Ταξινόμηση Κατάστασης Θέσης σε Γραμμικά Γεωμετρικά Πρότυπα με Μηχανές Επιβλεπόμενης Μάθησης για Ζητήματα Πλοήγησης και Καθοδήγησης

Φράγκος, Κυριάκος

dc.contributor.author	Φράγκος, Κυριάκος	el
dc.date.accessioned	2021-05-13T09:27:52Z
dc.date.available	2021-05-13T09:27:52Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53412
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21110
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πλοήγηση	el
dc.subject	Καθοδήγηση	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Αναγνώριση Προτύπου	el
dc.subject	Βελτιστοποίηση	el
dc.subject	Navigation	en
dc.subject	Guidance	el
dc.subject	Machine Learning	el
dc.subject	Pattern Recognition	el
dc.subject	Optimisation	el
dc.title	Ταξινόμηση Κατάστασης Θέσης σε Γραμμικά Γεωμετρικά Πρότυπα με Μηχανές Επιβλεπόμενης Μάθησης για Ζητήματα Πλοήγησης και Καθοδήγησης	el
dc.title	Positioning State Classification into Linear Patterns for Guidance Applications	en
dc.contributor.department	Εργαστήριο Ανώτερης Γεωδαισίας - Τομέας Τοπογραφίας	el
heal.type	doctoralThesis
heal.classification	ΤΕΧΝΟΛΟΓΙΑ KAI ΕΠΙΣΤΗΜΕΣ ΜΗΧΑΝΙΚΩΝ	el
heal.classificationURI	http://data.seab.gr/concepts/17ba0791499db908433b80f37c5fbc89b870084b
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2015-03-15
heal.abstract	Η παρούσα εργασία πραγματεύεται το διεπιστημονικό ζήτημα του ελέγχου ενός δυναμικού συστήματος, όπως αυτό εμφανίζεται κατά την κίνηση επίγειου οχήματος. Αναπτύσσεται αλγόριθμος που συνθέτει μεθόδους επιβλεπόμενης μηχανικής μάθησης και βελτιστοποίησης της εκτίμησης κατάστασης συστήματος, για την πλοήγηση οχήματος σε κατάσταση καθοδήγησης. Συγκεκριμένα, προτείνεται πρωτότυπη μεθοδολογία ταξινόμησης της θέσης εντοπισμού σε γραμμικά γεωμετρικά πρότυπα, όπου με την εφαρμογή- κατά την εξέλιξη της κίνησης- ενός LS SVM μοντέλου για αναγνώριση προτύπου (pattern recognition), ταυτοποιείται το γεωμετρικό προφίλ του ίχνους της τροχιάς του οχήματος, σε πραγματικό χρόνο. Με βάση μια σειρά αξιωμάτων κατηγοριοποίησης, η προτεινόμενη μηχανή εφαρμόζει ένα σχέδιο ταξινόμησης επί των παρεχόμενων εκτιμήσεων των παραμέτρων της περιστροφικής συμπεριφοράς του σώματος του οχήματος. Αυτές προκύπτουν από βελτιστοποίηση μετρήσεων αδρανειακής μονάδας τακτικού βαθμού, σε σχεδιασμό αυστηρής ολοκλήρωσης συστήματος GNSS/INS (tightly coupled integration). Το αποτέλεσμα είναι η ταξινόμηση των διαδοχικών σημείων-εκτίμηση θέσης που συνθέτουν το ίχνος της τροχιάς, σε κατάλληλα γεωμετρικά πρότυπα. Αυτά είναι γραμμικά στοιχεία όπως ευθείες γραμμές, κυκλικά τόξα και καμπύλες σύνθετου τύπου. Η επιτυχία της μεθοδολογίας έγκειται στην αξιοποίηση των ιδιοτήτων που προκύπτουν από το συνδυασμό των εκτιμήσεων θέσης και γωνιακής συμπεριφοράς. Βασικό αξίωμα κατηγοριοποίησης είναι ο ρυθμός αλλαγής της καμπυλότητας της τροχιάς, της οποίας η τιμή είναι άγνωστη κατά τη διάρκεια της κίνησης. Η μεθοδολογία αξιολογήθηκε με χρήση πραγματικών δεδομένων, που προέκυψαν από πείραμα κατά μήκος της σιδηροδρομικής γραμμής Αθήνα-Κιάτο. Με βάση τα πειραματικά αποτελέσματα, η προτεινόμενη μηχανή παρουσίασε πολύ υψηλά επίπεδα γενικευμένης απόδοσης κατά την εφαρμογή της σε άγνωστη διαδρομή, αναγνωρίζοντας το γραμμικό πρότυπο της τροχιάς σε επίπεδο 95% επί του συνόλου των σημείων-εκτίμηση θέσης που ταξινομήθηκαν σε κάποια γραμμική κλάση. Από την πρωτοτυπία της ταξινόμησης της θέσης εντοπισμού σε γραμμικά γεωμετρικά πρότυπα, προκύπτουν επιπλέον δυνατότητες καινοτομίας. Καθώς η μηχανή ταξινομεί τα σημεία εντοπισμού θέσης σε γραμμές γνωστής γεωμετρίας, ο αναδρομικός υπολογισμός της αναλυτικής έκφρασης του ίχνους της τροχιάς προσφέρει εκτιμήσεις γεωμετρικής εξομάλυνσης θέσης (position estimation smoothing) σε πραγματικό χρόνο. Ως εξομάλυνση θέσης πραγματικού χρόνου, προτείνεται ο προσδιορισμός του σημείου επί της τρέχουσας γραμμής ταξινόμησης που απέχει την ελάχιστη απόσταση από την αντίστοιχη εκτίμηση θέσης. Η εφαρμογή αυτής της καινοτομίας κάτω από συνθήκες με μεγάλο ερευνητικό ενδιαφέρον για την περιοχή της Πλοήγησης, όπως κακής λήψης δορυφορικού σήματος ή/και ολικής απώλειάς του, έδωσε κάποια πολύ ενδιαφέροντα αποτελέσματα, ως προς τις διορθώσεις που παρείχε στις εκτιμήσεις θέσης σε πραγματικό χρόνο. Τέλος, η προτεινόμενη μεθοδολογία βρήκε ουσιαστική εφαρμογή και στην αυτόματη εξαγωγή as-built γεωμετρικών στοιχείων χάραξης οδοποιίας, σε πραγματικό χρόνο, με ακριβή προσδιορισμό των σημείων εναλλαγής τους. Με βάση την εκπαίδευσή της, η μηχανή απέδωσε το ελάχιστο εύρος εντοπισμού του - υλοποιημένου στο έδαφος - σημείου συνένωσης δύο διαδοχικών στοιχείων χάραξης σε ποσοστό 60%.	el
heal.abstract	Concretely, guidance entails not navigation alone, but mainly the utilisation of the navigation solution for the maintenance of a moving vehicle course from one location to another. Technically, it depends heavily on the trajectory determination in 3D space which in effect, it concerns with two aspects; firstly, location information expressed at a suitable coordinate system and secondly, geometric information that shapes the path of the moving vehicle in a formation of a sequence of mathematical curves. Location information results directly from the navigation solution in a form of individual, consecutively distributed point fixes (position estimates), whereas geometric information can be extracted using various modelling approaches. Notwithstanding position estimation can be performed in real time, trajectory geometry is essentially determined post-hoc, as a real time procedure would infer trajectory geometry identification requiring prior knowledge of the curvature along the path nonetheless. In this frame, the following research venture discusses questions upon guidance, an interdisciplinary subject also known as the art of navigation. More specifically, it proposes a methodology to perform geometry identification of a vehicle trajectory in real time. It is a work of synthesis of supervised machine learning and optimal state estimation for the real time classification of point fixes into appropriate geometric classes. On the basis of a categorisation axiom derived from attitude estimation, a Least Squares Support Vector Machine (LS-SVM) for pattern recognition classifies sequential position estimates into linear elements (such as straight lines, simple circular curves or lines of a curvature variation). Thus, the geometrical profile of the trajectory path is being identified while an Extended Kalman filter aboard a tightly coupled GNSS/INS system estimates vehicle kinematics. The elemental outcome from the application of the proposed methodology is the statistical estimation with which consecutive point fixes are constrained to belong to the same class of a linear pattern beforehand. Thence, the parametric equation of such a geometrically recognised line is simultaneously updated, as its fitting parameters are being recalculated after the classification of a successive point fix at the same class. The training scheme is designed on learning features created from the position-to-position time-series of attitude delta values. Given that the value of the trajectory curvature is a priori unknown, the conception of this simple trick offers an implicit quantification of the curvature rate of change, delivering an intuitive solution to tackle this point at issue. Inherently, a great single asset of the proposed methodology is centred upon the learning features the classifier is trained on; thus classification prediction is less influenced by the quality of the navigation solution. Furthermore, prior knowledge of the geometric formation of a vehicle path implies knowledge of its trajectory smooth analytical expression; it implies a real time positioning smoothing, in other words. In order to verify generalisation performance potentialities for the learning algorithm, a point classification application was implemented using real-world navigational data collected along a 120 km suburban railway track connecting Athens with Kiato at the north of Peloponnesus (Greece). According to the experimental results, two classifiers of different training length have both carried out a fine generalisation performance along unknown routes, recognising the linear pattern on any of the unseen point fixes at a level of 95%. Moreover, the implementation of the “real time positioning smoothing” in conditions of bad perception/outage of satellite signal delivered some significant corrections with regard to a post processed reference trajectory.	en
heal.advisorName	Γκίκας, Βασίλης	el
heal.committeeMemberName	Παραδείσης, Δημήτρης	el
heal.committeeMemberName	Κυριακόπουλος, Κώστας	el
heal.committeeMemberName	Δεληκαράογλου, Δημήτρης	el
heal.committeeMemberName	Παναγόπουλος, Θανάσης	el
heal.committeeMemberName	Σταθάς, Δήμος	el
heal.committeeMemberName	Ρωσσικόπουλος, Δημήτρης	el
heal.academicPublisher	Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	166
heal.fullTextAvailability	true