İnsansız Hava Araçlarının Otokodlayıcı Derin Sinir Ağı Kullanılarak Arazi Temelli Navigasyon ile Konum Tespiti

Uydu Konum Belirleme Sistemleri (GNSS) ve başta GPS olmak üzere bu sistemlerin sağladığı konumlandırma bilgisi, insansız hava araçları (İHA) navigasyonu için kritik öneme sahiptir. Ancak GNSS sinyalleri, kanyonlar ve yoğun kentsel alanlar gibi bazı ortamlarda engellenebilir, zayıflayabilir veya kasten karıştırılabilir. Bu durum, İHA'ların güvenli ve otonom uçuş kabiliyetlerini olumsuz etkilemektedir. Bu çalışmanın amacı, GNSS sinyallerine bağımlı kalmadan, karmaşık çevresel koşullarda bile İHA navigasyonu için otokodlayıcı sinir ağlarını kullanmanın etkinliğini araştırmaktır. Otokodlayıcı sinir ağları, görsel verilerden karmaşık temsiller öğrenme konusunda son derece başarılıdır ve bu sayede İHA'nın çevresini algılama ve konumunu belirlemede kullanılabilirler. Çalışmada, Google Haritalar verileri ve İHA tarafından yakalanan nadir görüntülerinden oluşan bir veri seti oluşturulmuştur. Google Haritalar veri seti kullanılarak, otokodlayıcı sinir ağı eğitilmiştir. Eğitilen sinir ağı temelli algortima, İHA tarafından yakalanan nadir görüntüsünü işlemekte ve bu görüntüyü önceden işlenmiş bir harita üzerinde şablon eşleme algoritmaları ile yüksek doğrulukla konumlandırabilmektedir. Bu çalışmanın bulguları, GNSS harici İHA navigasyonu için yeni bir yöntem sunmaktadır. Otokodlayıcı sinir ağları temelli navigasyon algoritmaları, İHA'ların daha karmaşık görevlerde GNSS sinyallerinin bozulması ihtimaline karşı yedek bir navigasyon sistemi olarak güvenilir ve etkin bir şekilde kullanılarak bu teknolojinin potansiyelini önemli ölçüde artırabilir. Gelecekteki araştırmalar, otokodlayıcı sinir ağları temelli İHA navigasyonunun performansını daha da geliştirmeye odaklanabilir. Bu bağlamda, yüksek çözünürlüklü sayısal yükseklik modeli haritalarının kullanımı, daha kapsamlı ve doğru etiketlenmiş veri setleri ile eğitilmeleri, görsel özelliklerin daha iyi öğrenilmesine ve daha sağlam bir navigasyon sistemi geliştirilmesine olanak tanıyabilir. Kalman filtresi gibi yöntemlerin entegrasyonu ise sensör hatalarının ve çevresel belirsizliklerin etkisini azaltarak konum tahminlerinin hassasiyetini ve güvenilirliğini yükseltebilir. Farklı uzamsal çözünürlüklerde haritalar içeren piramit veri yapıları da otokodlayıcıların farklı ölçeklerde görsel bilgileri işleyebilmesine imkân tanıyarak konumlandırma başarımını yükseltebilir. Bu unsurların araştırılması ve geliştirilmesi, otokodlayıcıların İHA navigasyonundaki başarısını önemli ölçüde yükseltme potansiyeline sahiptir. Ek olarak, bu ek faktörlerin gerçek dünya koşullarında test edilmesi ve pratik uygulamalara entegre edilmesi, teknolojinin olgunlaşmasına ve güvenilirliğinin artmasına katkıda bulunacaktır. Anahtar Kelimeler: Otokodlayıcı Sinir Ağları, Görsel Navigasyon, Yapay Zekâ, İHA Görsel Navigasyon, Bilgisayarlı görü