พาหนะแบบไร้มนุษย์ (UV) พึ่งพาระบบนําทางที่ถูกต้องอย่างมาก เพื่อดําเนินการอย่างมีประสิทธิภาพ ความผิดพลาดในการเดินทางอาจนําไปสู่ความล้มเหลวหรือปัญหาความปลอดภัยได้ บทความนี้ทําการสํารวจข้อผิดพลาดของการขนส่งทั่วไปในยูเอวี และอัลกอริทึมที่ใช้วิเคราะห์และแก้ไขข้อผิดพลาดเหล่านี้
ชนิดของการนําทางผิดพลาด
การนําร่องผิดพลาดใน UAV สามารถถูกจัดเป็นข้อผิดพลาดของเซ็นเซอร์ ผลกระทบทางสิ่งแวดล้อม และอัลกอริทึมที่ผิดพลาดได้ ข้อผิดพลาดของเครื่องตรวจจับนั้นรวมถึงการลําเอียงและสัญญาณรบกวนใน GPS, หน่วยวัดความไม่สมบูรณ์ (MMU) และตัวตรวจจับอื่น ๆ ปัจจัยแวดล้อม เช่น สัญญาณ GPS หรือสัญญาณรบกวน อาจทําให้เกิดการเบี่ยงเบนได้ อัลกอริทึมของ ALGritomic ที่เกิดจากการประมวลผลหรือการตั้งสมมติฐานที่ไม่สมบูรณ์
เกิดข้อผิดพลาดระหว่างวิเคราะห์เทคโนโลยี
การวิเคราะห์ข้อผิดพลาดที่มีผลมีการเปรียบเทียบข้อมูลเซนเซอร์ กับส่วนที่อ้างถึง หรือแบบจําลอง ตัวกรองคาลแมนถูกใช้อย่างกว้างขวางในการประมาณสถานะ UAV โดยรวมค่าเข้าและค่าผิดพลาดหลายค่า นอกจากนี้ ตัวกรองอนุภาคและวิธีการต่าง ๆ ของ Bayesian ก็ช่วยในการประเมินความบิดเบือน และระบุแหล่งข้อผิดพลาดได้
อัลกอริธึมแก้ไข
อัลกอริทึมแก้ไขหมายปรับข้อมูลการนําทางของ UAV เพื่อให้แม่นยําขึ้น เทคนิคการสังเคราะห์ของคอมไพล์จาก GPS, IMUs และเซ็นเซอร์อื่น ๆ เพื่อชดเชยข้อผิดพลาดของแต่ละเครื่อง การตรวจจับและแก้ไขแบบภาพแบบ LDAR ยังถูกนําไปใช้ในสภาพแวดล้อมที่สัญญาณ GPS ไม่น่าเชื่อถืออีกด้วย
วิธี แก้ ข้อ แย้ง ทั่ว ไป
- [FLT: 0] ตัวกรอง Kalman: ประมวลข้อมูลเซ็นเซอร์เพื่อผลิตการประเมินตําแหน่งและความเร็วที่เหมาะสม
- [FLT: 0]. Sensor Fuction: ขัดขวางการป้อนเซ็นเซอร์หลายตัว เพื่อลดข้อผิดพลาด.
- [FLT: 0] SEML (ระบบย่อยย่อยและข้อมูลท้องถิ่น: ใช้คุณสมบัติสิ่งแวดล้อมแก้ไขข้อมูลการนําร่อง
- [FLT: 0] การแก้ไขแบบธรรมชาติและ LiDAR : กล้องและข้อมูลเลเซอร์สําหรับการปรับปรุงเวลาจริง (FLT:1).