مقايسه روش‌هاي دمپستر_شافر ارتقاء يافته(ياگر) و فيلتر كالمن در تلفيق داده‌هاي حسگرها جهت موقعيت يابي يك تراكتور مدل در محيط‌هاي كشاورزي

Sensor Data Fusion for Positioning of Agriculture Mobile Robot using Dempster-Shafer Method

موقعيت‌يابي وسيله نقليه با هر ساختار، فضاي‌كاري و وظيفه، يكي از اساسي‌ترين مسائل در حوزه اتوماسيون ماشين‌هاي كشاورزي و پيش‌نياز حركت وسيله نقليه است كه همواره داراي چالش و مورد توجه پژوهشگران بوده است. در اين پژوهش، روش دمپستر-شافر ارتقاءيافته (ياگر) و فيلتر كالمن به عنوان دو ابزار اصلي تلفيق و پردازش داده‌هاي حسگرهاي موقعيت‌يابي يك تراكتور مدل، براي دستيابي به بهترين تخمين در موقعيت‌يابي با توجه به شرايط محيطي متغير مورد استفاده قرار گرفتند. همچنين با ارائه روشي جديد، وزن‌دهي ابتدايي به اطلاعات هر يك از حسگرها شامل حسگر موقعيت‌يابي جهاني، حسگر اثر ماند و دورسنج چرخ‌ها با توجه به ميزان اطمينان از صحت هر يك انجام شد. معادلات هندسي حاكم بر تراكتور مدل استخراج شده و از يك كنترلر تناسبي- انتگرال‌گير- مشتق‌گير براي كنترل سينماتيكي تراكتور مدل در شبيه‌ساز مكانيكي Sim-Mechanics نرم‌افزار Matlab پياده‌سازي شد. همچنين با استفاده از دو معيار آشكارساز مغناطيسي و ميانگين مربع خطا ميزان خطاي موقعيت‌يابي در دو روش فيلتر كالمن و دمپستر- شافر ارتقاءيافته (ياگر) مقايسه شد. در حالت اعمال نوفه نرمال گوسي، فيلتر كالمن با متوسط خطاي 2/82 درصد عملكرد بهتري از روش دمپستر-شافر ارتقاءيافته (ياگر) با 4/88 درصد خطا در معيار ميانگين مربع خطا، داشت. اما در شرايط اعمال نوفه غيرگوسي كه در محيط واقعي نيز وجود دارد، فيلتر كالمن با خطاي 4/2 درصدي همراه بود، حال آنكه رفتار روش دمپستر- شافر در مواجهه با اين شرايط بهبود يافته و ميانگين خطايي برابر 3/1 درصد داشت. در شرايط محيطي واقعي و آزمايش عملي نيز روش دمپستر-شافر ارتقاءيافته (ياگر) نسبت به فيلتر كالمن عملكرد دقيق‌تري دارد. در انتها لازم به ذكر است كه با توجه به ميزان خطاي اندك روش دمپستر- شافر ارتقاءيافته در محيط واقعي، تجهيزات تراكتور مدل را مي‌توان در مقياس صنعتي و براي تراكتورهاي كشاورزي واقعي استفاده نمود كه گامي بلند در راستاي اتوماسيون ماشين‌هاي كشاورزي است.

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.