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

چابک, فرهاد; رضائی, علیرضا; اسدپور, میلاد

doi:10.22092/amsr.2021.352107.1365

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ کارشناسی ارشد گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران

² استادیار گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران

³ دانشجوی کارشناسی ارشد گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران

https://doi.org/10.22092/amsr.2021.352107.1365

چکیده

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 دمپستر-شافر 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 Sim-Mechanics 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 82/2 درصد عملکرد بهتری از روش دمپستر-شافر ارتقاءیافته (یاگر) با 88/4 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 2/4 درصدی همراه بود، حال آنکه رفتار روش دمپستر- شافر در مواجهه با این شرایط بهبود یافته و میانگین خطایی برابر 1/3 درصد داشت. در شرایط محیطی واقعی و آزمایش عملی نیز روش دمپستر-شافر 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.

کلیدواژه‌ها

موضوعات

اتوماسیون عملیات کشاورزی

مراجع

Dempster, A. P. (1967). Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics, 38(2), 325–339.

Denœux, T., & Li, Sh., & Sriboonchitta, S. (2017). Evaluating and Comparing Soft Partitions: an Approach Based on Dempster-Shafer Theory. IEEE Transactions on Fuzzy Systems, X, 1-14.

Edan, Y. (1995). Design of an autonomous agricultural robot. Applied Intelligence, 5, 41-50.

Xiao, F. (2020). A new divergence measure for belief functions in D–S evidence theory for multisensor data fusion. Information Scince, 514, 462-483.

Gazavati, J., Mohammadzamani, D., Abbasgolipour, M., Mohammadialasti, B., & Ranji, A. (2015). Preliminary design, construction and evaluation of robot of tomato seed planting for the trays of greenhouse. Journal of Agricultural Machinery, 5(2), 242-250.

Hall, D., & Llinas, J. (1997). An introduction to multisensor data fusion. Proceedings of the IEEE,
85, 6-23.

Klein, L. A. (1993). Sensor and data fusion concepts and applications. Society of Photo-Optical Instrumentation Engineers Pub.

Liu, Y., Pal, N., Marathe, A., & Lin, C. (2018). Weighted fuzzy dempster–shafer framework for multimodal information integration. IEEE Transactions on Fuzzy Systems, 26, 338-352.

Lu, C. C., Ying, K. C., & Chen, H. J. (2016). Real-time relief distribution in the aftermath of disasters – A rolling horizon approach. Transportation Research Part E: Logistics and Transportation Review 93, 1-20.

Morgan, K. (1958). A step towards an automatic tractor. Farm Mechinary, 10, 440-441.

Panl, L., & Deng, Y. (2018). A new belief entropy to measure uncertainty of basic probability assignments based on belief function and plausibility function. Entropy, 20(11), 842. Doi:10.3390/e20110842.

Rezaee, A. (2017). Model predictive controller for mobile robot. Transactions on Environment and Electrical Engineering, 2, 18-23.

Shafer, G. (1976). A mathematical theory of evidence. Journal of the Royal Statistical Society: Series B (Methodological), 44, 322-339.

Shi, H., Xuesi, Li., Pan, W., Hwang, K. S., & Li, W. (2019). A novel fuzzy three-dimensional grid navigation method for mobile robots. International Journal of Advanced Robotic Systems, 14, 1729881417710444.

Subramanian, V., Burks, T. F., & Arroyo, A. (2016). Development of machine vision and laser radar based autonomous vehicle guidance systems for citrus grove navigation. Computers and Electronics in Agriculture, 53, 130-143.

Yutong, S., & Yong, D. (2019). A new method to measure the divergence in evidential sensor data fusion. International Journal of Distributed Sensor Networks, 15(4), 283-300.

تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی

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

مراجع

مراجع

دوره 22، شماره 78 - شماره پیاپی 78
شهریور 1400
صفحه 89-106

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

مراجع

مراجع

دوره 22، شماره 78 - شماره پیاپی 78شهریور 1400صفحه 89-106

دوره 22، شماره 78 - شماره پیاپی 78
شهریور 1400
صفحه 89-106