شناسایی مدل سرعت با هدف کاربرد در ناوبری یک رونده زیرسطحی خودگردان به کمک شبکه عصبی narx

یکی از چالش‌های ناوبری شناورهای زیرسطحی‌ خودگردان اندازه‌گیری سرعت حرکت آنهاست. روش معمول برای اندازه‌گیری سرعت زیرسطحی‌ها استفاده از حسگر سرعت داپلری است اما استفاده از این حسگر به دلیل قرارگیری در رده حسگرهای گران‌قیمت و همچنین افزایش زمان و حتی عدم داده‌برداری به علت عمق زیاد و یا تغییر ناگهانی عمق در برخی موارد امکان‌پذیر نیست. هدف این مقاله، ارائه روش ارزان‌قیمت و اقتصادی شناسایی سرعت مبتنی بر شبکه عصبی خودرگرسیون برونی غیرخطی با کمترین تعداد ورودی شبکه عصبی در حرکت دوبعدی شناور می‌باشد. در الگوریتم پیشنهادی، با حذف ورودی‌های شبکه عصبی بدست آمده از خروجی حسگرهای ارزان‌قیمت، خطای اندازه‌گیری حسگرها از فرایند شناسایی حذف شده و دقت خروجی مدل سرعت بدست آمده بهبود می‌یابد. در بخش نتایج عملکرد مناسب الگوریتم پیشنهادی، در مقایسه با خروجی حسگر سرعت داپلری بررسی می‌شود. همچنین نتایج بدست آمده از روش شناسایی مدل دینامیکی به کمک الگوریتم‌های شناسایی حداقل مربعات و حداقل مربعات بازگشتی، مزیت و کارایی این روش را در شناسایی سرعت حرکت رونده زیرسطحی، تایید می‌کند.

velocity model identification for an auv navigation with using narx neural network method

one of the challenges of the autonomous underwater vehicles (auv) navigation is measuring their velocity. the usual method for measuring the velocity of auv is to use a doppler velocity logger (dvl), but it is not possible to use this sensor due to its placement in the category of expensive sensors, as well as the increase in time and even the lack of data collection due to high depth or sudden changes in depth in some cases. the aim of this research is to provide a cheap and economical method of speed identification based on an autoregressive exogenous (narx) neural network with the least number of neural network inputs in 2-d floating motion. in the proposed algorithm, by removing the inputs of the neural network obtained from the output of low-cost sensors, the measurement error of the sensors is removed from the identification process and the accuracy of the velocity model output is improved. the proper performance of the proposed algorithm, compared to the output of the dvl and also the output obtained from the differential model identification method with the help of least square (ls) and recursive least square (rls) algorithms, confirms the advantage and efficiency of this method in identifying the velocity of auv.