| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,829 |
| تعداد مقالات | 32,098 |
| تعداد مشاهده مقاله | 40,864,088 |
| تعداد دریافت فایل اصل مقاله | 18,113,710 |
مقایسه روش‌های دمپستر_شافر ارتقاء یافته(یاگر) و فیلتر کالمن در تلفیق داده‌های حسگرها جهت موقعیت یابی یک تراکتور مدل در محیط‌های کشاورزی | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقاله 6، دوره 22، شماره 78، شهریور 1400، صفحه 89-106 اصل مقاله (2.18 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/amsr.2021.352107.1365 | ||
| نویسندگان | ||
| فرهاد چابک1؛ علیرضا رضائی* 2؛ میلاد اسدپور3 | ||
| 1کارشناسی ارشد گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران | ||
| 2استادیار گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران | ||
| 3دانشجوی کارشناسی ارشد گروه بین رشته ای فناوری، بخش مکاترونیک و ممز، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران | ||
| 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 | ||
| اتوماسیون ماشین‌های کشاورزی؛ سنسورهای موقعیت‌یاب؛ ربات متحرک؛ روش‌های تلفیق داده | ||
| عنوان مقاله [English] | ||
| Sensor Data Fusion for Positioning of Agriculture Mobile Robot using Dempster-Shafer Method | ||
| نویسندگان [English] | ||
| farhad chabok1؛ alireza rezaee2؛ milad asadpour3 | ||
| 1tehran , tehran univesity , mechatronic department | ||
| 2Assistant Professor, Intelligent mobile robot lab, Interdisciplinary Technology group, Mechatronics and Mems part, faculty of new sciences and technologies, university of Tehran, Tehran, Iran, | ||
| 3tehran , tehran univesity , mechatronic department | ||
| چکیده [English] | ||
| 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 Dempster-Shafer 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 Dempster-Shafer 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 Dempster-Shafer 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 Sim-mechanics 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. | ||
| کلیدواژه‌ها [English] | ||
| Agricultural Machinery Automation, Integrated Method, Mobile Robot, Positioning Sensors | ||
| 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,
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. | ||
|
آمار تعداد مشاهده مقاله: 373 تعداد دریافت فایل اصل مقاله: 179 |
||