چارچوبی مبتنی بر شبکه عصبی کانولوشنی (CNN) برای فرود خودکار هواپیما با استفاده از ترکیب سنسورهای بصری و فروسرخ

فرود خودکار هواپیما یکی از مراحل حیاتی و پیچیده پرواز است که دقت و اطمینان پذیری بالایی را در سیستم های ناوبری طلب می کند. سیستم های سنتی مانند GPS و ILS در شرایطی مانند آب و هوای نامساعد یا در محیط های با امکان اختلال سیگنال، با محدودیت های جدی مواجه هستند. این مقاله یک چارچوب نوین مبتنی بر شبکه های عصبی کانولوشنی (CNN) را برای فرود خودکار هواپیماهای بال ثابت ارائه می دهد که با همجوشی داده های سنسورهای بصری (مرئی) و فروسرخ (Infrared)، بر این چالش ها غلبه می کند. در این چارچوب، از یک شبکه عصبی سبک و بهینه برای استخراج ویژگی های کلیدی باند فرود، مانند گوشه ها و لبه ها، از تصاویر فروسرخ استفاده می شود که امکان تشخیص دقیق را حتی در شرایط دید کم (مانند مه یا تاریکی شب) فراهم می آورد. سپس، داده های استخراج شده از هر دو سنسور با اطلاعات سیستم ناوبری اینرسی (IMU) در یک چارچوب فیلترینگ پیشرفته (مانند فیلتر کالمن کوبیچر مبتنی بر کنترل فیدبک) ترکیب می شوند تا تخمین دقیق و بدون دریفت از موقعیت و وضعیت هواپیما در لحظه ارائه گردد. نتایج حاصل از آزمایش های پروازی واقعی نشان می دهد که این رویکرد قادر است خطای موقعیت را به کمتر از یک متر و خطای وضعیت را به کسری از درجه کاهش دهد و الزامات ناوبری دقیق برای فرود ایمن و خودکار را برآورده سازد.

کلیدواژه ها:

فرود خودکار ، شبکه عصبی کانولوشنی ، همجوشی سنسور ، بینایی ماشین ، ناوبری بصری-اینرسی