Araştırma, Küresel Navigasyon Uydu Sistemleri (GNSS) kullanılamadığında bir multikopterin yerde gördüğü araziyi daha önce kaydedilmiş rota görüntüleriyle karşılaştırarak konumunu belirlemesini ve rotasına geri yönelmesini amaçlayan uyarlamalı bir yerleşik görü sistemi öneriyor. Sistemin ayırt edici özelliği, tek bir görüntü tanıma yöntemine sürekli bağlı kalmak yerine gözlenen arazi ve görüntü koşullarına göre farklı tanıma yöntemlerinin uygunluğunu değerlendirmesi, daha elverişli yöntemi seçmesi veya birkaç yöntemi ağırlıklı biçimde birleştirmesidir.

Yaklaşım klasik nesne tespitinden farklı olarak Dünya yüzeyinin tamamını yapısal bir navigasyon kaynağı gibi ele alıyor. Multikopter kamerasından gelen iki boyutlu arazi görüntüsü gürültü giderme, parlaklık normalizasyonu, geometrik düzeltme, segmentasyon, gri tona dönüştürme ve ölçekleme gibi işlemlerden geçirildikten sonra bir tek boyutlu yapısal sinyale dönüştürülüyor. Bu sinyal, arazi görüntüsündeki parlaklık ve yapısal değişimin bir dizi halinde temsil edilmesini sağlıyor ve referans rota görüntülerinden çıkarılmış sinyallerle karşılaştırılıyor.

Tanıma sistemi amplitude method (AM), derivative method (DM), Dynamic Time Warping (DTW), Derivative Dynamic Time Warping (DDTW), Fourier Transform (FT) ve Wavelet Transform (WT) yöntemlerinden oluşan bir yöntem havuzu tanımlıyor. Ancak mevcut araştırmanın sayısal deneylerinde bu havuzun tamamı değil, esas olarak WT ve FT karşılaştırılıyor. Yöntemlerin davranışı tek bir ölçüte göre değil; uniformity, symmetry, convergence rate ve sensitivity olarak adlandırılan dört yeterlilik kriteriyle değerlendiriliyor.

Bu amaçla araştırmacı, temel arazi görüntüsünü kontrollü miktarlarda kaydırarak yapay sinyal aileleri oluşturuyor. \(d_1=2\) ve \(d_2=4\) uzamsal kaydırma değerlerinde WT ve FT'nin yeterlilik ölçütlerinin değiştiği gösteriliyor. Böylece hangi tanıma yönteminin belirli bir görüntü ailesinde daha kararlı davrandığına ilişkin bir değerlendirme yapılması amaçlanıyor. Çalışmanın kendi yorumuna göre sensitivity analizi WT tabanlı yaklaşımın FT'ye göre daha yüksek dayanıklılık gösterdiğine işaret ediyor.

Gerçek arazi örneklerinin tanınmasında referans görüntü \(L_0\) ile ona giderek daha az benzeyen \(L_1\), \(L_2\) ve \(L_3\) görüntüleri karşılaştırılıyor. WT mesafeleri sırasıyla 26,286; 137,53 ve 214,24, FT mesafeleri 18,861; 45,234 ve 56,916, “Convolution” olarak verilen birleşik yaklaşımın değerleri ise 24,236; 112,05 ve 170,81 olarak raporlanıyor. Her üç yaklaşımda da görüntü referanstan uzaklaştıkça mesafenin büyümesi, yapısal-sinyal gösteriminin arazi benzerliğindeki değişimi ayırabildiğini gösteriyor.

Bununla birlikte bu değerler doğrudan bir “tanıma doğruluğu yüzdesi” değildir. Çalışmada sınıflandırma accuracy, precision, recall, konum hatası, metre cinsinden rota sapması veya gerçek uçuş başarısı raporlanmamaktadır. Ayrıca yöntemler farklı ölçüm ölçekleri üretebildiğinden FT'nin mutlak mesafe değerlerinin WT'den küçük olması tek başına FT'nin daha başarılı olduğu anlamına gelmez; makale de farklı yöntemlerin sonuçlarının ağırlıklı birleştirme öncesinde normalize edilmesi gerektiğini belirtmektedir.

Önerilen tam mimari yalnız görüntü tanımadan oluşmuyor. Referans rota kontrol noktaları, bunlara ait görüntüler ve yapısal sinyaller önceden yerleşik veri tabanında saklanıyor. Mevcut görüntü en olası kontrol noktasıyla eşleştiriliyor, önceki ve sonraki kontrol noktalarıyla mantıksal tutarlılık denetleniyor, gerektiğinde rota sırası ters çevrilerek dönüş rotası oluşturuluyor ve konum farkları uçuş kontrolüne aktarılıyor. Ancak bu tam kapalı çevrim mimari bu çalışmada fiziksel bir multikopter üzerinde doğrulanmış değildir.

Türkiye açısından değerlendirme: Arazi referanslı görsel navigasyon yaklaşımı, GNSS alımının doğal veya teknik nedenlerle zayıfladığı bölgelerde çalışan haritalama, altyapı inceleme, arama-kurtarma ve otonom hava aracı araştırmaları açısından yöntemsel değer taşıyabilir. Özellikle yüksek hesaplama gücü gerektiren büyük öğrenme modelleri yerine sinyal işleme tabanlı bir yöntem havuzuna yönelmesi düşük güçlü yerleşik bilgisayarlar açısından araştırmaya değerdir. Ancak Türkiye'deki gerçek bir saha uygulaması için farklı arazi tipleri, mevsimler, ışık koşulları, irtifalar, kamera geometrileri, IMU bütünleştirmesi, gerçek işlemci gecikmesi ve fiziksel GNSS kaybı senaryolarıyla ayrıca doğrulama gerekir.

GNSS kaybolduğunda temel problem nedir?

Bir multikopter GNSS bilgisini kaybettiğinde yalnız atalet sensörlerinden üretilen konum tahminleri zaman içinde hata biriktirebilir. Araştırma bu nedenle yerdeki arazi görünümünü dış bir navigasyon referansı gibi kullanmayı amaçlıyor.

Temel fikir şöyledir: Multikopter rota boyunca daha önce tanımlanmış belirli kontrol noktalarında arazinin nasıl görünmesi gerektiğini bilir. Uçuş sırasında mevcut kamera görüntüsü bu referanslarla karşılaştırılır. En iyi eşleşme, aracın hangi rota kontrol noktasına yakın olduğuna ilişkin görsel bir konum tahmini oluşturur.

Şekil 1'deki genel sistem mimarisi

Çalışmanın ana mimarisi altı ana katman halinde gösterilmektedir:

1. Sensör katmanı: multikopter platformu, aşağı bakan kamera, IMU ve barometre.
2. Görüntü edinme ve ön işleme: ham kare, gürültü azaltma, parlaklık normalizasyonu, geometrik düzeltme, ilgi bölgesi çıkarımı, segmentasyon, gri tona dönüşüm ve yeniden boyutlandırma.
3. Yapısal-sinyal gösterimi: işlenmiş arazi görüntüsünün lineerleştirilerek tek boyutlu sinyale dönüştürülmesi.
4. Uyarlamalı tanıma: farklı yöntemlerin ve yeterlilik kriterlerinin değerlendirilmesi, yöntem seçimi ve ağırlıklı birleştirme.
5. Navigasyon analizi: referans sinyalleriyle eşleşme, kontrol noktası bulma, rota ve konum/yön tahmini.
6. Uçuş kontrolü: rota takibi, tutum–irtifa kontrolü, hız kontrolü ve aktüatör komutları.

Mimarinin altında ayrıca önceden oluşturulmuş bir referans veri tabanı bulunur. Burada rota planı, rota boyunca alınmış referans arazi görüntüleri, bunlardan çıkarılan yapısal sinyaller ve her görüntünün koordinatları saklanır.

Bu şema çalışmanın sistem düzeyindeki hedefini çok açık gösterse de deneysel kanıtın tamamı bu blokların hepsini kapsamamaktadır. IMU, barometre, tutum kontrolü veya aktüatör komutları için deneysel sensör füzyonu ya da kapalı çevrim uçuş grafikleri verilmemiştir.

Arazi görüntüsü neden tek boyutlu sinyale çevriliyor?

Çalışmanın temel tasarım tercihi, yüksek çözünürlüklü iki boyutlu arazi görüntüsünü doğrudan ağır görüntü tanıma mimarileriyle karşılaştırmak yerine yapısal özelliklerini bir boyutlu sinyal halinde temsil etmektir.

Başlangıç görüntüsü:

\[ I(x,y) \]

ile gösterilmektedir.

Ön işlemden sonra görüntü gri tona çevrilir:

\[ I(x,y)\rightarrow C(x,y) \]

ardından segmentasyon ve ölçekleme sonucunda:

\[ C(x,y)\rightarrow C_s(x,y) \]

elde edilir.

Son aşamada görüntü lineerleştirilerek:

\[ S(t)=\mathfrak{I}\{C_s(x,y)\} \]

biçiminde tek boyutlu bir yapısal sinyal üretilir. Buradaki \(\mathfrak{I}\), kaynakta görüntü lineerleştirme işlemini temsil eden operatördür.

Ortaya çıkan \(S(t)\) dizisi, arazinin uzamsal yapısına bağlı parlaklık değişimini sinyal işleme yöntemlerinin kullanabileceği biçime dönüştürür.

Şekil 2'nin gösterdiği dönüşüm

Şekil 2 yöntemi görsel olarak:

Arazi görüntüsü → Ön işleme → Segmentasyon → Gri ton → Lineerleştirme → Yapısal sinyal

zinciriyle göstermektedir.

Burada kaynak içinde küçük bir sıra farkı vardır. Metinsel açıklama gri tona dönüşümü segmentasyondan önce tarif ederken Şekil 1 ve Şekil 2 segmentasyonu gri tona dönüşümden önce yerleştirir. Bu durum yöntemin genel mantığını değiştirmez; ancak yazılımın birebir yeniden uygulanması açısından işlem sırasını belirsiz bırakır.

Yapay arazi-sinyal ailesi nedir?

Bir yöntemin yalnız tek görüntü çiftinde iyi sonuç vermesi yeterli görülmemektedir. Araştırmacı, yöntemlerin küçük uzamsal değişiklikler karşısında nasıl davrandığını incelemek amacıyla temel sinyali kontrollü biçimde değiştirerek yapay sinyal aileleri oluşturur.

Temel yapısal sinyal:

\[ S_0(t) \]

olduğunda aile:

\[ \Omega_h= \{S_0(t),S_1(t),\ldots,S_n(t)\} \]

şeklindedir.

\(S_i(t)\) sinyalleri, temel arazi görüntüsünün sabit \(h\) adımlarıyla uzamsal olarak kaydırılmış sürümlerinden oluşturulur.

Araştırma bu yapının şu değişimleri kontrollü biçimde temsil edebileceğini belirtmektedir:

• multikopter konumundaki kayma,
• bakış açısı değişikliği,
• görüntü ölçeği değişikliği,
• yerel uzamsal bozulmalar,
• görüntü oluşum koşullarındaki değişiklikler.

Tanıma mesafesi neyi ifade ediyor?

Her yapay sinyal, referans sinyalle seçilen tanıma yönteminin mesafe metriği üzerinden karşılaştırılır:

\[ D_k(S_0,S_i) \]

Burada \(k\), kullanılan tanıma yöntemini ifade eder.

Ardışık:

\[ D_k(S_0,S_1),\; D_k(S_0,S_2),\ldots, D_k(S_0,S_n) \]

değerlerinin davranışı yöntemin görüntü kayması ve bozulması karşısındaki kararlılığını değerlendirmek için kullanılır.

Dört yeterlilik kriteri

Kaynak tanıma yöntemlerini dört kriterle değerlendirmektedir:

Bu kriterlerin matematiksel formülleri mevcut makalede yeniden verilmemiş, önceki araştırmalara yönlendirilmiştir. Dolayısıyla çalışmanın yeterlilik değerlendirme modülü yalnız bu makaleden hareketle sıfırdan tamamen yeniden üretilemez.

Integral yeterlilik fonksiyonu

Bir tanıma yöntemi için dört kriter:

\[ \Phi_k= \alpha_1C_{1k}+ \alpha_2C_{2k}+ \alpha_3C_{3k}+ \alpha_4C_{4k} \]

ifadesiyle birleştirilir.

Katsayılar:

\[ \sum_{i=1}^{4}\alpha_i=1, \qquad \alpha_i\geq0 \]

koşulunu sağlar.

Çalışmadaki deneylerde bütün kriterlerin eşit önemde olduğu kabul edilerek:

\[ \alpha_1= \alpha_2= \alpha_3= \alpha_4= 0,25 \]

kullanılmıştır.

Kaynakta daha düşük \(\Phi_k\) değerinin ilgili görüntü ailesi için daha uygun tanıma yöntemine karşılık geldiği belirtilir.

Hangi tanıma yöntemleri düşünülüyor?

Yöntem havuzu:

\[ M= \{ M_{AM}, M_{DM}, M_{DTW}, M_{DDTW}, M_{FT}, M_{WT} \} \]

şeklinde tanımlanmıştır.

Bunlar:

• Amplitude Method — AM,
• Derivative Method — DM,
• Dynamic Time Warping — DTW,
• Derivative Dynamic Time Warping — DDTW,
• Fourier Transform tabanlı yöntem — FT,
• Wavelet Transform tabanlı yöntem — WT

olarak sıralanmaktadır.

Belirli bir sinyal ailesi için tercih edilen yöntem:

\[ M^*(\Omega_h) = \arg\min_{M_k\in M} \Phi_k(\Omega_h) \]

ile seçilir.

Kanıt sınırı: Mevcut makalenin deneysel tabloları bu altı yöntemin tamamına ait değildir; mevcut sayısal yeterlilik deneyleri WT ve FT ile sınırlıdır.

Tek yöntem seçmek zorunlu mu?

Hayır. Çalışmanın önemli özelliklerinden biri, yalnız en iyi yöntemi seçmek yerine birkaç yöntemin sonucunu ağırlıklı biçimde birleştirebilmesidir.

Birleşik mesafe:

\[ D_A(S_{cur},R_i) = \sum_{k=1}^{m} w_kD_k(S_{cur},R_i) \]

olarak tanımlanmaktadır.

\(S_{cur}\) mevcut arazi görüntüsünün yapısal sinyalidir; \(R_i\) ise i'nci kontrol noktasının referans sinyalidir.

Yöntem ağırlıkları nasıl tanımlanıyor?

Teorik tanımda:

\[ w_k= \frac{ (\Phi_k+\varepsilon)^{-1} }{ \displaystyle \sum_{r=1}^{m} (\Phi_r+\varepsilon)^{-1} } \]

verilmektedir.

Böylece daha düşük integral yeterlilik puanına sahip yöntemin ağırlığının daha büyük olması amaçlanır.

Kaynak sonuçlarındaki Tablo 4 ise tek bir nihai \(w_{WT}\) ve \(w_{FT}\) çifti vermek yerine her C1–C4 kriteri için ayrı WT/FT ağırlıkları göstermektedir. Bu değerler Tablo 3'teki sensitivity katsayılarının normalizasyonuyla örtüşmektedir. Teorik Denklem (6) ile bu tablo arasında kullanılan ara hesaplama açıklanmadığı için nihai ağırlıklı füzyon tam olarak yeniden üretilebilir değildir.

Kontrol noktası nasıl seçiliyor?

Mevcut görüntünün yapısal sinyali bütün referans sinyalleriyle karşılaştırılır. En küçük integral mesafeyi veren referansın bağlı olduğu kontrol noktası en olası konum kabul edilir:

\[ P^* = \arg\min_i D_{int}(S_{cur},R_i) \]

Kaynak, en iyi ve sonraki alternatif mesafe değerleri arasındaki farkı da tanıma kararının güvenilirliği için kullanmayı önerir. En iyi eşleşme diğerlerinden belirgin biçimde ayrılıyorsa kararın güveni daha yüksek kabul edilir.

Burada küçük bir notasyon farkı da vardır: ağırlıklı metrik Denklem (5)'te \(D_A\) olarak tanımlanırken kontrol noktası seçiminde \(D_{int}\) sembolü kullanılmaktadır; ikisi arasındaki eşitlik ayrıca yazılmamıştır.

Ardışık kontrol noktaları neden kullanılıyor?

Tek bir görüntünün benzer arazi nedeniyle yanlış kontrol noktasıyla eşleşmesi mümkündür. Bu nedenle sistem yalnız tek kareyi bağımsız değerlendirmek yerine daha önce tanınmış kontrol noktalarının rota üzerindeki sırasını da hesaba katar.

Rota:

\[ T= \{P_1,P_2,\ldots,P_N\} \]

şeklinde saklanır.

Bir sonraki tanınan kontrol noktasının mevcut rota sırasıyla mantıksal uyumluluğu kontrol edilir. Bu yaklaşım görsel olarak birbirine benzeyen arazi parçalarında hatalı yerelleştirme olasılığını azaltmayı amaçlar.

GNSS kaybolduğunda dönüş rotası

Çalışmanın önerdiği geri dönüş mantığında mevcut rota ters sıraya çevrilir:

\[ T^{-1} = \{P_N,P_{N-1},\ldots,P_1\} \]

ve sistem görsel olarak yeniden tanıdığı kontrol noktaları üzerinden ters yönde ilerlemeyi planlar.

Bu yapı makalede bir navigasyon mimarisi olarak tanımlanmıştır; fiziksel bir multikopterin otomatik dönüş uçuşuyla doğrulanmamıştır.

Uçuş kontrolüne hangi hata gönderiliyor?

Tanıma ve kontrol noktası yerelleştirmesinden sonra hedef ve mevcut koordinatlar arasındaki uzamsal hatalar:

\[ \Delta x=x_r-x \]

\[ \Delta y=y_r-y \]

\[ \Delta z=z_r-z \]

olarak tanımlanır.

Bu hata değerlerinin rota düzeltme, konum kararlılığı ve uçuş komutlarını oluşturmak üzere multikopter kontrol sistemine verilmesi önerilmektedir.

Ancak makalede belirli bir PID, MPC, LQR veya başka bir uçuş kontrol yasası türetilmemiş; motor/aktüatör dinamiği ve kapalı çevrim kararlılık analizi yapılmamıştır. Uçuş kontrol katmanı sistem mimarisinin sonraki bölümü olarak gösterilmiştir.

Hesaplama verimliliği iddiasının sınırı

Kaynak yapısal-sinyal yaklaşımını, ağır görüntü tanıma ve derin öğrenme yöntemlerine kıyasla sınırlı yerleşik işlem kaynaklarına daha uygun bir alternatif olarak konumlandırmaktadır.

Buna rağmen mevcut çalışmada:

• işlemci modeli,
• GPU veya CPU kullanımı,
• RAM tüketimi,
• kare/saniye,
• tek görüntü işlem gecikmesi,
• güç tüketimi,
• gerçek zamanlı uçuş frekansı

için nicel benchmark verilmemiştir. Dolayısıyla “düşük kaynak gereksinimli gerçek zamanlı sistem” mevcut makalede ölçülmüş donanım performansı değil, önerilen mimarinin tasarım hedefidir.

Çalışmanın Yöntemi ve Bulguları

Deneyin gerçek kapsamı

\(d_1=2\) için yeterlilik değerleri

Ham değerlerde C1 ve C2 FT için, C3 ise WT için daha küçüktür. Bununla birlikte makale integral değerlendirmede normalize edilmiş kriterlerin kullanılması gerektiğini belirtir; normalize edilmiş C değerleri ve nihai \(\Phi\) değerleri yayımlanmadığından yalnız bu tablodaki ham sayılardan hangi yöntemin integral olarak daha uygun olduğu hesaplanmamalıdır.

\(d_2=4\) için yeterlilik değerleri

Kaydırma 2'den 4'e çıkarıldığında her iki yöntemin kriter değerleri değişmektedir. Çalışmanın temel çıkarımı, tanıma yönteminin davranışının arazi görüntüsünün dönüşüm derecesine bağlı olduğu ve sabit tek yöntem kullanmanın her görüntü koşulunda aynı kararlılığı sağlamayabileceğidir.

Sensitivity katsayıları

Kaynak, bu sonuçları WT tabanlı tanıma yönteminin FT tabanlı yönteme göre daha yüksek robustness gösterdiği şeklinde yorumlamaktadır. Kriterin ayrıntılı formülü mevcut makalede verilmediğinden \(u_k\) büyüklüğünün fiziksel/istatistiksel anlamı yalnız makaledeki bu yorum çerçevesinde aktarılmalıdır.

Kaynakta verilen uyarlamalı ağırlıklar

Tablo 4'ün bütün satırlarında WT'ye FT'den daha yüksek ağırlık verilmiştir. Kaynak bunu WT'nin uyarlamalı tanıma prosedüründe daha yüksek integral önceliğe sahip olduğu şeklinde yorumlamaktadır.

Bununla birlikte bu tablo yöntem başına tek bir nihai ağırlık sunmaz. Ayrıca değerler Tablo 3'teki karşılık gelen katsayıların iki yöntem arasındaki normalizasyonuyla birebir örtüşürken Denklem (6) ağırlığı ters integral yeterlilik puanı üzerinden tanımlar. Bu iki hesap yolunun ilişkisi açıklanmadığı için ağırlıklandırma sürecinin yeniden üretilebilirliği sınırlıdır.

Referans ve test arazi görüntüleri

Çalışmanın Şekil 4'ünde dört arazi görünümü kullanılmaktadır:

Şekil 5 aynı görüntülerin lineerleştirme sonrasında elde edilen \(S_0(t)\), \(S_1(t)\), \(S_2(t)\) ve \(S_3(t)\) yapısal sinyallerini göstermektedir. Görüntü referanstan uzaklaştıkça sinyal profili de belirgin biçimde değişmektedir.

Arazi görüntüsü tanıma sonuçları

Üç satırda da ortak desen aynıdır: L1 en küçük, L2 daha büyük ve L3 en büyük mesafeyi üretmektedir. Bu sonuç, araştırmanın kullandığı yapısal-sinyal gösteriminin referansa benzer arazi ile belirgin biçimde farklı arazi arasında dereceli bir ayrım oluşturabildiğini desteklemektedir.

“Convolution” sonucu nasıl yorumlanmalı?

Kaynak Tablo 5'te üçüncü yöntemi “Convolution” olarak adlandırmakta ve metinde “adaptive additive convolution” ifadesini kullanmaktadır.

Ancak yöntem bölümünde matematiksel olarak açık biçimde tanımlanan işlem klasik sinyal konvolüsyonundan ziyade farklı tanıma mesafelerinin:

\[ D_A= \sum_k w_kD_k \]

şeklindeki ağırlıklı toplamıdır.

Tablo 5'teki “Convolution” değerlerinin hangi kesin WT/FT ağırlıkları ve hangi normalizasyon adımlarıyla üretildiği ayrıca gösterilmediğinden bu sonuçlar kaynakta verildiği şekliyle korunmalı, başka veri üzerinde yeniden hesaplanmış değerler gibi sunulmamalıdır.

Bu deney “daha doğru navigasyon”u doğrudan ölçüyor mu?

Hayır. Deney tanıma mesafeleri ve yöntem yeterliliği üzerine kuruludur.

Çalışmada aşağıdaki uçtan uca navigasyon metrikleri bulunmamaktadır:

• metre cinsinden konum hatası,
• 3B rota RMSE'si,
• kontrol noktası sınıflandırma başarı yüzdesi,
• yanlış eşleşme oranı,
• GNSS kesilmesinden sonra geri dönüş başarı oranı,
• uçuş süresi veya enerji tüketimi,
• kapalı çevrim trajectory tracking error,
• gerçek uçuşta çarpışma veya görev başarısı.

Bu nedenle makalenin sonuçları en güçlü biçimde uyarlamalı arazi-tanıma metodolojisinin uygulanabilirliğinin ilk doğrulaması olarak yorumlanabilir.

Gerçek zamanlı multikopter üzerinde doğrulama yapıldı mı?

Hayır. Sonuç bölümü gelecek çalışmada sistemin gerçek multikopter platformunda deneysel olarak doğrulanmasını açık hedef olarak belirtmektedir.

Araştırmacı ayrıca gelecekte:

• daha geniş arazi görüntüsü veri tabanı,
• ek tanıma yöntemleri,
• farklı onboard sensörlerden veri entegrasyonu,
• online adaptasyon,
• self-learning mekanizmaları

üzerinde çalışılmasını önermektedir.

Çalışmanın güçlü yönleri

• GNSS'siz navigasyon problemini tek bir görüntü eşleştirme görevi yerine tam bir sistem mimarisi içinde ele almaktadır.
• Arazi görüntülerini hesaplama açısından daha sade 1B yapısal sinyallere dönüştüren açık bir temsil yaklaşımı sunmaktadır.
• Tek sabit tanıma yöntemi yerine gözlem koşuluna göre yöntem seçimi fikrini kullanmaktadır.
• Yöntem yeterliliğini birden fazla ölçüt üzerinden ele almaktadır.
• Yöntem seçiminin yanı sıra ağırlıklı ensemble seçeneğini de tanımlamaktadır.
• Kontrol noktalarının rota sırasını kullanarak görsel benzerlik kaynaklı yanlış eşleşmeleri azaltmaya çalışan bir navigasyon mantığı önermektedir.
• Arazi örneklerinde referanstan uzaklaşmayla tanıma mesafesinin birlikte arttığını sayısal olarak göstermektedir.

Başlıca yöntemsel sınırlılıklar

• Fiziksel multikopter uçuş deneyi yoktur.
• GNSS kesilmesini içeren uçtan uca gerçek navigasyon testi yoktur.
• Tam altı yöntemlik havuzun deneysel karşılaştırması yapılmamıştır; esas sonuçlar WT ve FT'ye aittir.
• C1–C4 formülleri bu makalede verilmemiştir.
• Normalize edilmiş kriter ve nihai \(\Phi\) değerleri raporlanmamıştır.
• Denklem (6) ile Tablo 4'te görülen ağırlık hesaplama biçiminin ilişkisi açıklanmamıştır.
• Tablo 5'teki “Convolution” işleminin yeniden hesaplanmasına yetecek bütün ara değerler verilmemiştir.
• Accuracy, precision, recall veya localization RMSE raporlanmamıştır.
• Test görüntüsü/veri kümesi büyüklüğü ve bağımsız tekrar sayısı ayrıntılı biçimde verilmemiştir.
• Gerçek işlemci üzerinde runtime, FPS, bellek ve güç tüketimi ölçülmemiştir.
• IMU ve barometre Şekil 1 mimarisinde bulunsa da mevcut deneyde sensör füzyon sonucu verilmemektedir.
• Görüntü ön işleme sırası metin ile şekiller arasında tam olarak aynı değildir.
• Gövde metnindeki 2024a/2024b/2024c atıfları ile kaynakça kayıtlarının yılları/etiketleri tam eşleşmemektedir.
• Deney görüntüleri bir bölümde uçuş simülasyonlarından, başka bir bölümde gerçek rota görüntüleri olarak tanımlanmıştır.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Adaptive terrain-referenced vision system for autonomous multicopter navigation

Yazar: Vagif Aliyev.

Yazar sayısı: Bir.

Sorumlu yazar: Makalede tek yazar bulunduğundan iletişim bilgisi Vagif Aliyev için verilmiştir.

ORCID: 0009-0000-5073-9573.

Kurum: Institute of Mathematics, B. Vahabzade str. 68, AZ1141 Baku, Azerbaijan.

Dergi: Problems of Information Technology.

Bibliyografik bilgi: Problems of Information Technology (2026), Volume 17, Issue 2, pages 45–55.

DOI:10.25045/jpit.v17.i2.05

Resmî yayın bağlantısı:Problems of Information Technology – resmî makale kaydı

Kaynak türü ve hakemlik durumu: Problems of Information Technology dergisinde yayımlanmış araştırma makalesidir. Dergi resmî sitesinde “refereed international journal” olarak tanımlanmaktadır.

Alınma tarihi: 1 Haziran 2026.

Revizyon tarihi: 2 Temmuz 2026.

Kabul tarihi: 2 Temmuz 2026.

Yayın yılı: 2026. İncelenen makale metninde ayrıca kesin bir çevrim içi yayın günü yazılmamıştır.

Lisans: Creative Commons Attribution 4.0 International (CC BY 4.0).

Kurumsal yayın platformu: Journal site footer'ında Institute of Information Technology belirtilmektedir.

Finansman: İncelenen makalede ayrı bir funding statement bulunmamaktadır.

Veri erişilebilirliği: İncelenen makalede ayrı bir data availability statement bulunmamaktadır.

Çıkar çatışması: İncelenen makalede ayrı bir conflicts-of-interest statement bulunmamaktadır.

Teşekkür: Yazar, Institute of Mathematics bünyesindeki “Application of AI Methods in Control” laboratuvarının başkanı Prof. Ramin R. Rzayev'e bilimsel yönlendirme, yöntemsel destek ve tartışmalar için teşekkür etmektedir.

Bilimsel kapsam: Çalışma, arazi görüntüsünü tek boyutlu structural-signal temsil biçimine dönüştüren ve tanıma yöntemlerini dört adequacy criterion üzerinden dinamik olarak seçen/ağırlıklandıran bir onboard vision architecture önermektedir. Amaç GNSS bilgisinin kısmen veya tamamen kullanılamadığı koşullarda rota kontrol noktalarının görsel olarak yerelleştirilmesi ve bu bilginin navigasyon/uçuş kontrol döngüsüne aktarılmasıdır.

Doğrulama kapsamı: Mevcut sonuçlar esas olarak structural-signal terrain-recognition katmanını doğrulamaktadır. Tam terrain recognition → checkpoint localization → trajectory reconstruction → physical flight correction zinciri gerçek bir multikopter platformunda deneysel olarak doğrulanmamıştır.

Tanıma yöntemi kapsamı: Teorik yöntem seti AM, DM, DTW, DDTW, FT ve WT'yi içermektedir. Mevcut deneysel adequacy tablolarında yalnız WT ve FT karşılaştırılmıştır.

Adequacy formülleri sınırı: C1–C4 kriterlerinin ayrıntılı formülleri bu makalede verilmemiş, önceki araştırmalara yönlendirilmiştir. Dolayısıyla adequacy modülü yalnız mevcut makaleden eksiksiz olarak yeniden uygulanamaz.

Atıf izi sorunu: Gövde metninde Rzayev et al. 2024a, 2024b ve 2024c atıfları kullanılmaktadır; kaynakçada ise iki ilgili kayıt 2025a/2025b, adequacy çalışması ise tek 2024 kaydı olarak görünmektedir. Bu nedenle metindeki a/b/c etiketlerinin kaynakça ile tam eşleştirilmesi açık değildir.

İşlem sırası notu: Metinsel yöntem açıklaması RGB→grayscale dönüşümünü segmentasyondan önce verirken Şekil 1 ve Şekil 2 segmentasyonu gri tona dönüştürmeden önce göstermektedir. Kaynak kesin işlem sırasını ayrıca açıklamamıştır.

Ağırlıklandırma tutarsızlığı: Denklem (6), \(w_k\) ağırlıklarını \((\Phi_k+\varepsilon)^{-1}\) üzerinden tanımlar. Tablo 4'teki WT/FT ağırlıkları ise aritmetik olarak Tablo 3'teki sensitivity katsayılarının doğrudan iki yöntem arasında normalize edilmesiyle elde edilmektedir. Örneğin \(3,6324/(3,6324+2,8306)=0,56203\). Kaynak bu iki ağırlık tanımını nasıl uzlaştırdığını açıklamamaktadır.

Integral adequacy sınırı: Denklem (3)'te \(C_{ik}\) değerlerinin normalize edilmiş olması gerektiği belirtilmektedir. Ancak normalize edilmiş C değerleri ve yöntemlerin nihai \(\Phi_k\) puanları raporlanmamıştır.

Mesafe ölçeği sınırı: Kaynak, farklı recognition methods tarafından üretilen mesafelerin ağırlıklı birleştirmeden önce normalize edilmesi gerektiğini belirtmektedir. Bu nedenle Tablo 5'te FT değerlerinin WT değerlerinden mutlak olarak küçük olması doğrudan daha yüksek recognition accuracy olarak yorumlanmamıştır.

“Convolution” notu: Tablo 5 üçüncü yöntemi “Convolution” olarak adlandırmakta, metin ise “adaptive additive convolution” ifadesini kullanmaktadır. Yöntem bölümünde açık matematiksel füzyon işlemi ağırlıklı mesafe toplamıdır. Tablo 5 sonuçlarının hangi kesin ağırlık/normalizasyon dizisiyle üretildiği ayrıca gösterilmemiştir.

Accuracy sınırı: Makale adaptive weighting'in robustness ve recognition accuracy'yi iyileştirdiğini ifade etmektedir; ancak accuracy yüzdesi, confusion matrix, precision, recall, checkpoint localization error veya navigasyon RMSE'si sunmamaktadır. Bu nedenle Verianla içeriğinde nicel doğruluk artışı üretilmemiştir.

Görüntü kaynağı notu: Experimental Results bölümünün başlangıcı görüntüleri önceki multicopter flight simulations'dan alınmış olarak tanımlar. Sonraki kısım aynı doğrulamada “real images of the Earth's surface obtained along the multicopter's flight path” ifadesini kullanır. Çalışma gerçek platform doğrulamasını gelecek araştırma olarak bıraktığından mevcut sonuçlar fiziksel GNSS-denied uçuş testi olarak değerlendirilmemiştir.

Gerçek zamanlılık sınırı: Makale limited onboard computational resources bağlamını vurgulamaktadır; fakat işlemci modeli, çalışma süresi, FPS, bellek veya güç tüketimi benchmark'ı verilmemiştir.

Sensör füzyonu sınırı: Conceptual architecture'da kamera, IMU ve barometre gösterilmektedir. Mevcut deneysel sonuçlar ise structural terrain-image recognition üzerine odaklanmaktadır; IMU/barometer fusion performansı raporlanmamıştır.

Flight-control sınırı: \(\Delta x\), \(\Delta y\) ve \(\Delta z\) navigasyon hataları tanımlanmış ve bu hataların flight-control circuit'e aktarılması önerilmiştir. Belirli bir flight-control law, actuator dynamics, closed-loop stability analizi veya gerçek trajectory tracking sonucu verilmemiştir.

Gelecek çalışma: Yazar daha geniş landscape-image database, ilave recognition methods, farklı onboard sensors'ın entegrasyonu, gerçek multicopter platformunda deneysel doğrulama ve online adaptation/self-learning mekanizmalarını gelecek çalışma olarak belirtmektedir.

Bu Verianla içeriğindeki yöntem, denklemler, arazi tanıma değerleri, mimari ve sınırlılıklar incelenen çalışmaya dayanmaktadır. Dış kaynak yalnız yayın kimliğinin ve derginin resmî durumunun doğrulanması amacıyla kullanılmıştır.