נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
עקיבה אקטיבית מבוססת למידה עמוקה עבור רחפנים
Deep-Learning Aided Dynamic Active Tracking System for UAVs
תקציר בעיברית
עקיבה אחר מלט עוין בעזרת מל״ט נושא מערכת משולב רשת נוירונים לעקיבה עבור סביבה דינמית לא ידועה שמות הסטודנטים: שאול קונסטנטין, רז אוחיון. Shaulkon@post.bgu.ac.il , razoh@post.bgu.ac.il שם המנחה: דוקטור ניר שלזינגר. אנו שואפים להתמודד עם האתגרים של הערכת מצב בזמן אמת ובקרת מעקב למידה עמוקה עבור כלי טיס בלתי מאוישים (מל"טים) הפועלים במרחב אווירי מאוכלס. הגישה החדשנית שלנו משלבת שיטות סינון קלאסיות עם היכולות של למידה עמוקה (DL) כדי להתגבר על דינמיקה מורכבת באמצעות נתונים. על ידי שילוב מודול ייעודי לרשת עצבית חוזרת (RNN), אנו מייעלים את החלטת המעקב אחר DL ומשפרים את הערכת המצב הקלאסית. באמצעות אימון למידת חיזוק ב-RNN, תוצאות ראשוניות מדגימות את יכולתו של המודל ללמוד משימות מעקב בודדות של מל"טים, מה שמצביע על הפוטנציאל שלו ככלי רב עוצמה בתרחישי מעקב של מל"טים. הגישה שלנו ממזגת את יכולת הפרשנות של סינון קלמן מורחב עם הכוח של למידה עמוקה, תוך התייחסות יעילה לאי-לינאריות ואי-התאמות במודל. הממצאים הראשוניים המבטיחים הללו מצביעים על עתיד מזהיר למודל שלנו ביישומים בעולם האמיתי, המאפשרים הובלה מאובטחת של מל"טים ומבטיחים ניצול בטוח של המרחב האווירי. מילות מפתח: מל"טים, מעקב מכ"ם, הערכת מצב, מערכות דינמיות, מצב-מרחב, עיבוד אותות, למידה עמוקה מבוססת מודלים, RNN, MLP, LSTM, Transformer.
תקציר באנגלית
Deep-learning UAV dynamic tracking system - a Neural Network Aided Extended Kalman Filtering for Partially Known Dynamics Students Names: Konstantin Shaul, Ohayon Raz. Advisors: Dr. Shlezinger Nir. Shaulkon@post.bgu.ac.il , razoh@post.bgu.ac.il We aim to tackle the challenges of real-time state estimation and deep learning tracking control for unmanned aerial vehicles (UAVs) operating in populated airspace. Our novel approach combines classic filtering methods with the capabilities of deep learning (DL) to overcome complex dynamics using data. By incorporating a dedicated recurrent neural network (RNN) module, we optimize the DL tracking decision and enhance the classic state estimation. Through reinforcement learning training on the RNN, preliminary results demonstrate the model's ability to learn single UAV tracking tasks, indicating its potential as a powerful tool in UAV tracking scenarios. Our approach merges the interpretability of Extended Kalman filtering with the power of deep learning, effectively addressing non-linearities and model discrepancies. These promising initial findings suggest a bright future for our model in real-world applications, facilitating secure UAV transportation and ensuring safe airspace utilization. Keywords: UAVs, Radar tracking, state estimation, dynamical systems, state-space, signal-processing, model-based Deep-Learning, RNN, MLP, LSTM, Transformer.