Geri Dön

Savaş alanında durumsal farkındalık için yapay zeka destekli veri füzyonu

Artificial intelligence-assisted data fusion for situational awareness in the battlefield

PDF İndir

  1. Tez No: 1001638
  2. Yazar: HAVVANUR BOZÖMEROĞLU
  3. Danışmanlar: DR. ÖĞR. ÜYESİ EBU YUSUF GÜVEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışması, savaş alanları gibi dinamik ve belirsizliğin yüksek olduğu ortamlarda, Küresel Uydu Seyrüsefer Sistemi (Global Navigation Satellite System – GNSS) sinyallerinin güvenilirliğinin azaldığı veya tamamen kaybolduğu durumlar için insansız hava araçlarının (İHA) konum ve yönelim kestirim doğruluğunu artırmayı amaçlamaktadır. Geleneksel seyrüsefer sistemleri çoğunlukla fiziksel modellere dayalı filtreleme yöntemleri kullanmakta olup, bu yaklaşımlar manyetik bozulmalar, ani manevralar ve düşük maliyetli sensörlerin karmaşık hata karakteristikleri karşısında doğruluk ve kararlılık kaybı yaşayabilmektedir. Ayrıca bu yöntemlerin önemli bir kısmı, güvenilir sonuçlar üretebilmek için belirli bir başlangıç yakınsama süresine ihtiyaç duymaktadır. Bu tez kapsamında, söz konusu sınırlamaları aşmak amacıyla, derin öğrenme temelli hibrit bir çoklu sensör füzyonu mimarisi önerilmiştir. Geliştirilen yaklaşım, Evrişimsel Sinir Ağları (Convolutional Neural Networks – CNN) ile kısa vadeli uzamsal ilişkileri, Çift Yönlü Uzun-Kısa Süreli Bellek Ağları (Bidirectional Long Short-Term Memory Networks – BiLSTM) ile ise zamansal bağımlılıkları birlikte modelleyen çok görevli bir yapı üzerine inşa edilmiştir. Önerilen mimari; Ataletsel Ölçüm Birimi (Inertial Measurement Unit – IMU), manyetometre, barometrik yükseklik sensörü, Lazer Mesafe Ölçer (Laser Range Finder – LRF) ve Gerçek Zamanlı Kinematik destekli GNSS (Real-Time Kinematic GNSS – RTK-GNSS) sensörlerinden elde edilen verileri eş zamanlı olarak işleyerek, konum ve yönelim kestirimini tek bir ağ çatısı altında gerçekleştirmektedir. Bu sayede, konum ve yönelim arasındaki fiziksel etkileşim korunarak daha tutarlı ve kararlı kestirimlerin elde edilmesi hedeflenmiştir. Çalışmada, çoklu sensör verileri içeren ve farklı görev alanlarını kapsayan INSANE veri seti (Cross-Domain UAV Data Sets with Increased Number of Sensors for Developing Advanced and Novel Estimators) kullanılmıştır. Kamera verileri bilinçli olarak hariç tutulmuş, çözüm yalnızca ataletsel ve seyrüsefer sensörlerine dayandırılmıştır. Önerilen yöntemin başarımı, temel CNN ve BiLSTM tabanlı derin öğrenme yaklaşımlarının yanı sıra, literatürde yaygın olarak kullanılan gelişmiş filtreleme tabanlı seyrüsefer yöntemleri ile karşılaştırmalı olarak değerlendirilmiştir. Karşılaştırmalar, hem sistemin ilk çalıştığı anı kapsayan soğuk başlangıç koşullarında hem de manyetik bozulmaların yoğun olduğu zorlu senaryolarda gerçekleştirilmiştir. Elde edilen deneysel sonuçlar, önerilen mimarinin konum kestiriminde temel derin öğrenme yöntemlerine kıyasla %60'ın üzerinde hata azalımı sağladığını göstermektedir. Bununla birlikte, yönelim kestiriminde manyetik anomalilerin bulunduğu durumlarda dahi yüksek kararlılık sunduğu gözlemlenmiştir. Literatürdeki filtreleme tabanlı yöntemlerle karşılaştırıldığında, önerilen yaklaşımın sistemin ilk anından itibaren güvenilir kestirimler üretebilmesi ve herhangi bir yakınsama süresi gerektirmemesi, özellikle zaman kritik görevler açısından önemli bir operasyonel avantaj sağlamaktadır. Sonuç olarak bu tez çalışması, savaş alanlarında durumsal farkındalığın artırılmasına yönelik olarak, fiziksel model bağımlılığını azaltan, soğuk başlangıç koşullarında dahi yüksek doğruluk sunabilen ve gerçek dünya sensör kısıtlarını dikkate alan yapay zekâ tabanlı bir sensör füzyonu çözümü ortaya koymaktadır. Geliştirilen yaklaşımın, ilerleyen çalışmalarda kenar bilişim platformlarına entegre edilerek gerçek zamanlı askerî ve sivil İHA uygulamalarında kullanılabileceği değerlendirilmektedir.

Özet (Çeviri)

This thesis addresses the challenge of accurate position and orientation estimation for Unmanned Aerial Vehicles (UAVs) operating in dynamic and highly uncertain environments where Global Navigation Satellite System (GNSS) signals are degraded or completely unavailable, such as battlefield scenarios. Conventional navigation systems predominantly rely on model-based filtering techniques derived from physical system assumptions. While effective under nominal conditions, these approaches often experience performance degradation in the presence of magnetic disturbances, aggressive maneuvers, and complex noise characteristics inherent to low-cost sensors. In addition, many classical methods require a non-negligible convergence period before reliable state estimates can be obtained, which limits their applicability in time-critical missions. To overcome these limitations, this thesis proposes a deep learning–based hybrid multi-sensor fusion architecture that reduces reliance on explicit physical modeling. The proposed framework combines Convolutional Neural Networks (CNNs) for capturing short-term spatial correlations with Bidirectional Long Short-Term Memory (BiLSTM) networks for modeling temporal dependencies within sensor data. The architecture is formulated as a multi-task learning structure, enabling the simultaneous estimation of position and orientation within a single unified network. Sensor measurements from an Inertial Measurement Unit (IMU), magnetometer, barometric altitude sensor, laser range finder (LRF), and RTK-enabled GNSS are processed jointly, allowing the model to exploit complementary sensor characteristics under GNSS-degraded conditions. The proposed approach is evaluated using the INSANE dataset, which contains real-world outdoor UAV flight experiments. Camera data are deliberately excluded to focus on inertial and navigation sensor fusion, ensuring robustness in visually degraded environments. The performance of the proposed model is assessed in comparison with baseline deep learning architectures based on CNN and BiLSTM, as well as with widely adopted advanced filtering-based navigation methods reported in the literature. The evaluation considers both cold-start conditions, where the system must operate reliably from initial activation, and challenging scenarios involving magnetic disturbances. Experimental results demonstrate that the proposed architecture achieves more than a 60% reduction in position estimation error compared to baseline deep learning approaches. Moreover, the model maintains stable and reliable orientation estimates even in the presence of significant magnetic anomalies. When compared with filtering-based methods, the proposed approach offers a key operational advantage by providing consistent and accurate state estimates from the very beginning of operation, without requiring an explicit convergence or warm-up phase. In conclusion, this thesis presents a data-driven multi-sensor fusion framework that enhances situational awareness for UAVs operating in GNSS-denied environments. By reducing dependence on rigid physical models and effectively handling complex sensor interactions, the proposed approach delivers accurate, robust, and immediately available navigation estimates. The results indicate that the developed architecture is well suited for real-world UAV applications where environmental conditions are unpredictable and rapid deployment is essential. Future work will focus on real-time deployment on edge computing platforms and the integration of additional sensing modalities to further improve long-term navigation performance.

Benzer Tezler

  1. Tez No

    945211

    Reinforcement learning for automatic ground collision avoidance system of fighter jets: sequential maneuver primitive approach

    Savaş jetlerinin otomatik yer çarpışmasından kaçınma sistemi için pekiştirmeli öğrenme: sıralı manevra primitif yaklaşımı

    FATİH EROL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Havacılık ve Uzay Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HAYRİ ACAR

  2. Tez No

    886884

    Missile evasion maneuver generation with model-free deep reinforcement learning

    Modelden bağımsız derin pekiştirmeli öğrenme ile füzeden kaçınma manevraları

    MUHAMMED MURAT ÖZBEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DOÇ. DR. EMRE KOYUNCU

  3. Tez No

    978707

    Multi-level security framework for internet of things in military environment

    Askeri ortamlardaki nesnelerin interneti için çok seviyeli güvenlik çerçevesi

    EMRE İŞLEYEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞERİF BAHTİYAR

  4. Tez No

    708280

    Dynamic use of spatial information produced by crowdsourcing approach through social media in the cloud-based decision support process during a disaster

    Afet anında toplumun sosyal medya araçlarıyla ürettiği mekânsal bilgilerin bulut tabanlı karar destek sürecinde dinamik kullanımı

    FEYZİ ÇELİK YILANKIRAN

    Doktora

    İngilizce

    İngilizce

    2021

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DOÇ. DR. CANER GÜNEY

  5. Tez No

    810440

    Siber saldırı ve siber savaşın hukuksal boyutunun incelenmesi Birleşmiş Milletler-Türkiye

    Cyber war and cyber attack legal analysis United Nations-Turkey

    RIZA KESKİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    HukukGaziantep Üniversitesi

    Güvenlik Stratejileri ve Yönetimi Ana Bilim Dalı

    PROF. DR. AHMET GÜNDÜZ

Geri Dön