Geri Dön

Scientific machine learning supported track-to-track fusion

Bilimsel makine öğrenmesi destekli takip bilgisi füzyonu

  1. Tez No: 961601
  2. Yazar: RECEP AYZİT
  3. Danışmanlar: DOÇ. DR. BARIŞ BAŞPINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Uçak Mühendisliği, Aeronautical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Uçak ve Uzay Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Uçak ve Uzay Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 63

Özet

Hava hedeflerinin güdümlü takibi, modern gözetleme ve savunma sistemlerinin durumsal farkındalık kapasitesini doğrudan etkileyen, çözümü güç bir problemdir. Hedef dinamiklerindeki belirsizlikler, sensör ölçümlerinin gürültülü ve aralıklı oluşu ile birlikte platformların yüksek ivmeli manevraları, konum ve hız kestirimlerinde sapmalara, hatta iz kaybına yol açabilmektedir. Bu tezde, radar ve kızılötesi (Infrared, IR) sensörlerden gelen heterojen ölçümleri birleştiren, genişletilmiş Kalman filtresinin (EKF) fizik temelli öngörü gücünü veri odaklı parametre uyarlamasıyla birleştiren yenilikçi bir hava-hava izleme çerçevesi önerilmektedir. İlk aşamada, simülasyon ortamında, savaş uçağı, geniş gövdeli kargo ve dar gövdeli sivil yolcu uçağı gibi çoklu platform tiplerinin tırmanış, alçalma, sabit dönüş hızı, koordineli dönüş ve yüksek g ivmelenme manevralarını gerçekleştirdiği, yüksek güvenirlikli bir simülasyon altyapısı geliştirilmiştir. İzleyici (Ownship) olarak konumlandırılan bir jet platformu, mekanik taramalı darbe-Doppler radarı ve gimballı orta dalga boyu IR kamerası ile bu hedefleri gözlemlemektedir. Radar ölçümleri Kartezyen koordinat sistemine, IR ölçümlerse Değiştirilmiş Küresel Koordinatlara (Modified Spherical Coordinates, MSC) dönüştürülerek, her biri sabit hızlı (constant-velocity, CV) dinamik modele sahip bağımsız EKF' lerce işlenmektedir. Sadece tek sensöre dayalı izlemeye kıyasla, sensör geometrilerinin tamamlayıcı karakterinden yararlanmak ve geçici ölçüm kesintilerinin olumsuz etkisini gidermek amacıyla, heterojen yapıdaki izden ize füzyon (track-to-track fusion) yöntemi uygulanmıştır. Gerçek zamanlı iz atama algoritması, radar ve IR izlerini karşılıklı eşleştirerek, en az bir sensörün teması sürdüğü müddetçe varlığını koruyan birleşik (füzyon) izler üretmektedir. Bununla birlikte, gerek hedef gerekse izleyici platformun agresif manevraları, gerekse sensörler arası açısal doğruluk farkları, filtre kovaryansının hatalı ayarlanmasına, dolayısıyla ya aşırı güvene ya da filtre sapmasına yol açabilmektedir. Özellikle IR kanalının azimut ve yükseklik açısında radara göre doğal üstünlüğü, bazı senaryolarda radarın daha küçük açısal hata verdiği anlarda bile birleşik izin IR verisine gereğinden fazla ağırlık tanımasına neden olmaktadır. Bu zorlukları aşmak üzere tezde bilimsel makine öğrenmesi temelli adaptif bir parametre ayarlama stratejisi önerilmiştir. Füzyon EKF'sinin süreç gürültüsü şiddetini temsil eden katsayı ile radar ve IR izlerinin kovaryans matrislerini ölçekleyen iki çarpan, Parçacık Sürüsü Optimizasyonu (Particle Swarm Optimisation, PSO) yoluyla çevrimdışı olarak eniyilenmiştir. Eniyileme maliyet fonksiyonu, farklı menzil, bakış açısı, uçak sınıfı ve manevra profillerini kapsayan tasarlanmış senaryolarında, hedeflere ait konum hatalarının kök-toplam-karesini en aza indirmeyi amaçlamıştır. Her eniyileme çalışmasında elde edilen optimal parametre üçlüleri, radar, IR ve füzyon izlerinden çıkartılan açıklayıcı özniteliklerle etiketlenerek, yapay sinir ağı (Artificial Neural Network, ANN) ve Ekstra Ağaç Regresörü (Extra-Trees Regressor, ERT) olmak üzere iki modelin eğitiminde kullanılmıştır. Eğitilen modeller çevrim içi kullanımda ek eniyileme döngüsüne ihtiyaç duymaksızın anlık iz verilerinden optimale yakın parametre tahmini yapabilmektedir. Geniş kapsamlı Monte Carlo benzetimleri, hem ANN hem de ERT modellerinin eğitilmeyen (görülmemiş) senaryolarda dahi genel geçer başarı sergilediğini; ortalama konum hatasını geleneksel adaptif metotlara kıyasla %12' ye varan oranlarda azalttığını ortaya koymuştur. İki modelin kestirim doğrulukları istatistiksel olarak fark göstermemekle birlikte, ANN çözümü bellek gereksinimi ve çıkarım (inference) süresi açısından bir mertebe daha verimli olup, gerçek zamanlı aviyonik entegrasyonu için daha elverişli bulunmuştur. Tez çalışması, model-tabanlı filtreleme disiplinini veri-odaklı uyarlanabilirlikle sentezleyerek, karmaşık manevra koşullarında dahi hedef takibinin dayanıklılığını kayda değer ölçüde artırmış; hem askeri hem de sivil çoklu sensör füzyon uygulamaları için taşınabilir nitelikte bir metodoloji sunmuştur. Geliştirilen çerçeve; sensör mimarisi, iz ataması, kovaryans eniyilemesi ve makine öğrenmesine dayalı parametre kestirimi bileşenlerinin entegrasyonuyla, ileri seviye hava sahası gözetimi, insansız hava aracı tespiti, füze savunma sistemleri ve sınır güvenliği gibi geniş bir uygulama yelpazesinde kullanılabilir potansiyele sahiptir. Çalışmanın ilk adımı, gerçek uçuş dinamiklerini yüksek doğrulukta temsil edebilmek adına üç serbestlik dereceli (3-DoF) fizik tabanlı uçak modelleri ve atmosferik standart atmosfer koşullarını içeren bir senaryo üretim arayüzünün inşa edilmesidir. Simülasyon ortamında, bir savaş uçağı, bir kargo uçağı ve yolcu uçağı dahil olmak üzere üç temel uçak tipi tanımlanmış; her biri için nominal performans zarfları (tavan irtifa, azami Mach, tırmanış/iniş profilleri) literatür verileriyle kalibre edilmiştir. Manevra repertuarı, tırmanış ve alçalma segmentleri, koordineli sabit dönüş hızı manevraları, 4 g'ye kadar çıkabilen keskin virajlar, düz uçuşta artımlı hızlanma savrulma ve birleşik tırmanış dönüş kombinasyonlarından oluşmaktadır. İzleyici uçağın rota profili, hem kendi yaptığı yüksek bank açılı kaçınma manevralarını hem de sensör görüş hattını kısıtlayacak yaklaşma ve uzaklaşma geometrilerini içerecek şekilde tasarlanmıştır. Radar sensörü, 120 derece azimut tarama sektörüne ve 45 derece dikey kapsama açısına sahip mekanik taramalı bir sistem olarak modellenmiştir. Gürültü kovaryansı, mesafeye lineer artan menzil hatası, sabit azimut/yükselme sapması ve hız çözünürlüğü terimleriyle parametrize edilmiştir. IR sensörü, yüksek açısal çözünürlüklü, pasif bir elektro-optik sensör olup, ölçüm modeli küresel koordinatlarda açısal azimut-yükselme formatında gerçekleştirilmiştir. Her iki sensör ölçümü, süreç gürültüsüz CV modeli (az ivmeli hedef varsayımı) altında bağımsız EKF' lerle işlenmekte; hedefler arası karışmayı önlemek için ölçüm-iz ilişkilendirmesi, Küresel En Yakın Komşu (GNN) stratejisiyle sağlanmaktadır. Radar ve IR izlerinin heterojen doğası, doğrudan ölçü füzyonundan ziyade, filtre sonrası iz-leri birleştirerek çözüme kavuşturulmuştur. Dönüşüm matrisleri kullanılarak MSC-Kartezyen koordinat dönüşümü gerçekleştirilmiş; ardından durum ve kovaryans yayılımı, doğrusal olmayan dönüştürme hatalarını minimize eden birinci dereceden Taylor yaklaşımına göre ayarlanmıştır. Füzyon EKF'si, işlem yükünü azaltmak ve modelin varsayımlarına uygunluğu sürdürmek amacıyla, konum ve hız bileşenlerini içeren 6 boyutlu bir sabit hız (CV) modeliyle uygulanmıştır. İz ataması; Mahalanobis mesafesine ve kovaryans matrislerine dayalı maliyet matrisi oluşturulup, Küçükten Büyüğe Sıralı Atama (Nearest-Neighbor Sort) algoritması ile sağlanmıştır. Füzyon filtresinin süreç gürültüsü yoğunluğunu belirleyen parametre iz doğruluğu ve filtre stabilitesi üzerinde kritik etkiye sahiptir. Benzer şekilde, kaynak izlerin kovaryansını ölçekleyen çarpanlar sensör ağırlığı dengesini belirlemektedir. Bu üç parametrenin manuel ayarı, geniş senaryo uzayında optimal olmayan çözümlere yol açtığından, evrimsel yönelimli Parçacık Sürüsü Optimizasyonu tercih edilmiştir. Sürünün her üyesi, parametre vektörünü temsil etmiş; hız güncelleme denklemleri atalet, bilişsel ve sosyal katsayılar ile ayarlanarak, 15 parçacıklı ve 25 iterasyonluk koşullarda yakınsama sağlanmıştır. Maliyet fonksiyonu, senaryo başına ortalama karekök konum hatasının hedef sayısına göre normalize edilmiş toplamını minimizasyon objektifine bağlamıştır. PSO sürecinden elde edilen optimal parametre kümeleri, iz bazlı öznitelik seti ile eşleştirilerek etiketli bir veri kümesi oluşturulmuştur. Öznitelikler arasında, izlerin kartezyen ve küresel koordinatlarda pozisyon değişimleri, kovaryans matrislerinin diyagonal, iz (trace), Frobenius norm, spektral norm değerleri, ve izlerde belirsizlik olup olmadığına dair bir bayrak değeri yer almıştır. Toplam 5000 senaryo örneğinden oluşan veri kümesi %80 eğitim, %10 doğrulama ve %10 test olarak bölünmüştür. ANN modeli, üç gizli katmanlı, 128, 128, 128 nöron mimarisi ve ReLU etkinleştirme fonksiyonlarıyla eğitilmiş; çıkış katmanında doğrusal aktivasyon tercih edilmiştir. ERT modeli ise 150 ağaçlı, 1000 maksimum derinlikli, minimum 8 örnek içeren yaprak düğümleri ve minimum 4 örnek içeren iç düğümlerin bölünebildiği kuralıyla yapılandırılmıştır. Monte Carlo çalışmaları, hem nominal hem de uç durum manevra senaryolarını içeren toplam 500 rastlantısal test sahnesi üzerinde gerçekleştirilmiştir. Sabit kovaryanslı füzyon EKF'si, ANN destekli uyarlanabilir EKF ve ERT destekli uyarlanabilir EKF modelleri, ortalama mutlak konum hatası (MAE) ve ortalama kare hata (MSE) metrikleri açısından kıyaslanmıştır. Makine öğrenmesi tabanlı modeller, optimum parametreleri tahmin etmede MSE' de 2 civarında; MAE' de ise 1 civarında hata yapmaktadır (Burada parametre birimsiz olduğu için hata da birimsiz olarak yazılmıştır.). 500.000 satırlık bir veri için ANN'in ortalama çıkarım süresi 0.5 s, ERT'nin ise 19 s olarak ölçülmüştür. Bellek kullanımında da ANN 0.15 MB' lık hafif yapısıyla ERT'nin 4-10 GB' lık yüküne kıyasla belirgin avantaj göstermiştir. Yaklaşık 2000 nokta içeren farklı test senaryolarında optimizasyon sonucunda elde edilen optimal parametreler ile 28 metre ortalama hata ile hedef takibi yapılmıştır. Bu referans değerle karşılaştırıldığında, eğitilmiş modellerden ERT, 36 metrelik ortalama hatasıyla yalnızca %27'lik bir sapma göstererek en yakın performansı sunmuştur. NN modeli ise 39 metrelik hata ile %39 oranında sapma sergilemiş ve ikinci en iyi sonucu elde etmiştir. Buna karşın, geleneksel adaptif yöntem 42 metre ortalama hata ile referansa göre %50 oranında daha yüksek bir sapma göstermiştir. Elde edilen bu bulgular, ERT ve NN gibi makine öğrenmesi tabanlı modellerin konum tahmini doğruluğunda adaptif metoda kıyasla daha üstün performans sağladığını ve hedef takip uygulamalarında anlamlı iyileştirmelere olanak tanıyabileceğini ortaya koymaktadır. Bu tez, heterojen MSC-Kartezyen iz füzyonuna sahip, süreç ve ölçüm kovaryanslarını senaryo temelli eniyileyen, çevrim içi düşük gecikmeli parametre kestirimi sunan, uçtan uca bir hava-hava takip mimarisi tasarlamıştır. Elde edilen bulgular, kovaryans dinamiklerinin, makine öğrenmesi entegrasyonu ile gerçek zamanlı uyarlanmasının, iz doğruluğunu ve kararlılığını kayda değer şekilde artırdığını göstermektedir.

Özet (Çeviri)

Accurate tracking of aerial targets remains a critical challenge in modern surveillance and defense systems, particularly in environments characterized by dynamic target maneuvers and sensor uncertainties. This thesis presents a comprehensive and robust air-to-air target tracking framework that integrates heterogeneous sensor data from radar and infrared (IR) systems to enhance tracking accuracy and resilience. The proposed system is centered around an Extended Kalman Filter (EKF) employing a constant velocity (CV) motion model and further refined through a heterogeneous track-to-track fusion architecture. A simulation environment was developed to model realistic aerial engagements involving multiple types of air vehicles, jet fighters, cargo aircraft, and civilian planes, executing a wide range of maneuvers such as climbs, descents, constant-rate turns, and g turns. The Ownship, modeled as a jet aircraft, performs tracking operations using onboard radar and IR sensors. Sensor models were modified for higher fidelity; radar measurements were processed in Cartesian coordinates, while IR measurements were interpreted in Modified Spherical Coordinates (MSC), both within the CV dynamics framework. A multi-sensor fusion approach was employed, incorporating a track assignment algorithm to align and maintain fusion tracks from radar and IR inputs, ensuring track continuity even when one of the sensor inputs becomes temporarily unavailable. Despite these measures, challenges persist, particularly under aggressive target maneuvers or Ownship accelerations, which can lead to track divergence or estimation degradation. Moreover, due to the superior angular resolution of IR sensors, the fusion process tends to overweight IR data even in scenarios where radar measurements yield lower angular errors. To address these limitations, an adaptive optimization based methodology is proposed to fine tune critical filtering parameters: the process noise covariance matrix used in the prediction step of the EKF, and two scaling factors applied to the covariance matrices of the radar and IR trackers. Particle Swarm Optimization (PSO) was utilized to minimize the cumulative position error of targets across a diverse set of scenarios, encompassing variations in target type, spatial positioning (range, azimuth, elevation), and maneuver complexity. The results of the optimization, along with extracted features from radar, IR, and fusion tracks, were subsequently used to train supervised machine learning models, specifically, Artificial Neural Networks (ANN) and Extra Trees Regressors (ERT), enabling the estimation of optimal filtering parameters without the need for online optimization. Comparative analysis, along with an adaptive method, revealed that both ML models achieved similar predictive accuracy, which outperformed the adaptive method; however, ANN demonstrated superior performance in terms of computational speed, memory efficiency, and storage requirements, making it more suitable for real-time onboard implementation. The findings of this thesis substantiate the efficacy of combining model-based filtering techniques with data-driven parameter adaptation in achieving robust and adaptive multi-target tracking performance, particularly in highly dynamic aerial combat scenarios. The proposed framework not only enhances tracking accuracy under challenging conditions but also provides a scalable and computationally efficient solution for future autonomous surveillance and defense systems.

Benzer Tezler

  1. Tez No

    552837

    Veri madenciliği yöntemleri kullanarak hava kirliliği tahmini

    Prediction of air pollution using data mining methods

    KIYMET KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞULE GÜNDÜZ ÖĞÜDÜCÜ

  2. Tez No

    39299

    VTAM'in incelenmesi ve bir VTAM uygulaması

    VTAM application programming

    AHMET TEKELİOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    1994

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    PROF.DR. EMRE HARMANCI

  3. Tez No

    940901

    Gaziantep'te PM2.5 konsantrasyonunun zamansal ve mekânsaltahminine yönelik transfer öğrenme destekli hibrit yapay zeka modelleri

    Spatio-temporal estimation of PM2.5 concentrations in gaziantepusing transfer learning-based hybrid artificial intelligence models

    TÜRKAN ZENGİN GÖMLEKSİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Meteorolojiİstanbul Teknik Üniversitesi

    İklim Bilimi ve Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN TOROS

  4. Tez No

    968133

    Uzaktan algılama verileri ile makine öğrenmesi algoritmaları kullanılarak almus barajı su alanlarının zamansal değişiminin analizi ve geleceğe yönelik mekânsal projeksiyonları

    Analysis of the temporal changes in the water areas of almus dam using remote sensing data and machine learning algorithms, and spatial projections for the future

    YAĞMUR SEREN ŞIKEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Jeodezi ve FotogrametriSivas Cumhuriyet Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NURAY BAŞ DOĞAN

  5. Tez No

    934727

    İş kazaları ve meslek hastalıklarının önlenmesinde yapay zekâ kullanımı

    Use of artificial intelligence in preventing work accidents and occupational diseases

    ADNAN KARABULUT

    Doktora

    Türkçe

    Türkçe

    2025

    Mühendislik BilimleriAnkara Yıldırım Beyazıt Üniversitesi

    İş Güvenliği Ana Bilim Dalı

    PROF. DR. MEHMET BARAN

Geri Dön