مقایسه روش‌های دمپستر_شافر ارتقاء یافته(یاگر) و فیلتر کالمن در تلفیق داده‌های حسگرها برای موقعیت یابی یک تراکتور مدل در محیط‌های کشاورزی

موقعیت‌یابی وسیله نقلیه با هر ساختار، فضای‌کاری و وظیفه، یکی از اساسی‌ترین مسائل در حوزه اتوماسیون ماشین‌های کشاورزی و پیش‌نیاز حرکت وسیله نقلیه است که همواره دارای چالش و مورد توجه پژوهشگران بوده است. در این پژوهش، روش دمپسترشافر ارتقاءیافته (یاگر) و فیلتر کالمن به عنوان دو ابزار اصلی تلفیق و پردازش داده‌های حسگرهای موقعیت‌یابی یک تراکتور مدل، برای دستیابی به بهترین تخمین در موقعیت‌یابی با توجه به شرایط محیطی متغیر مورد استفاده قرار گرفتند. همچنین با ارائه روشی جدید، وزن‌دهی ابتدایی به اطلاعات هر یک از حسگرها شامل حسگر موقعیت‌یابی جهانی، حسگر اثر ماند و دورسنج چرخ‌ها با توجه به میزان اطمینان از صحت هر یک انجام شد. معادلات هندسی حاکم بر تراکتور مدل استخراج شده و از یک کنترلر تناسبی انتگرال‌گیر مشتق‌گیر برای کنترل سینماتیکی تراکتور مدل در شبیه‌ساز مکانیکی simmechanics نرم‌افزار matlab پیاده‌سازی شد. همچنین با استفاده از دو معیار آشکارساز مغناطیسی و میانگین مربع خطا میزان خطای موقعیت‌یابی در دو روش فیلتر کالمن و دمپستر شافر ارتقاءیافته (یاگر) مقایسه شد. در حالت اعمال نوفه نرمال گوسی، فیلتر کالمن با متوسط خطای 2.82 درصد عملکرد بهتری از روش دمپسترشافر ارتقاءیافته (یاگر) با 4.88 درصد خطا در معیار میانگین مربع خطا، داشت. اما در شرایط اعمال نوفه غیرگوسی که در محیط واقعی نیز وجود دارد، فیلتر کالمن با خطای 4.2 درصدی همراه بود، حال آنکه رفتار روش دمپستر شافر در مواجهه با این شرایط بهبود یافته و میانگین خطایی برابر 3.1 درصد داشت. در شرایط محیطی واقعی و آزمایش عملی نیز روش دمپسترشافر ارتقاءیافته (یاگر) نسبت به فیلتر کالمن عملکرد دقیق‌تری دارد. در انتها لازم به ذکر است که با توجه به میزان خطای اندک روش دمپستر شافر ارتقاءیافته در محیط واقعی، تجهیزات تراکتور مدل را می‌توان در مقیاس صنعتی و برای تراکتورهای کشاورزی واقعی استفاده نمود که گامی بلند در راستای اتوماسیون ماشین‌های کشاورزی است.

Sensor Data Fusion for Positioning of Agriculture Mobile Robot using DempsterShafer Method

In recent year, using smart systems in agriculture in order to save costs, increase the production per unit area, minimize the hard working conditions as well as dangerous and long works, and also the precise control and supervision is unavoidable in the modern agriculture. The positioning of a mobile agriculture robot with any kind of structure and working role is one of the most fundamental and essential issues in the area of agricultural machines, and it is also a prerequisite of movement for any kind of mobile system in the farm. Therefore, this positioning always faces challenges and also is gotten a lot of attention from scholars working in this field of study. Sensor data fusion from several information sources and using various data fusion methods gives us a general precise image of the agriculture robot’s position. The DempsterShafer theory is one of these mentioned methods which benefits from a better performance compared with other data fusion methods, regarding the variable and unspecified workspace of agricultural robots. In this study, the methods of DempsterShafer and Kalman filter were used as two major tools of positioning sensors fusion related to an agriculture controllable tractor, in order to achieve the best estimation of the positioning, regarding the environmental conditions. So as to use DempsterShafer method in the fusion of numerical data of global positioning system (GPS), inertial measurement unit (IMU) and wheel (shaft) encoder sensors, the data reliability of each sensor is firstly determined by the standard deviation of data for each last n generated data. Then, the weighting is accomplished by the Shannon entropy method. In the simulation section, the dominant geometric equations of the studied tractor are extracted, and a proportional integral derivative (PID) controller is used in order to kinematic control of the robot. Afterward, the simulation process is run in Simmechanics MATLAB software. Finally, the performance of two investigated methods in this work is assessed and then compared by addition of different noises into the data of each sensor.