Location Detection of Unmanned Aerial Vehicles with Terrain-Based Navigation Using Autoencoder Deep Neural Network

Abstract in Turkish

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.

Abstract in English

Global Navigation Satellite Systems (GNSS), primarily GPS, provide critical positioning information for unmanned aerial vehicle (UAV) navigation. However, GNSS signals can be obstructed, weakened, or intentionally jammed in certain environments, such as canyons and dense urban areas. This adversely affects the safe and autonomous flight capabilities of UAVs.

This study aims to investigate the effectiveness of using autoencoder neural networks for UAV navigation in complex environmental conditions, without relying on GNSS signals. Autoencoder neural networks are highly successful in learning complex representations from visual data, and thus can be utilized for UAV environment perception and position estimation.

The study created a dataset consisting of Google Maps data and nadir images captured by the UAV. The autoencoder neural network was trained using the Google Maps dataset. The trained neural network-based algorithm processes the nadir image captured by the UAV and can locate it on a pre-processed map with high accuracy using template matching algorithms.

The findings of this study offer a novel approach for GNSS-independent UAV navigation. Autoencoder neural network-based navigation algorithms can significantly enhance the potential of this technology by serving as a reliable and effective backup navigation system against the possibility of GNSS signal degradation in more complex missions.

Future research can focus on further improving the performance of autoencoder neural network-based UAV navigation. In this context, the use of high-resolution digital elevation model maps, training with more comprehensive and accurately labeled datasets, and better learning of visual features can facilitate the development of a more robust navigation system. Additionally, integrating methods such as the Kalman filter can reduce the impact of sensor errors and environmental uncertainties, thereby enhancing the accuracy and reliability of position estimates. Pyramid data structures containing maps at different spatial resolutions can also enable autoencoders to process visual information at different scales, potentially improving positioning performance. Researching and developing these elements has the potential to significantly enhance the success of autoencoders in UAV navigation. Furthermore, testing these additional factors in real-world conditions and integrating them into practical applications will contribute to the maturation and increased reliability of the technology.

Keywords in Turkish

• Otokodlayıcı Sinir Ağları
• Görsel Navigasyon
• Yapay Zekâ
• İHA Görsel Navigasyon
• Bilgisayarlı görü

Keywords in English

• Autoencoder Neural Networks
• Visual Navigation
• Computer Vision
• Image Processing
• Template Matching Algorithms