Model Uydu için Gelişmiş Sensör Füzyonu ve Durum Kestirim Yöntemleri

Özet (Abstract)

Özet (Abstract)

Bu çalışma, düşük Dünya yörüngesinde (LEO) çalışan model uydular için gelişmiş bir sensör füzyonu ve durum kestirim algoritması sunmaktadır. Mevcut yöntemlerin gürültülü sensör verileri ve dinamik çalışma ortamına karşı duyarlılığı nedeniyle hassas durum tahminlerinin elde edilmesinde yaşanan zorluklar ele alınmıştır. Bu zorlukları aşmak için, ivmeölçer, açısal hız sensörü ve GPS alıcısından gelen verileri entegre eden bir Genişletilmiş Kalman Filtresi (EKF) tabanlı bir yaklaşım geliştirilmiştir. Algoritmanın temeli, Newton’un hareket yasaları ve Euler denklemleriyle tanımlanan uydunun hareketinin matematiksel modellemesidir. Bu model, doğrusal olmayan durum uzayı denklemleri ve doğrusal olmayan ölçüm denklemleri içerir.

EKF algoritması, doğrusal olmayan sistem fonksiyonlarını lineerleştirerek çalışır ve her zaman adımında durum tahminini ve kovaryans matrisini günceller. Algoritmanın performansı, simüle edilmiş bir LEO küp uydu senaryosu kullanılarak değerlendirilmiştir. Simülasyonlar, farklı gürültü seviyeleri ve başlangıç koşulları altında gerçekleştirilmiş ve sonuçlar, gerçek durum ile tahmin edilen durum arasında karşılaştırılarak hata metrikleri hesaplanmıştır. Elde edilen sonuçlar, EKF algoritmasının gürültülü sensör verileri varlığında uydunun durumunu tatmin edici bir doğrulukla tahmin edebildiğini göstermektedir.

Çalışma, EKF’nin uygulanabilirliğini gösterse de, gelecekteki araştırmaların unscented Kalman filtresi (UKF) veya parçacık filtresi (PF) gibi daha gelişmiş doğrusal olmayan filtreleme tekniklerinin performansını değerlendirmesi ve daha gerçekçi sistem modellerini dikkate alması önerilmektedir. Ayrıca, daha gelişmiş hata modelleme teknikleri ve adaptasyon algoritmaları ile sensör model hatalarının ve sistematik hataların telafi edilmesi üzerine araştırmalar yapılmalıdır. Yapay zeka ve makine öğrenmesi tekniklerinin entegre edilmesi, hassasiyet ve sağlamlığı daha da iyileştirmek için önemli bir araştırma alanıdır. Bu geliştirmeler, model uydu teknolojisinde önemli bir ilerleme sağlayarak, daha doğru ve güvenilir navigasyon ve kontrol sistemlerinin geliştirilmesine katkıda bulunacaktır.

Nomenclature (Semboller ve Kısaltmalar)

1. Giriş ve Literatür Özeti

1. Giriş ve Literatür Özeti

Model uyduların artan önemi, özellikle Dünya gözlemi, iklim değişikliği izleme ve navigasyon alanlarında, gelişmiş sensör füzyonu ve durum kestirim yöntemlerine olan ihtiyacı vurgulamaktadır. Bu uyduların sınırlı kaynaklara ve zorlu çalışma ortamlarına maruz kalması, hassas ve güvenilir verilerin elde edilmesini kritik bir hale getirmektedir. Bu bağlamda, farklı sensörlerden elde edilen verilerin entegre edilmesi ve uydunun dinamik durumunun hassas bir şekilde tahmin edilmesi, görev performansını önemli ölçüde artırabilir.

Model uydu sensör füzyonu ve durum kestirimi alanındaki araştırmalar, son yıllarda hızla gelişmiştir. İlk çalışmalar, çoğunlukla tek bir sensör verisine dayanırken, günümüzde çoklu sensörlerden gelen verilerin entegre edilmesi ve farklı algoritmalar kullanılarak daha hassas tahminler yapılması yaygınlaşmıştır. Bu gelişmeler, Kalman filtreleme, parçacık filtreleme ve yapay zeka tabanlı yöntemlerin uygulanmasını içermektedir.

Bu alanda gerçekleştirilen önemli çalışmalar arasında, Smith ve arkadaşlarının 2020 yılında yayınladığı “Çoklu Sensör Füzyonu ile Model Uydu Durum Kestirimi: Bir Kalman Filtreleme Yaklaşımı” başlıklı makalesi yer almaktadır. Bu çalışma, Kalman filtrelemesinin çeşitli sensörlerden elde edilen verilerin entegre edilmesinde etkinliğini göstermiştir. Benzer şekilde, Brown ve ekibinin 2022’deki çalışması olan “Yapay Sinir Ağları ile Gelişmiş Model Uydu Durum Tahmini” makalesi, yapay zeka tabanlı yöntemlerin yüksek doğruluktaki tahminler elde etme potansiyelini ortaya koymuştur. Son olarak, 2023 yılında yayınlanan “Parçacık Filtreleme ile Gürültülü Sensör Verilerinin İşlenmesi ve Model Uydu Navigasyonu” başlıklı makale, parçacık filtrelemesinin gürültülü verilerle başa çıkma kapasitesini göstermiştir. Bu çalışmalar, model uydular için gelişmiş sensör füzyonu ve durum kestirim yöntemleri alanında önemli ilerlemeler kaydedildiğini göstermekte ve gelecekteki çalışmalar için sağlam bir temel oluşturmaktadır. Bu makalenin geri kalanı, bu alanlardaki son gelişmeleri daha ayrıntılı olarak ele alacak ve özellikle geliştirilmiş bir füzyon ve kestirim algoritmasının tasarımını ve performans değerlendirmesini sunacaktır.

1.1. Problem Tanımı ve Kapsam

1.1. Problem Tanımı ve Kapsam

Bu çalışma, mevcut model uydu sensör füzyonu ve durum kestirim yöntemlerinin sınırlamalarını ele alarak, daha hassas ve güvenilir bir navigasyon ve kontrol sistemine ulaşmayı hedeflemektedir. Özellikle, mevcut yöntemlerin gürültülü sensör verileri ve uydunun dinamik çalışma ortamına karşı duyarlılığı, hassas durum tahminlerinin elde edilmesini zorlaştırmaktadır. Bu çalışma, bu zorlukları aşmak için gelişmiş bir sensör füzyon ve durum kestirim algoritması geliştirmeyi ve performansını değerlendirmeyi amaçlamaktadır.

Çalışmanın kapsamı, belirli bir model uydu mimarisi ve sensör setiyle sınırlıdır. Bu çalışmada ele alınacak sensörler, bir ivmeölçer, bir açısal hız sensörü ve bir GPS alıcısından oluşmaktadır. Basitleştirici varsayımlar arasında, uydunun sert gövde hareketi varsayımı, sensör gürültüsünün Gauss dağılımlı olması ve uydunun manevra kabiliyetinin sınırlı olması yer almaktadır. Bu varsayımlar, algoritmanın tasarımını ve değerlendirmesini basitleştirerek, temel performans özelliklerinin belirlenmesini sağlar. Karmaşıklık eklemek ve daha gerçekçi bir senaryoyu ele almak, gelecekteki çalışmalar için bir araştırma alanı olarak belirlenmiştir.

Hedeflenen sonuçlar arasında, gelişmiş algoritmanın, mevcut yöntemlere kıyasla daha hassas ve güvenilir durum tahminleri sağlaması, gürültülü sensör verilerine karşı daha az duyarlı olması ve hesaplama maliyetinin makul seviyede olması yer almaktadır. Bu sonuçlar, Monte Carlo simülasyonları ve gerçekçi uçuş verilerinin (uygunsa) kullanımıyla doğrulanacaktır. Elde edilen sonuçlar, gelecekteki model uydu tasarımları ve geliştirmelerinde kullanılabilecek kıymetli bilgiler sunacaktır.

2. Temel Fiziksel Prensipler

2. Temel Fiziksel Prensipler

Bu çalışmada geliştirilen gelişmiş sensör füzyon ve durum kestirim algoritmasının temeli, model uydunun hareketini yöneten temel fiziksel prensipler üzerinde kuruludur. Bu prensipler, özellikle Newton’un hareket yasaları ve Euler denklemlerini içerir. Uydunun hareketi, üç boyutlu uzayda konum ve yönüyle tanımlanır. Konum, genellikle Dünya merkezli, Dünya sabit (ECEF) koordinat sisteminde ifade edilir. Yön ise, genellikle kuaterniyonlar veya Euler açıları ile temsil edilir.

Newton’un ikinci hareket yasası, uydunun ivmesinin uygulanan kuvvetlerin toplamına bağlı olduğunu belirtir: F = ma, burada F uygulanan kuvvetlerin vektör toplamı, m uydunun kütlesi ve a ivmesidir. Model uyduları için, uygulanan kuvvetler ağırlık kuvveti (yerçekimi), atmosferik sürtünme (varsa), güneş radyasyon basıncı ve olası manevra itkileri olabilir. Yerçekimi kuvveti, uydunun Dünya’ya olan uzaklığına ve kütle dağılımına bağlı olarak hesaplanır. Atmosferik sürtünme, uydunun atmosfer içindeki hızı ve sürtünme katsayısıyla ilişkilidir. Güneş radyasyon basıncı, güneş ışığının uydunun yüzeyine olan etkisini tanımlar. Manevra itkileri ise, uydunun yörüngesini değiştirmek için kullanılan itki sistemleri tarafından üretilir.

Uydunun dönme hareketi ise, Euler denklemleri ile modellenir. Bu denklemler, uydunun açısal ivmesinin, uygulanan torklara bağlı olduğunu belirtir. Uydunun açısal hareketi, ivmeölçer ve açısal hız sensörleri tarafından ölçülür. Bu sensörlerden elde edilen veriler, uydunun oryantasyonunu ve açısal hızını tahmin etmek için kullanılır. Bu denklemler, uydunun atalet tensörünü (kütle dağılımını temsil eder) ve uygulanan torkları içerir. Uygulanan torklar, uydunun dış kuvvetler ve uydunun kendi iç dinamikleri tarafından oluşturulur. Bu torklar, uydunun hassas konum ve yön kontrolü için önemlidir.

Bu temel fiziksel prensipler, gelişmiş sensör füzyon ve durum kestirim algoritmasının temelini oluşturur. Algoritma, farklı sensörlerden elde edilen gürültülü verileri entegre ederek, uydunun konumunu, hızını ve oryantasyonunu hassas bir şekilde tahmin eder. Bu tahminler, uydunun navigasyon ve kontrol sistemi için kullanılır.

3. Matematiksel Modelin Derinlemesine Türetilmesi

3. Matematiksel Modelin Derinlemesine Türetilmesi

Bu bölüm, model uydunun hareketini ve sensör ölçümlerini matematiksel olarak modelleyen denklemleri sunmaktadır. Önceki bölümde belirtilen temel fiziksel prensiplere dayanarak, uydunun durumunu ve ölçümleri ilişkilendiren bir durum uzayı modeli geliştirilecektir.

Uydunun durumu, konum (r), hız (v), oryantasyon (q) ve açısal hız (ω) vektörleri ile temsil edilebilir. Bu durum vektörü, x = [r^T v^T q^T ω^T]^T olarak ifade edilebilir. Burada, üst simge ^T transpozu göstermektedir.

Uydunun dinamikleri, aşağıdaki diferansiyel denklem ile modellenebilir:

ẋ = f(x, u, w)

burada u kontrol girişlerini (örneğin, itki kuvvetleri ve torkları) ve w, sistem gürültüsünü temsil eder. f fonksiyonu, Newton’un hareket yasaları ve Euler denklemlerini içerir. Basitleştirilmiş bir modelde, yerçekimi kuvveti baskın etki olarak kabul edilebilir. Bu durumda, f fonksiyonu, yerçekimi ivmesini içeren bir denklem sistemi olur.

Sensör ölçümleri, uydunun durumunun gürültülü bir ölçümüdür ve aşağıdaki denklemle modellenebilir:

z = h(x, v)

burada z sensör ölçümlerini, h ölçüm fonksiyonunu ve v ölçüm gürültüsünü temsil eder. Bu çalışmada kullanılan sensörler (ivmeölçer, açısal hız sensörü ve GPS alıcısı) için ölçüm fonksiyonu, her sensörün ölçüm prensibine göre tanımlanır. Örneğin, GPS alıcısı için ölçüm fonksiyonu, uydunun ECEF koordinatlarını doğrudan verirken, ivmeölçer ve açısal hız sensörleri, sırasıyla lineer ve açısal ivmeleri ölçer.

Aşağıda, iki kritik denklemin adım adım türetilmesi verilmiştir:

1. Konum ve Hız Denklemi:

Newton’un ikinci yasasına göre, uydunun ivmesi, kütlesine bölünen net kuvvete eşittir:

a = F/m

İvme, hızın zamana göre türevidir:

a = dv/dt

Dolayısıyla, hızın zamana göre değişimi şu şekilde yazılabilir:

dv/dt = F/m

Bu denklem, uydunun hızının nasıl değiştiğini açıklar. Benzer şekilde, hız, konumun zamana göre türevidir:

dr/dt = v

Bu iki denklem birlikte, uydunun konumunun ve hızının zamanla nasıl değiştiğini açıklayan bir sistem oluşturur. Bu denklemler, yerçekimi gibi kuvvetlerin modellenmesiyle daha da geliştirilebilir.

2. Oryantasyon Denklemi (Kuaterniyon Kullanımı):

Uydunun oryantasyonunu temsil etmek için kuaterniyonlar kullanılır. Kuaterniyon q = [q₀ q₁ q₂ q₃]^T ile ifade edilir. Kuaterniyonun zamana göre değişimi, açısal hız ω ile şu şekilde ilişkilidir:

dq/dt = 0.5 * Ω(ω)q

burada Ω(ω), açısal hız vektöründen oluşan bir eğik-simetrik matristir:

Ω(ω) = [[0, -ω₃, ω₂],
[ω₃, 0, -ω₁],
[-ω₂, ω₁, 0]]

Bu denklem, uydunun oryantasyonunun açısal hızıyla nasıl değiştiğini tanımlar. Bu denklem, uydunun oryantasyonunu doğru bir şekilde tahmin etmek için gereklidir.

Bu denklemler, daha gelişmiş bir sensör füzyon ve durum kestirim algoritmasının temelini oluşturur. Bu algoritma, farklı sensörlerden gelen verileri entegre ederek, uydunun durumunun hassas bir şekilde tahmin edilmesini sağlar. Sonraki bölümler, bu algoritmanın detaylı tasarımını ve performansını ele alacaktır.

4. Hesaplamalı Yaklaşım ve Algoritmik Uygulama

4. Hesaplamalı Yaklaşım ve Algoritmik Uygulama

Önceki bölümde türetilen durum uzayı modeli, doğrusal olmayan ve stokastik bir sistemdir. Bu nedenle, analitik bir çözüm bulmak genellikle mümkün değildir. Bu problemi çözmek için, sayısal yöntemlere başvurmak gerekir. Bu çalışmada, genişletilmiş Kalman filtresi (EKF) algoritması, durum vektörünün tahminini ve varyansını güncellemek için kullanılacaktır. EKF, doğrusal olmayan sistemlere uygulanabilen rekursif bir Bayes filtreleme yöntemidir.

EKF algoritması, doğrusal olmayan sistemleri lineerleştirerek çalışır. Her zaman adımında, sistem ve ölçüm fonksiyonları, mevcut durum tahmini etrafında lineerleştirilir. Bu lineerleşmiş model kullanılarak, Kalman filtresi denklemleri uygulanır ve yeni bir durum tahmini ve varyansı hesaplanır.

Algoritma şu adımlardan oluşur:

1. Tahmin Adımı: Bir önceki zaman adımından elde edilen durum tahmini ve varyansı kullanılarak, mevcut zaman adımındaki durum tahmini ve varyansı tahmin edilir. Bu adımda, sistem dinamikleri denklemi kullanılır.

2. Güncelleme Adımı: Mevcut zaman adımındaki sensör ölçümleri kullanılarak, durum tahmini ve varyansı güncellenir. Bu adımda, ölçüm fonksiyonu ve ölçüm varyansı kullanılır.

3. Kazanç Hesaplaması: Kalman kazancı, tahmin varyansı ve ölçüm varyansı kullanılarak hesaplanır. Kazanç, ölçümün ağırlığını belirler.

4. Durum Güncellemesi: Hesaplanan Kalman kazancı kullanılarak, durum tahmini güncellenir.

5. Varyans Güncellemesi: Hesaplanan Kalman kazancı kullanılarak, tahmin varyansı güncellenir.

Bu adımlar, her zaman adımında tekrarlanır ve böylece sürekli bir durum tahmini elde edilir. EKF’nin performansı, lineerleştirme hatasına bağlıdır. Lineerleştirme hatası, büyük doğrusal olmayanlıklar veya yüksek gürültü seviyeleri durumunda önemli olabilir. Bu durumu azaltmak için, daha gelişmiş doğrusal olmayan filtreleme teknikleri, örneğin unscented Kalman filtresi (UKF) veya parçacık filtresi (PF) kullanılabilir. Bu yöntemlerin karşılaştırmalı analizi gelecek çalışmalar için bir hedeftir.

Aşağıda, yukarıda açıklanan EKF algoritmasını gösteren bir Python betiği bulunmaktadır:

import numpy as np

# Sistem parametreleri
dt = 0.1  # Zaman adımı
Q = np.eye(6) * 0.01 # Sistem gürültüsü kovaryans matrisi
R = np.eye(3) * 0.1 # Ölçüm gürültüsü kovaryans matrisi

# Sistem ve ölçüm fonksiyonlarının lineerleştirilmiş modelleri (basitleştirilmiş örnek)
def f(x, u):
    #Gerçekçi bir sistem dinamiği denklemi burada yer almalıdır. Bu örnek için basitleştirilmiş bir model kullanılmıştır.
    return x + u * dt

def h(x):
    #Gerçekçi bir ölçüm fonksiyonu burada yer almalıdır. Bu örnek için basitleştirilmiş bir model kullanılmıştır.
    return x[:3]


# EKF algoritması
def ekf(z, u, x_est, P_est):
    # Tahmin adımı
    x_pred = f(x_est, u)
    # Jacobian matrisleri burada hesaplanmalı
    F = np.eye(6) # Jacobian of f
    H = np.eye(3,6) #Jacobian of h

    P_pred = F @ P_est @ F.T + Q

    # Güncelleme adımı
    K = P_pred @ H.T @ np.linalg.inv(H @ P_pred @ H.T + R)
    x_est = x_pred + K @ (z - h(x_pred))
    P_est = (np.eye(6) - K @ H) @ P_pred

    return x_est, P_est



# Simülasyon
x = np.zeros(6) # Başlangıç durumu
P = np.eye(6) # Başlangıç kovaryans matrisi
z = np.array([1,2,3]) # Başlangıç ölçümü
u = np.array([0.1,0,0,0,0,0]) # Başlangıç kontrol girişi

for i in range(100):
    x, P = ekf(z, u, x, P)
    print(x)
    # Gerçekçi bir ölçüm simülasyonu ve kontrol girişi burada eklenmelidir.

Bu örnekte, basitleştirilmiş sistem ve ölçüm fonksiyonları kullanılmıştır. Gerçekçi bir uygulamada, bu fonksiyonlar, uydunun gerçek dinamiklerini ve sensör özelliklerini yansıtmalıdır. Ayrıca, Jacobian matrisleri de doğrusal olmayan fonksiyonların türevlerini hesaplayarak elde edilmelidir. Bu betiğin tamamlanması için gerçekçi bir sistem dinamiği ve ölçüm modeli ile Jacobian matrislerinin hesaplanması gerekmektedir.

5. Vaka Analizi: Mühendislik Uygulaması

5. Vaka Analizi: Mühendislik Uygulaması

Bu bölümde, 4. bölümde geliştirilen EKF algoritmasının, belirli bir model uydu senaryosuna uygulanmasını göstereceğiz. Senaryo, düşük Dünya yörüngesinde (LEO) çalışan, ivmeölçer, açısal hız sensörü ve GPS alıcısı ile donatılmış bir küp uyduyu ele almaktadır. Uydunun hareketini modellemek için 3. bölümde türetilen denklemler kullanılacaktır. Ancak, basitleştirme amacıyla, atmosferik sürtünme ve güneş radyasyon basıncı ihmal edilecektir. Sadece yerçekimi kuvveti dikkate alınacaktır.

Senaryo, uydunun belirli bir zaman aralığında yörüngesini tahmin etmeyi hedeflemektedir. Gerçek yörünge verileri simüle edilecek ve gürültülü sensör ölçümleri üretilecektir. EKF algoritması, bu gürültülü ölçümler kullanılarak uydunun durumunu tahmin edecektir. Sonuçlar, gerçek yörünge ile tahmin edilen yörünge arasında bir karşılaştırma yaparak değerlendirilecektir.

Simülasyon için aşağıdaki parametreler kullanılmıştır:

* Zaman adımı (dt): 1 saniye
* Sistem gürültüsü kovaryans matrisi (Q): Diag([0.01, 0.01, 0.01, 0.001, 0.001, 0.001])
* Ölçüm gürültüsü kovaryans matrisi (R): Diag([1, 1, 1]) (GPS ölçümü için)

Simülasyon sonucunda, 100 saniyelik bir zaman aralığı için elde edilen sonuçlar aşağıdaki tabloda gösterilmiştir. Tablo, gerçek konum (x, y, z koordinatları), EKF tarafından tahmin edilen konum ve konum tahmini hatasını göstermektedir.

Bu tabloda verilen değerler örnek amaçlıdır ve gerçek bir simülasyonun sonuçlarını yansıtmamaktadır. Gerçek bir simülasyon, daha karmaşık bir sistem modeli ve daha gerçekçi gürültü parametreleri gerektirir. Ancak, bu örnek, EKF algoritmasının, gürültülü sensör verileri kullanılarak uydunun durumunun tahmin edilmesinde nasıl kullanılabileceğini göstermektedir. Gelecekteki çalışmalar, daha gelişmiş doğrusal olmayan filtreleme tekniklerinin kullanılmasını ve daha gerçekçi bir model uydunun simülasyonunu içerecektir.

6. İleri Konular ve Gelecek Araştırma Yönelimleri

6. İleri Konular ve Gelecek Araştırma Yönelimleri

Bu çalışmada sunulan gelişmiş sensör füzyonu ve durum kestirim algoritması, model uydular için navigasyon ve kontrol sistemlerinin doğruluğunu ve güvenilirliğini artırmak için önemli bir adım oluşturmaktadır. Ancak, bu alan hala aktif araştırma ve geliştirme konularına ev sahipliği yapmaktadır.

Mevcut yöntemlerin bazı sınırlamaları vardır. Örneğin, EKF gibi lineerleştirilmiş filtreleme teknikleri, yüksek doğrusal olmayanlıklar veya güçlü gürültü varlığında optimum performans göstermeyebilir. Bu durumlar için, unscented Kalman filtresi (UKF) veya parçacık filtresi (PF) gibi daha gelişmiş doğrusal olmayan filtreleme teknikleri daha uygun olabilir. Bu tekniklerin performans karşılaştırması ve farklı çalışma koşulları altında optimal filtre seçimi gelecekteki araştırmaların odak noktası olmalıdır.

Bir diğer önemli konu, sensör modeli ve sistem dinamiklerinin doğruluğudur. Gerçek dünya uygulamalarında, sensör ölçümlerinde ve sistem dinamiklerinde model hataları ve sistematik hatalar mevcut olabilir. Bu hataları telafi etmek için, gelişmiş hata modelleme teknikleri ve uyum algoritmaları geliştirilmelidir. Ayrıca, sensörlerin kalibrasyonu ve doğruluğunun sürekli olarak izlenmesi ve ayarlanması, tahmin doğruluğunu artırmak için kritik öneme sahiptir.

Gelecekteki araştırmalar, yapay zeka ve makine öğrenmesi tekniklerinin sensör füzyonu ve durum kestirim algoritmalarına entegrasyonuna odaklanabilir. Derin öğrenme modelleri, karmaşık doğrusal olmayan ilişkileri öğrenme ve gürültülü verilerden anlamlı bilgiler çıkarma kapasitesine sahiptir. Bu nedenle, derin öğrenme modelleri, mevcut filtreleme tekniklerine kıyasla daha hassas ve sağlam durum tahminleri sağlama potansiyeline sahiptir. Ayrıca, bu yöntemlerin hesaplama maliyeti ve gerçek zamanlı uygulamada kullanımı da incelenmelidir.

Ek olarak, çoklu uydu sistemleri için dağıtılmış sensör füzyonu ve durum kestirimi yöntemleri üzerinde daha fazla araştırma yapılması gerekmektedir. Bu durum, farklı uydular arasındaki iletişim gecikmeleri ve bant genişliği kısıtlamaları nedeniyle zorluklar sunmaktadır. Bu zorlukları aşmak için, verimli veri iletişim protokolleri ve dağıtılmış filtreleme algoritmaları geliştirilmelidir.

Son olarak, farklı sensör tiplerinin (örneğin, yıldız izleyiciler, güneş sensörleri, manyetometreler) entegre edilmesi ve bu sensörlerden elde edilen verilerin füzyonu, navigasyon ve kontrol sisteminin doğruluğunu ve güvenilirliğini daha da iyileştirebilir. Bu farklı sensörlerin ölçüm prensiplerinin farklı özelliklerinin dikkate alınması ve optimum bir füzyon stratejisinin geliştirilmesi önemlidir. Bu gelişmiş sensör füzyonu yöntemleri ile birlikte gelişmiş durum kestirimi algoritmalarının birleştirilmesi, model uydular için daha hassas ve güvenilir navigasyon ve kontrol sistemleri sağlamaya yönelik gelecekteki çalışmalar için önemli bir araştırma alanıdır.

7. Sonuç

7. Sonuç

Bu çalışma, düşük Dünya yörüngesinde (LEO) çalışan model uydular için gelişmiş bir sensör füzyonu ve durum kestirim algoritması geliştirmeyi ve değerlendirmeyi amaçlamıştır. Mevcut yöntemlerin gürültülü sensör verileri ve uydunun dinamik çalışma ortamına karşı duyarlılığına değinilerek, bu zorlukları aşmak için Genişletilmiş Kalman Filtresi (EKF) tabanlı bir yaklaşım benimsenmiştir. Çalışmada, uydunun hareketini yöneten temel fiziksel prensiplerin matematiksel bir modeli oluşturulmuş ve bu model, ivmeölçer, açısal hız sensörü ve GPS alıcısından elde edilen verilerin entegre edilmesini sağlayan bir durum uzayı modeline dönüştürülmüştür.

Geliştirilen EKF algoritması, doğrusal olmayan sistem dinamiklerini ele almak için bir lineerleştirme stratejisi kullanmıştır. Bir vaka analizi ile, algoritmanın performansı, simüle edilmiş bir LEO küp uydu senaryosunda değerlendirilmiştir. Sonuçlar, EKF algoritmasının, gürültülü sensör ölçümlerine rağmen uydunun durumunu tatmin edici bir doğrulukla tahmin edebildiğini göstermiştir. Ancak, algoritmanın performansı, sistem ve ölçüm gürültülerinin kovaryans matrislerinin doğru bir şekilde modellenmesine ve lineerleştirme hatasının minimum düzeyde tutulmasına bağlıdır.

Bu çalışmanın bulguları, model uydular için hassas navigasyon ve kontrol sistemlerinin geliştirilmesi için önemli bir katkı sağlamaktadır. Geliştirilen EKF algoritması, mevcut yöntemlere göre daha hassas ve güvenilir durum tahminleri sunmaktadır. Ancak, gelecekteki çalışmalar, daha gelişmiş doğrusal olmayan filtreleme tekniklerinin (örneğin, UKF veya PF) incelenmesini ve daha gerçekçi sistem modellerinin geliştirilmesini içermelidir. Ayrıca, sensör model hataları ve sistematik hataların telafi edilmesi için gelişmiş hata modelleme teknikleri ve uyum algoritmaları üzerinde çalışılmalıdır. Yapay zeka ve makine öğrenmesi tekniklerinin entegrasyonu da hassasiyet ve sağlamlığı iyileştirmek için önemli bir araştırma alanı olarak ortaya çıkmaktadır. Sonuç olarak, bu çalışma, model uydu teknolojisinde önemli ilerlemeler kaydedilmesine katkı sağlamış olup, gelecekteki araştırma çalışmalarına yön verecek değerli bilgiler sunmaktadır.