بهبود عملکرد سیستم های ناوبری پهپاد با استفاده از الگوریتم های پردازش سیگنال تطبیقی و یادگیری عمیق

سیستم های ناوبری پهپادها در محیط های پویا و پیچیده با چالش های متعددی از جمله نویز سیگنال، تداخل چندمسیره، و وابستگی به زیرساخت های خارجی مانند GPS مواجه هستند. این مقاله یک چارچوب ترکیبی نوین را معرفی می کند که الگوریتم های پردازش سیگنال تطبیقی (مانند LMS و RLS) و مدل های یادگیری عمیق (شامل CNN و LSTM) را برای بهبود دقت، مقاومت و کارایی سیستم های ناوبری پهپادها ادغام می نماید. در این پژوهش، از الگوریتم های تطبیقی برای کاهش نویز و بهبود کیفیت سیگنال های دریافتی در زمان واقعی استفاده شده است، در حالی که شبکه های عصبی عمیق مسئولیت ادغام داده های چندسنسوره و پیش بینی مسیر بهینه را بر عهده دارند. نتایج آزمایش ها در محیط های شبیه سازی شده و واقعی نشان می دهند که سیستم پیشنهادی خطای موقعیتیابی را تا 40٪ نسبت به روش های مبتنی بر فیلتر کالمن کاهش می دهد و مصرف منابع محاسباتی را تا 25٪ بهینه سازی می کند. این رویکرد ترکیبی، پلی میان روش های مبتنی بر مدل و داده محور ایجاد کرده و قابلیت اجرا در کاربردهای حیاتی مانند امداد و نجات، نظارت محیطی و حملونقل هوایی شهری را داراست.

کلیدواژه ها:

پردازش سیگنال تطبیقی ، یادگیری عمیق ، ناوبری پهپاد ، ادغام سنسورها ، محیط های فاقد GPS.