Journal of Acoustical Society of Iran

fa بهبود اندازه‌گیری‌های سرعت‌سنج داپلر با استفاده از یک رویکرد مبتنی بر داده بر پایه شبکه عصبی پیچشی‌ برای ناوبری شناورهای زیرآبی Improvement of Doppler Velocity Log Measurements Using a Data-Driven Approach Based on Convolutional Neural Networks for Underwater Vehicle Navigation آوصوتیّات Hydroacoustics پژوهشي Research شناورهای زیرآبی (زیردریایی‌ها) عموما کاربردهای مختلفی در حوزه‌های تجاری و نظامی دارند. به علت محدودیت استفاده از سامانه‌ ناوبری ماهواره‌ای در زیرآب، عموماً ناوبری و تعیین موقعیت این شناورها در زیرآب با چالش همراه است. یکی از بهترین روش‌های رایج و بدون محدودیت مکانی برای تعیین موقعیت این شناورها، تلفیق سامانه‌ ناوبری لختی (INS) با سرعت‌سنج داپلری (DVL) است. در این سامانه‌ ناوبری، سرعت‌سنج داپلری، بردار سرعت شناور را محاسبه می‌کند که دقت آن نقش تعیین‌کننده در دقت ناوبری داشته و به تخمین متغیرهای حالت سامانه‌ ناوبری کمک می‌کند. این پژوهش، یک روش مبتنی بر داده بر پایه شبکه عصبی پیچشی (CNN) برای رگرسیون بردار سرعت تخمینی با استفاده از سرعت‌سنج داپلری را پیشنهاد می‌کند. دقت تخمین بردار سرعت در این روش بهبود می‌یابد و می‌تواند جایگزین رویکرد رایج مبتنی بر الگو مانند روش حداقل مربعات شود. در این روش، از اندازه‌گیری‌های پرتو سرعت‌سنج داپلری فعلی و داده‌های حسگر لختی (شتاب‌سنج و چرخش‌نما) برای تخمین سرعت شناور استفاده می‌شود. شبیه‌سازی و تست با داده‌های واقعی سرعت‌سنج داپلری انجام شد تا روش پیشنهادی با رویکرد مبتنی بر الگو اعتبارسنجی شود. نتایج نشان می‌دهد که روش پیشنهادی به بهبود بیش از 60 درصد در تخمین بردار سرعت حاصل از سرعت‌سنج داپلری دست یافته است. <div style="text-align: justify;">Underwater vehicles (submersibles) typically have a wide range of commercial and military applications. Due to the limitations of satellite-based navigation systems underwater, the navigation and positioning of these vehicles pose significant challenges. One of the most effective and widely-used methods without spatial constraints for positioning such vessels is the integration of an Inertial Navigation System (INS) with a Doppler Velocity Log (DVL). In this integrated navigation system, the DVL calculates the vehicle's velocity vector, the accuracy of which is crucial for overall navigation precision and aids in estimating the navigation system's state variables. This study proposes a data-driven Convolutional Neural Network (CNN) approach for regressing the DVL-estimated velocity vector, which enhances estimation accuracy and can replace conventional model-based estimators such as the Least Squares (LS) method. The proposed method utilizes current DVL beam measurements and inertial sensor data (from accelerometers and gyroscopes) to estimate the vehicle's velocity. Simulations and experiments were conducted using real DVL data to validate the proposed method against the model-based approach. The results demonstrate that the proposed method achieves an improvement of over 60% in estimating the DVL velocity vector.</div> سرعت‌سنج‌ داپلری, سامانه‌ ناوبری ترکیبی, شبکه عصبی پیچشی‌, یادگیری عمیق. Doppler velocity log, Integrated navigation system, Convolutional neural network, Deep learning. 53 61 http://joasi.ir/browse.php?a_code=A-10-1191-1&slc_lang=fa&sid=1 mostafa hosseini سید مصطفی حسینی seied64@yahoo.com 1262486270 10031947532846004281 Yes دانشگاه علوم دریایی امام خمینی (ره)