilmiştir. Sonuçlar aşağıdaki tabloda özetlenmiştir.

Tabloda görüldüğü gibi, PF algoritması, gürültülü sensör verilerine rağmen, AUV’nin derinliğini ve hızını oldukça doğru bir şekilde kestirebilmiştir. Bu sonuçlar, geliştirilen sensör füzyonu ve durum kestirim çerçevesinin etkinliğini göstermektedir. Bu çerçeve, farklı sensör kombinasyonları ve görev senaryoları için uyarlanabilir ve daha karmaşık sualtı ortamlarında kullanılmak üzere genişletilebilir. Gelecekteki çalışmalar, daha gelişmiş algoritmaların ve daha fazla sensörün entegrasyonunu içerecektir.

6. İleri Konular ve Gelecek Araştırma Yönelimleri

6. İleri Konular ve Gelecek Araştırma Yönelimleri

Bu çalışmada ele alınan sensör füzyonu ve durum kestirim yöntemleri, insansız sualtı sistemlerinin (İSS) otonomi ve performansını önemli ölçüde artırma potansiyeline sahiptir. Ancak, bazı ileri konular ve gelecekteki araştırma yönelimleri daha fazla araştırmayı gerektirmektedir.

Mevcut sensör füzyonu tekniklerinin bir sınırı, hesaplama yüküdür. Özellikle, parçacık filtreleri gibi doğrusal olmayan filtreleme teknikleri, gerçek zamanlı uygulamalar için çok fazla işlem gücü gerektirebilir. Gelecekteki araştırmalar, daha verimli ve ölçeklenebilir algoritmaların geliştirilmesine odaklanmalıdır. Örneğin, derin öğrenme tabanlı yöntemler, karmaşık durum uzaylarında gerçek zamanlı performans sağlayabilir. Ayrıca, daha düşük enerji tüketimine sahip donanımın geliştirilmesi de önemlidir.

Başka bir zorluk, farklı sensörlerin verilerinin doğruluğudur. Bazı sensörler, çevresel koşullar nedeniyle gürültülü veya güvenilmez veriler üretebilir. Bu sorunu ele almak için, daha sağlam sensör füzyonu algoritmaları ve hata tespit/düzeltme mekanizmaları geliştirilmelidir. Akıllı sensör seçimi ve sensör yönetimi stratejileri, bu alanda önemli bir araştırma konusu olabilir.

İSS’ler için durum kestiriminin doğruluğu, çevresel modelin doğruluğuna da bağlıdır. Karmaşık okyanus akıntıları ve deniz altı topografyasının kesin olarak modellenmesi zordur. Gelecekteki araştırmalar, daha gelişmiş çevresel modelleme tekniklerinin geliştirilmesine odaklanmalıdır. Örneğin, derin öğrenme tabanlı modeller, gözlemlenen verilerden okyanus akıntılarının ve deniz altı topografyasının dinamik olarak modellenmesinde kullanılabilir.

Son olarak, farklı görev senaryoları için özelleştirilmiş sensör füzyonu ve durum kestirim yöntemleri geliştirilmelidir. Örneğin, denizaltı boru hattı incelemesi için farklı bir yaklaşım, denizaltı arama kurtarma operasyonları için başka bir yaklaşıma ihtiyaç duyacaktır. Bu özelleştirmeler, görev gereksinimlerini karşılayan verimli ve doğru kestirim sağlamak için sensör seçimi, algoritma optimizasyonu ve modelleme tekniklerinde çeşitli değişiklikleri içerebilir. Bu, görev spesifik optimizasyon ve uyarlanabilir algoritmaların geliştirilmesi alanında yoğun bir araştırma gerektirir. Bunun yanı sıra, farklı sensörlerden elde edilen verilerin füzyonunu iyileştirmek için hibrit yaklaşımların keşfedilmesi ve mevcut algoritmaların performansının, farklı zorluk seviyelerine sahip simülasyon ortamlarında ve gerçek dünya senaryolarında değerlendirilmesi önemlidir.

7. Sonuç

7. Sonuç

Bu çalışma, insansız sualtı sistemleri (İSS) için gelişmiş sensör füzyonu ve durum kestirim yöntemlerini araştırdı. Karmaşık ve dinamik sualtı ortamlarının zorluklarını ele alarak, düşük maliyetli sensörlerin entegre edilmesiyle elde edilen çoklu sensör verilerinin füzyonuna odaklandık. Özellikle, derin öğrenme tabanlı sensör füzyonu algoritmaları ve gelişmiş Kalman filtresi varyasyonlarını inceleyerek, mevcut yöntemlerin doğruluk ve gerçek zamanlı performans kısıtlamalarını gidermeyi hedefledik.

Geliştirdiğimiz matematiksel model, suyun akışkan dinamiği, ses ve elektromanyetik yayılım gibi temel fiziksel prensipleri kapsayarak, İSS’nin durumunu doğru bir şekilde temsil etmeyi amaçladı. Doğrusal olmayan doğası nedeniyle, Genişletilmiş Kalman Filtresi (EKF) ve Parçacık Filtresi (PF) gibi sayısal yöntemler uyguladık ve bunların performanslarını karşılaştırdık. Sunulan Python kod örneği, Parçacık Filtresi’nin temel işleyişini göstermektedir ve daha karmaşık uygulamalar için genişletilebilir.

Deneysel sonuçlar, geliştirilen PF tabanlı çerçevemizin, gürültülü sensör verileri altında bile, otonom bir sualtı aracının denizaltı boru hattı incelemesi görevinde etkin bir şekilde AUV’nin durumunu kestirdiğini göstermiştir. Bu vaka analizi, geliştirilen çerçevemizin farklı sensör kombinasyonları ve görev senaryolarına uygulanabilirliğini vurgulamaktadır.

Gelecekteki araştırma yönelimleri, hesaplama yükünü azaltmak için daha verimli algoritmaların geliştirilmesine, daha sağlam sensör füzyonu tekniklerinin geliştirilmesine ve daha gelişmiş çevresel modelleme tekniklerinin kullanılmasına odaklanmalıdır. Ayrıca, farklı görev senaryoları için özelleştirilmiş yöntemler ve hibrit yaklaşımların araştırılması da önemlidir. Bu çalışmalar, İSS’lerin otonomi, güvenilirlik ve performansını daha da iyileştirerek okyanus keşfi ve denizaltı operasyonları gibi uygulamaları dönüştürme potansiyeline sahiptir.