Multi-step neural network based system identification and NMPC for an underactuated unmanned surface vehicle
Kısmi tahrikli insansız su üstü aracı için çok adımlı yapay sinir ağı tabanlı sistem tanımlaması ve lineer olmayan model öngörülü kontrolcu tasarımı
- Tez No: 995243
- Danışmanlar: DOÇ. DR. MUSTAFA MERT ANKARALI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, eksik tahrikli 3-DOF insansız su üstü aracı (USV) için sinir ağları kullanarak pratik bir dinamik model öğrenmeye ve öğrenilen modeli doğrusal olmayan model öngörülü kontrol (NMPC) içinde kullanmaya odaklanmaktadır. Fizik tabanlı manevra modelleri yararlı bir kuramsal yapı sunsa da, doğruluk parametre belirsizliği, gürültülü ölçümler ve eyleyici (aktüatör) davranışı nedeniyle pratikte etkilenebilir. Gerçek işletimde dinamikler anlık hıza ve gerçek itkiye bağlıdır; ancak eldeki sinyaller çoğunlukla gürültülü hız ölçümleri ve doğrusal olmayanlıklar ile gecikmeler nedeniyle üretilen itkiye eşit olmayan itici komutlarıdır. Bu uyumsuzluğu azaltmak için sinir ağı tanımlayıcıları, gövde-çerçevesi hızlarının kısa bir geçmişini ve itici komutlarının kısa bir geçmişini birlikte girdi olarak kullanır; böylece ağlar etkin (effective) itkiyi örtük olarak tahmin edebilir ve gürültüye daha dayanıklı hale gelir. Üç kestirici vurgulanmakta ve karşılaştırılmaktadır: (i) geleneksel 3-DOF Fossen manevra modeli, (ii) tüm öngörü ufkunu tek bir ileri geçişte çıktılayan çok-adımlı bir MLP ve (iii) aynı ufuk uzunluğunda çıktı üreten sequence-to-sequence (encoder--decoder) bir LSTM. Sinir ağı modelleri, çok-adımlı öngörülerde sapmayı sınırlamak için NMPC ufku ile aynı uzunlukta yörünge kesitleri üzerinde eğitilmiştir. Veriler Gazebo benzetim ortamında üretilmiş ve denetleyiciler Clearpath Robotics Heron USV modeli kullanılarak aynı ortamda test edilmiştir. NMPC formülasyonu, hem öğrenilen modeli hem de fizik tabanlı modeli kullanabilecek şekilde tasarlanmış ve gövde-çerçevesi hız izleme ile konum/yörünge izleme görevlerinde değerlendirilmiştir. Sonuçlar, çok-adımlı sinir ağlarının ufuk boyunca doğru kestirimler sağlayabildiğini ve gerçek zamanlı NMPC uygulamalarını destekleyebildiğini göstermektedir.
Özet (Çeviri)
This thesis focuses on learning a dynamics model for an underactuated 3-DOF unmanned surface vehicle (USV) using neural networks and deploying the learned model inside nonlinear model predictive control (NMPC). Physics-based maneuvering models provide useful structure, but accuracy can be affected by parameter uncertainty, noisy measurements, and actuator behavior. In real operation, the USV dynamics depend on current velocity and the actual thrust, while the available signals are noisy velocity measurements and thruster commands that differ from delivered thrust because of nonlinearities and delays. To reduce this mismatch, the neural identifiers use a short history of body-frame velocities together with a short history of thruster commands, enabling the networks to implicitly estimate effective thrust and handle noise. Three predictors are emphasized and compared: (i) a conventional 3-DOF Fossen maneuvering model, (ii) a multi-step MLP that outputs the full prediction horizon in a single forward pass, and (iii) a sequence-to-sequence (encoder-decoder) LSTM with the same horizon-length output. The neural models are trained on trajectory segments whose length matches the NMPC horizon to limit drift in multi-step predictions. Data are generated and the controllers are tested in a Gazebo simulation environment using a Clearpath Robotics Heron USV model. The NMPC formulation is designed to accept either the learned model or the physics-based model and is evaluated on body-frame velocity tracking and position/trajectory tracking. Results indicate that multi-step neural predictors can provide accurate horizon predictions and support real-time NMPC.
Benzer Tezler
- Neural network based face detection using a multi resolution image pyramid
Çok çözünürlüklü imge piramidi kullanan sinir ağı tabanlı yüz sezimi
ALİME REYHAN SERİM
Yüksek Lisans
İngilizce
2003
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. LALE AKARUN
- RTFA ile sistem tanıma ve nöral-bulanık kontrol-
Başlık çevirisi yok
ZEKERİYA UYKAN
Yüksek Lisans
Türkçe
1996
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. İBRAHİM KESKİN
- District-based urban sprawl monitoring and modelling using CA-Markov model: application in two mega cities
İlçe bazlı kentsel yayılma izleme ve CA-Markov model ile modelleme: iki mega şehirde uygulama
ANALI AZABDAFTARI
Doktora
İngilizce
2022
İletişim Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- Görüntü işleme tabanlı bitki türleri ve hastalıkları tanıma
Image processing based plant species and diseases recognition
MUAMMER TÜRKOĞLU
Doktora
Türkçe
2019
Bilim ve Teknolojiİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
- Yapay sinir ağları kullanarak parmakizi analizi
Fingerprint recognition by using neural networks
SÜHELDAL GÜRDAL
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik MühendisliğiHava Harp Okulu KomutanlığıElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. OKYAY KAYNAK