سیستم های فازی و کاربردها

سیستم های فازی و کاربردها

طراحی پهپاد مسیریاب هوشمند با استفاده از یادگیری عمیق و منطق فازی

نوع مقاله : مقاله پژوهشی

نویسندگان
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، ایران
10.22034/jfsa.2024.454778.1203
چکیده
پهپادها (Drone) ربات های پرندەای هستند که با ساختارهای مختلف قابلیت پرواز بدون سرنشین را دارند و مͬی توانند تا حدی از هوشمندی برای تصمیم گیری مناسب در موقعیت های جدید بهرەمند شوند. همچنین، با پیشرفت هوش مصنوعͬ (AI) در سال‌های اخیر، کاربرد آن در اکثر شاخه های دیگر قابل مشاهده است. این مقاله یک پهپاد هوشمند را ارائه مͬی دهد که قادر به مانور صحیح هنگام پرواز بر روی جادەها است. به این منظور از یک شبکه یادگیری عمیق (Network Learning Deep) استفاده شده که برای آموزش آن، مجموعه داده بزرگͬی از تصاویر طبیعت و جادەهای شهری جمع آوری شده است و از منطق فازی (Logic Fuzzy)برای به دست آوردن بهترین زاویه و سرعتͬ که پهپاد را در مسیر نگه مͬی دارد، استفاده شده است. سیستم منطق فازی به عنوان یک لایه واسط بین جزء یادگیری عمیق و سیستم کنترل پرواز پهپاد عمل مͬی کند. این سیستم بر اساس دادەهای سنسور بلادرنگ و خروجͬی شبکه یادگیری عمیق، مسیر پرواز و کنترل سرعت را اصلاح مͬ کند.دقت شبکه یادگیری عمیق استفاده شده در این مقاله نسبت به دقت شبکەهای یادگیری عمیق مورد استفاده در موارد مشابه بهبود یافته است. هدف این است که با گسترش مجموعه داده‌ها و شبکه نسبت به کارهای قبل،ͬ دقت یادگیری را بهبود بخشیده و با استفاده از منطق فازی پیچیدگͬی را کاهش دهیم. سیستم طراحͬی شده مذکور، بر روی یک هگزاکوپتر (Hexacopter) اجرا گردیده و در جاده های خارج از شهر و در ارتفاع پایین مورد بررسͬ قرار گرفت. این دقت برابر 93.18 درصد است که این نتیحه حاکͬی از عملکرد قابل قبول آن بود. با این وجود مͬی توان جهت افزایش دقت و کمک به تصمیم گیری بهتر منطق فازی از سنسورهای فاصله سنج در اطراف پهپاد و یا از دوربین های استریو بر روی پهپاد استفاده کرد.
کلیدواژه‌ها
موضوعات

[1]مغاری, فتحعلی, جعفر, براتی. ‎(2021)‎ الگوریتم مسیریابی دو هدفه مبتنی بر منطق فازی ربات‌های متحرک در محیط‌های پویای ناشناخته خلوت. سیستم های فازی و کاربردها,شماره ‎1‎, صص ‎1‎ تا ‎21‎. 
[2]    Ahmed, T., Rahman, T., Roy, B. B., & Uddin, J. (2021). Drone Detection by Neural Network Using GLCM and SURF. Journal of Information Systems and Telecommunication, 9(33), 15-24.
[3]    Al-Sharman, M. K., Zweiri, Y., Jaradat, M. A. K., Al-Husari, R., Gan, D., & Seneviratne, L. D. (2019). Deep-learning-based neural network training for state estimation enhancement: Application to attitude estimation. IEEE Transactions on Instrumentation and Measurement, 69(1), 24-34.
 
[4]    Bezas, K., Tsoumanis, G., Angelis, C. T., & Oikonomou, K. (2022). Coverage path planning and point-of-interest detection using autonomous drone swarms. Sensors, 22(19), 7551.
[5]    Brownlee, J. (2019). How to configure image data augmentation in Keras. Machine Learning Mastery, 5.
[6]    Chamayou, G. (2015). A Theory of the Drone. New Press, The.
[7]    Chen, Q., Chen, J., & Huang, W. (2022). Pathfinding method for an indoor drone based on a BIM- semantic model. Advanced Engineering Informatics, 53, 101686.
[8]    Diller, J., & Han, Q. (2023). Energy-Aware Drone Path Finding with a Fixed-Trajectory Ground Vehicle.
[9]    Dorrani, Z., Farsi, H., & Mohammadzadeh, S. (2022). Edge detection and identification using deep learning to identify vehicles. Journal of Information Systems and Telecommunication (JIST), 3(39), 201.
[10]        Do, T., Carrillo-Arce, L. C., & Roumeliotis, S. I. (2019). High-speed autonomous quadrotor navigation through visual and inertial paths. The International Journal of Robotics Research, 38(4), 486-504.
[11]    ermaugan, U., Yildiz, B., & Salman, F. S. (2022). A learning based algorithm for drone routing. Computers & Operations Research, 137, 105524.
[12]    Giusti, A., Guzzi, J., Ciresan, D. C., He, F. L., Rodriguez, J. P., Fontana, F., ... & Gambardella, L.M. (2015). A machine learning approach to visual perception of forest trails for mobile robots. IEEE Robotics and Automation Letters, 1(2), 661-667.
[13]        Hafez-Kolahi, H., & Kasaei, S. (2019). Information bottleneck and its applications in deep learning. arXiv preprint arXiv:1904.03743.
[14]        Jindal, K., & Aron, R. (2022). A hybrid machine learning approach for sentiment analysis of beauty products reviews. Journal of Information Systems and Telecommunication (JIST), 1(37), 1.
[15]        Jung, S., Hwang, S., Shin, H., & Shim, D. H. (2018). Perception, guidance, and navigation for indoor autonomous drone racing using deep learning. IEEE Robotics and Automation Letters, 3(3), 2539-2544.
[16]        Kim, D. K., & Chen, T. (2015). Deep neural network for real-time autonomous indoor navigation. arXiv preprint arXiv:1511.04668.
[17]        Kulkarni, P. V., Rai, S., Sachdeo, R., & Kale, R. (2023). Deep Learning-based Educational User Profile and User Rating Recommendation System for E-Learning. Journal of Information Systems and Telecommunication (JIST), 3(43), 185.
[18]        Kilic, K. I., & Mostarda, L. (2021). Heuristic drone pathfinding over optimized charging station grid. IEEE Access, 9, 164070-164089.
 
[19]        MJ, C. M. B. (2023). Convolutional Neural Networks for Medical Image Segmentation and Classification: A Review. Journal of Information Systems and Telecommunication (JIST), 4(44), 347.
[20]        Mozaffari, F., Raeesi Vanani, I., Mahmoudian, P., & Sohrabi, B. (2023). Application of Machine Learning in the Telecommunications Industry: Partial Churn Prediction by using a Hybrid Feature Selection Approach. Journal of Information Systems and Telecommunication (JIST), 4(44), 331.
[21]    Ricco, J. (2017). What is max pooling in convolutional neural networks.
[22]        Resendiz, V. M. A., & Rivas-Araiza, E. A. (2016). System Identification of a Quad-rotor in X Con- figuration from Experimental Data. Res. Comput. Sci., 118, 77-86.
[23]        Sanchez-Lopez, J. L., Sampedro, C., Cazzato, D., & Voos, H. (2019, June). Deep learning based semantic situation awareness system for multirotor aerial robots using LIDAR. In 2019 International Conference on Unmanned Aircraft Systems (ICUAS) (pp. 899-908). IEEE.
[24]        Sandooghdar, A., & Yaghmaee, F. (2022). Deep learning approach for cardiac MRI images. Journal of Information Systems and Telecommunication (JIST), 1(37), 61.
[25]        Schedl, D. C., Kurmi, I., & Bimber, O. (2021). An autonomous drone for search and rescue in forests using airborne optical sectioning. Science Robotics, 6(55), eabg1188.
[26]        Santana, P., Correia, L., Mendon;:a, R., Alves, N., & Barata, J. (2013). Tracking natural trails with swarm-based visual saliency. Journal of Field Robotics, 30(1), 64-86.
[27]    Tch, A. (2017). The mostly complete chart of Neural Networks, explained. Online Medium.
[28]    Vo, A. (2018). Deep Learning-Computer Vision and Convolutional Neural Networks,".
[29]    Yiu, T. (2019). Understanding neural networks. Towards Data Science, 2.
[30]    Zadeh, L. A. (1965), Fuzzy sets. Information and Control, 
دوره 7، شماره 1 - شماره پیاپی 14
بیانیه دسترسی آزاد
تیر 1403
صفحه 189-207

  • تاریخ دریافت 10 اردیبهشت 1403
  • تاریخ بازنگری 26 مرداد 1403
  • تاریخ پذیرش 21 شهریور 1403