طراحی پهپاد مسیریاب هوشمند با استفاده از یادگیری عمیق و منطق فازی

پهپادها (drone) ربات های پرندەای هستند که با ساختارهای مختلف قابلیت پرواز بدون سرنشین را دارند و مͬی توانند تا حدی از هوشمندی برای تصمیم گیری مناسب در موقعیت های جدید بهرەمند شوند. همچنین، با پیشرفت هوش مصنوعͬ (ai) در سال‌های اخیر، کاربرد آن در اکثر شاخه های دیگر قابل مشاهده است. این مقاله یک پهپاد هوشمند را ارائه مͬی دهد که قادر به مانور صحیح هنگام پرواز بر روی جادەها است. به این منظور از یک شبکه یادگیری عمیق (network learning deep) استفاده شده که برای آموزش آن، مجموعه داده بزرگͬی از تصاویر طبیعت و جادەهای شهری جمع آوری شده است و از منطق فازی (logic fuzzy)برای به دست آوردن بهترین زاویه و سرعتͬ که پهپاد را در مسیر نگه مͬی دارد، استفاده شده است. سیستم منطق فازی به عنوان یک لایه واسط بین جزء یادگیری عمیق و سیستم کنترل پرواز پهپاد عمل مͬی کند. این سیستم بر اساس دادەهای سنسور بلادرنگ و خروجͬی شبکه یادگیری عمیق، مسیر پرواز و کنترل سرعت را اصلاح مͬ کند.دقت شبکه یادگیری عمیق استفاده شده در این مقاله نسبت به دقت شبکەهای یادگیری عمیق مورد استفاده در موارد مشابه بهبود یافته است. هدف این است که با گسترش مجموعه داده‌ها و شبکه نسبت به کارهای قبل،ͬ دقت یادگیری را بهبود بخشیده و با استفاده از منطق فازی پیچیدگͬی را کاهش دهیم. سیستم طراحͬی شده مذکور، بر روی یک هگزاکوپتر (hexacopter) اجرا گردیده و در جاده های خارج از شهر و در ارتفاع پایین مورد بررسͬ قرار گرفت. این دقت برابر 93.18 درصد است که این نتیحه حاکͬی از عملکرد قابل قبول آن بود. با این وجود مͬی توان جهت افزایش دقت و کمک به تصمیم گیری بهتر منطق فازی از سنسورهای فاصله سنج در اطراف پهپاد و یا از دوربین های استریو بر روی پهپاد استفاده کرد.

designing an intelligent pathfinder drone with deep learning and fuzzy logic

drones are flying robots that have the ability to fly unmanned with different structures and can benefit from intelligence to make appropriate decisions in new situations. also, with the progress of artificial intelligence (ai) in recent years, its application can be seen in most other branches. this paper presents an intelligent drone that is able to maneuver correctly while flying on roads. for this purpose, a deep learning network (network learning deep) has been used, for its training, a large data set of nature images and urban roads has been collected, and fuzzy logic is used to obtain the best angle and speed that keeps drone on track, used. the fuzzy logic system acts as an interface layer between the deep learning component and the uav flight control system. this system corrects the flight path and speed control based on the real-time sensor data and the output of the deep learning network. the accuracy of the deep learning network used in this article is improved compared to the accuracy of the deep learning networks used in similar cases. the goal is to improve the accuracy of learning by expanding the dataset and network compared to previous works and reduce the complexity by using fuzzy logic. the designed system was implemented on a hexacopter and was investigated on the roads outside the city and at low altitude. this accuracy is equal to 93.18%, which indicated its acceptable performance. however, it is possible to use distance sensors around the drone or stereo cameras on the drone to increase accuracy and help make better fuzzy logic decisions.