İnsansız Hava Araçlarında Angajmandan Kaçış Yolu Kestirimi İçin Çok Sensörlü Veri Füzyonu

Year 2021, Issue: 32, 705 - 710, 31.12.2021

Enver Nurullah Gökal , Ufuk Sakarya

https://doi.org/10.31590/ejosat.1039358

Abstract

Savaşta başarı elde etmenin en önemli koşullarından birisi, hava üstünlüğünü sağlamaktır. Saldırgan muharebe ortamında bulunan bir savaş uçağının, gereken hayatta kalma özelliklerine sahip olması gerekmektedir. İnsansız hava araçlarında (İHA), kontrol istasyonuyla olan bağlantının kesilmesi durumunda, İHA’nın hareket ve seyrüsefer kabiliyetlerini koruması zorlaşır. Bu bildiride, insansız hava araçlarının angajmandan kaçışını sağlamak için çok sensörlü veri füzyonu yöntemiyle geliştirilen bir kaçış yolu kestirimi algoritması sunulmaktadır. Gelen radar verileri, tahmin yapmak üzere Genişletilmiş Kalman Filtresine sokularak değerlendirilir. Yapılan tahminler, doğrusal olmayan programlama yönteminde kullanılır ve anlık optimal kaçış yolu belirlenir. Sahip olunan kısıtlamalar ve amaç fonksiyonu lineer olmadığı için kısıtlı optimizasyon yöntemi olarak doğrusal olmayan programlama kullanılır. Simülasyon sonuçlarına göre, önerilen yöntem seçilen senaryoda angajmandan kaçış için umut verici sonuçlar sunmuştur.

Keywords

İnsansız Hava Aracı, Genişletilmiş Kalman Filtresi, Doğrusal Olmayan Programlama, Sensör Füzyonu, Veri Füzyonu, Angajman, Kaçış Yolu Kestirimi

Multi-Sensor Data Fusion for Path Prediction of Escaping from Engagement in Unmanned Aerial Vehicle Scenario

Abstract

Achieving air superiority is one of the key steps to success in warfare. It is necessary for a combat aircraft to have the survivability it needs in an aggressive combat environment. Unmanned aerial vehicles (UAVs) suffer from maintaining the maneuverability and navigational ability in the event of a disconnection from the control station. In this paper, an escape path prediction algorithm developed by fusing multi-sensor data is presented to facilitate the escape of engagement of UAVs. Data from radars are evaluated in the Extended Kalman Filter and used to make estimations. The estimations made are used in constraint optimization to generate an instantaneous optimal escape route. Since the constraints and objective function are not linear, nonlinear programming is used as a method of constraint optimization. According to the simulation results, the proposed method shows a promising result for escaping from engagement in the selected scenario.

Keywords

Unmanned Aerial Vehicle, Extended Kalman Filter, Nonlinear Programming, Sensor Fusion, Data Fusion, Engagement, Path Prediction

References

• Burgin, G. H., & Owens, A. J. (1975). An adaptive maneuvering logic computer program for the simulation of one-to-one air-to-air combat. Volume 2: Program description
• Dupuy, T. N. (1987). Understanding War: History and Theory of Combat. Paragon House.
• Cappello, F., Sabatini, R., Ramasamy, S., & Marino, M. (2015). Particle filter based multi-sensor data fusion techniques for RPAS navigation and guidance. 2015 IEEE Metrology for Aerospace (MetroAeroSpace). Published. https://doi.org/10.1109/metroaerospace.2015.7180689
• Find minimum of constrained nonlinear multivariable function - MATLAB fmincon. (2021). MATLAB & Simulink. https://www.mathworks.com/help/optim/ug/fmincon.html
• Introduction to Kalman Filter and Its Applications website. (2021). Mathworks.https://www.mathworks.com/matlabcentral/fileexchange/68262-introduction-to-kalman-filter-and-its-applications
• López, N.R., & ŻBikowski, R. (2018). Effectiveness of Autonomous Decision Making for Unmanned Combat Aerial Vehicles in Dogfight Engagements. Journal of Guidance, Control, and Dynamics, 41(4), 1021–1024. https://doi.org/10.2514/1.g002937
• McGrew, J. S., How, J. P., Williams, B., & Roy, N. (2010). Air-combat strategy using approximate dynamic programming. Journal of guidance, control, and dynamics, 33(5), 1641-1654.
• MathWorks website. (2021). https://www.mathworks.com/
• Meinhold, R. J., & Singpurwalla, N. D. (1983). Understanding the Kalman Filter. The American Statistician, 37(2), 123–127. https://doi.org/10.1080/00031305.1983.10482723
• Kim, Y., & Bang, H. (2019). Introduction to Kalman Filter and Its Applications. Introduction and Implementations of the Kalman Filter. Published. https://doi.org/10.5772/intechopen.80600
• Neff, M., Expressing Points in Different Coordinate Systems, [Online], http://www.dgp.toronto.edu/~neff/teaching/418/transformations/transformation.html, Access Date: 26 Nov. 2021.
• Nonlinear Programming. (2021). MATLAB & Simulink. https://www.mathworks.com/discovery/nonlinear-programming.html
• Ribeiro, M. I. (2004). Kalman and extended kalman filters: Concept, derivation and properties. Institute for Systems and Robotics, 43, 46.