Bu araştırma, bir insansız hava aracının (UAV/İHA) dalga hareketleri nedeniyle sürekli yalpa ve baş-kıç vurma yapan hareketli bir gemi veya insansız yüzey aracı (USV) güvertesine, dışarıdan sürekli konum bilgisi veya aktif gemi işaretçisi almadan otonom olarak inebilmesini ele alıyor. Çalışmanın temel yaklaşımı yalnız güvertenin uygun bir iniş açısına gelip gelmediğini tahmin etmek değil, aynı zamanda İHA'nın o anda aldığı kamera görüntüsünün güvenli bir iniş kararı vermek için yeterince güvenilir olup olmadığını da değerlendirmektir.

Önerilen yöntem; hedef tespitinin posterior olasılığını, olasılıksal algı belirsizliğini ve görüntünün göreve yönelik kullanılabilirliğini tek bir gözlem güvenilirliği değişkeninde birleştiriyor. Görüntü bulanıklaştığında, aydınlatma düştüğünde, deniz yüzeyi yansıması oluştuğunda veya iniş işareti kısmen örtüldüğünde bu güvenilirlik azalıyor. Sistem buna karşılık görsel ölçümlere daha az güveniyor, Kalman gözlem gürültüsü kovaryansını büyütüyor, MPC optimizasyonunu daha muhafazakâr hâle getiriyor ve gerekirse son alçalma fazına geçmek yerine bekleme, yeniden hizalanma veya pas geçme kararı veriyor.

Güverte hareketinin kısa dönem tahmini için FFT ile baskın yalpa ve pitch frekansları belirleniyor ve Kalman gözlemcisiyle genlik ve faz çevrim içi olarak düzeltiliyor. Bu tahmin, reliability-enhanced model predictive control (MPC) ile birleştirilerek düşük eğimli bir iniş penceresi aranıyor. Tablo 6'daki ablation simülasyonunda önerilen yöntem %90 iniş başarı oranı, %82 oranında 15° içindeki temas ve %5 yanlış/erken alçalma oranı sağlamıştır. Aynı karşılaştırmada standart MPC için bu değerler sırasıyla %76, %58 ve %18'dir.

Çalışmanın ayrı bir sonuç karşılaştırmasında, önerilen yöntem ile shrinking horizon MPC (SHMPC) karşılaştırılmış ve yaklaşık %75 oranında inişin 10° içinde gerçekleştiği bildirilmiştir; SHMPC için bu oran yaklaşık %71'dir. Ortalama optimizasyon çözüm süresi SHMPC'de yaklaşık 913 ms/iterasyon iken önerilen yöntem için yaklaşık 104 ms/iterasyon olarak verilmiştir. Bununla birlikte bu sonuçların simülasyon ve software-in-the-loop çerçevesinde elde edildiği, gerçek bir gemi üzerinde uçuş doğrulamasının henüz yapılmadığı özellikle dikkate alınmalıdır.

Türkiye açısından: Yaklaşım; deniz gözetimi, kıyı ve açık deniz tesislerinin incelenmesi, arama-kurtarma, gemiden İHA görevlendirme ve otonom hava–deniz robot iş birliği gibi alanlarda Türkiye'de geliştirilecek sistemler açısından yöntemsel değer taşıyabilir. Özellikle yalnız hedef tespit güven skoruna dayanmak yerine görüntünün gerçekten iniş için kullanılabilir olup olmadığını değerlendirmesi güvenlik açısından önemlidir. Ancak makaledeki eşikler, kamera modeli, güverte hareketleri ve performans yüzdeleri gerçek Türk deniz koşullarına veya belirli bir İHA/gemi kombinasyonuna doğrulanmış değerler değildir. Gerçek dalga spektrumları, rüzgâr, kamera özellikleri, güverte geometrisi, deniz spreyi, hesaplama donanımı ve uçuş kontrol sistemiyle yeniden doğrulanmaları gerekir.

Hareketli bir gemiye İHA indirmek neden karaya inişten daha zor?

Karadaki sabit bir iniş işaretinde hedefin konumu ve yüzey açısı büyük ölçüde değişmez. Deniz üzerindeki bir geminin güvertesi ise dalgalar nedeniyle sürekli olarak roll, pitch ve heave hareketleri yapabilir. Aynı anda İHA rüzgâr, türbülans, düşük aydınlatma, deniz yüzeyi yansımaları, sprey, hareket bulanıklığı ve hedefin kısmen örtülmesi gibi çevresel etkilerle karşılaşabilir.

Bu nedenle gemiye iniş yalnızca “hedefi gör ve aşağı in” problemi değildir. Araştırmacılar görevi birbiriyle bağlı beş problem olarak ele almaktadır:

• hedefin görsel olarak algılanması,
• gemiye göre göreli konum ve tutumun tahmin edilmesi,
• güverte hareketinin geleceğe doğru tahmini,
• uygun iniş penceresinin seçilmesi,
• kapalı çevrim uçuş ve alçalma kontrolü.

“Tam merkeziyetsiz iniş” ne anlama geliyor?

Çalışmadaki fully decentralized landing ifadesi İHA'nın hedef arama, tanıma, göreli durum kestirimi, yaklaşma, alçalma kararı ve temas sürecini kendi üzerindeki sensör ve hesaplama sistemiyle gerçekleştirmesi anlamına geliyor.

Yöntem özellikle şu haricî sistemlere sürekli bağımlı olmamayı hedefliyor:

• gemi üzerindeki aktif konum işaretçileri,
• haricî yönlendirme ışık dizileri,
• kara veya yer istasyonundaki çevrim içi planlama,
• yüksek bant genişlikli sürekli gemi–İHA durum iletişimi.

İHA'nın temel girdileri kendi kamerası, IMU'su ve üzerindeki hesaplama birimidir.

Çalışmanın temel yeniliği nedir?

Önerilen sistem yalnız “Güverte birazdan uygun açıya gelecek mi?” sorusuna cevap vermiyor. Buna ikinci bir soru ekliyor:

“İHA'nın şu anda gördüğü görüntü, güvenli alçalma kararı vermek için yeterince güvenilir mi?”

Çalışmanın bilimsel yeniliği, görsel güvenilirliği yalnız bilgi ekranında gösterilen bir kalite metriği olarak bırakmayıp doğrudan durum kestirimi ve MPC karar mekanizmasına bağlamasıdır.

Güverte hareketi nasıl tahmin ediliyor?

Gemi platformunun altı serbestlik dereceli durumu:

\[ b(t)= [x(t),y(t),z(t),\phi(t),\theta(t),\psi(t)]^T \]

ile temsil ediliyor. Çalışma iniş açısından özellikle roll \(\phi\) ve pitch \(\theta\) salınımlarına odaklanmaktadır.

Her hareket bileşeni baskın periyodik modların toplamıyla yaklaşık olarak:

\[ b_j(t)= b_{j,\mathrm{off}} + \sum_{i=1}^{N_j} A_{j,i} \sin \left( 2\pi f_{j,i}t+\varphi_{j,i} \right) \]

şeklinde modellenmektedir.

FFT spektrumundaki düşük genlikli bileşenlerin gürültü olarak sisteme girmesini azaltmak için:

\[ A_{j,\mathrm{threshold}} = A_{\mathrm{gate}} \max \{A_{j,0},A_{j,1},...,A_{j,N_j}\} \]

eşikleme mekanizması kullanılmaktadır.

FFT–Kalman tahmin modülünün parametreleri nelerdir?

FFT baskın frekansları tanımladıktan sonra Kalman gözlemcisi bu modların genlik ve fazını çevrim içi olarak düzeltmektedir. Böylece kontrolcü yalnız mevcut güverte açısına değil, yaklaşık kısa dönem gelecekteki roll ve pitch hareketine göre de iniş penceresi arayabilmektedir.

Neden yalnız nesne tespit güven skoru yeterli görülmüyor?

Bir yapay sinir ağı bulanık veya aşırı pozlanmış bir görüntüde dahi yüksek sınıf güveni üretebilir. Bu durumda yüksek detector confidence değeri görüntünün geometrik olarak güvenilir olduğu anlamına gelmeyebilir.

Gemiye inişte ise yalnız “hedef var mı?” sorusu yeterli değildir. AprilTag benzeri işaretçinin köşelerinin, kenarlarının ve perspektif geometrisinin göreli poz kestirimi için yeterince doğru görülmesi gerekir.

Çalışma bu nedenle üç farklı bilgiyi birbirinden ayırmaktadır:

• posterior probability: ağ hedef sınıfından ne kadar emin?
• perception uncertainty: olasılıksal tahmin ne kadar kararlı?
• visual quality: görüntünün kendisi iniş geometrisini çıkarmaya ne kadar uygun?

Algı belirsizliği nasıl hesaplanıyor?

Aynı görüntü üzerinde \(M\) stokastik ileri geçiş gerçekleştiriliyor ve sınıf dağılımının ortalaması:

\[ \bar y_k= \frac{1}{M} \sum_{m=1}^{M} y_k^{(m)} \]

olarak hesaplanıyor.

Algı belirsizliği ise tahmin entropisi ile ileri geçişler arasındaki çıktı kovaryansını birleştiriyor:

\[ \nu_k= -\sum_{c=1}^{C} \bar y_{k,c}\log \bar y_{k,c} + \lambda_u \operatorname{Tr} \left( \operatorname{Cov} [y_k^{(m)}] \right) \]

Çalışmadaki parametre ayarında her görüntü için 20 stokastik ileri geçiş kullanılmaktadır.

Görsel kalite skoru yalnız estetik kaliteyi mi ölçüyor?

Hayır. Araştırmacılar özellikle bunun genel bir “güzel görüntü” skoru olmadığını vurgulamaktadır. Amaç, görüntünün iniş hedefinin pozunu kestirmek için kullanılabilirliğini değerlendirmektir.

Bileşik kalite skoru:

\[ q_k= \lambda_1q_k^{nr} + \lambda_2s_k^{sharp} + \lambda_3s_k^{exp} + \lambda_4s_k^{vis} \]

şeklindedir.

Gözlem güvenilirliği nasıl oluşturuluyor?

Posterior olasılık \(p_k^*\), görsel kalite \(q_k\) ve algı belirsizliği \(\nu_k\) Sigmoid fonksiyonu içinde birleştiriliyor:

\[ r_k= \sigma \left( \alpha p_k^* + \beta q_k - \gamma\nu_k \right) \]

\[ \sigma(x)= \frac{1}{1+e^{-x}} \]

Nominal ağırlıklar:

• posterior olasılık: 2,2,
• görüntü kalitesi: 1,6,
• belirsizlik cezası: 2,0.

olarak seçilmiştir.

Sonuçta \(r_k\) yüksek olduğunda görüntü daha güvenilir; görüntü bozulup algı belirsizliği yükseldiğinde ise \(r_k\) daha düşük olmaktadır.

Güvenilirlik Kalman filtresini nasıl etkiliyor?

Çalışmanın önemli yeniliklerinden biri güvenilirlik değerini doğrudan gözlem gürültüsü kovaryansına bağlamasıdır:

\[ R_k= R_{\min} + (1-r_k) (R_{\max}-R_{\min}) \]

Daha ayrıntılı güncellemede:

\[ \tilde R_k= R_{\min} + (1-r_k)^\gamma (R_{\max}-R_{\min}) \]

\[ R_k= \eta R_{k-1} + (1-\eta)\tilde R_k \]

kullanılmaktadır.

Görüntü güvenilir olduğunda \(R_k\), \(R_{\min}\)'e yaklaşır ve filtre görsel ölçüme daha fazla ağırlık verir. Görüntü bozulduğunda \(R_k\) büyür ve durum kestiricisi görsel ölçümü daha ihtiyatlı kullanır.

MPC gelecekteki görüntü kalitesini nereden biliyor?

Bilmiyor. Çalışma gelecekte çekilmemiş görüntüleri kullanmadığını özellikle açıklamaktadır.

MPC ufku yalnız 10 adım ve 0,1 s örnekleme aralığından oluştuğu için nominal durumda mevcut güvenilirlik değerlerinin kısa dönem boyunca sabit kaldığını varsayan zero-order hold yaklaşımı kullanılmaktadır:

\[ \hat p_{k+m|k}=p_k \]

\[ \hat q_{k+m|k}=q_k \]

\[ \hat \nu_{k+m|k}=\nu_k \]

\[ \hat r_{k+m|k}=r_k \]

Bir sonraki kamera karesinde değerler tekrar ölçülmekte ve MPC problemi baştan çözülmektedir. Böylece sistem nedensel ve çevrim içi uygulanabilir kalmaktadır.

UAV'nin MPC modeli ne kadar ayrıntılı?

Çalışma burada yüksek sadakatli tam aerodinamik UAV modeli kullanmamaktadır. Öngörü modeli esas olarak konum, hız, ivme ve heading durumlarını içeren doğrusal ayrık zamanlı kinematik bir modeldir.

Kontrol girdisi her kanal için jerk'tir:

\[ u^{(k)} = [\dddot{x},\dddot{y},\dddot{z},\dddot{\eta}]^T \]

Araştırmacılar çalışmanın yeniliğinin UAV dinamik modelini yeniden kurmak değil, güvenilir algı bilgisini öngörülü kontrol ve iniş kararına bağlamak olduğunu açıkça belirtmektedir.

Reliability-enhanced MPC hangi maliyetleri birlikte değerlendiriyor?

MPC amaç fonksiyonu temelde dört bileşen içeriyor:

1. yörünge takip hatası,
2. kontrol girdisi değişiminin düzgünlüğü,
3. düşük eğimli güverteye inişi şekillendiren landing barrier,
4. gözlem güvenilirliği, görüntü kalitesi ve algı belirsizliği cezaları.

Güvenilirlik cezası:

\[ J_{\mathrm{rel}} = \sum_{m=0}^{N-1} \left[ \lambda_r(1-\hat r_{k+m|k})^2 + \lambda_\nu\hat\nu_{k+m|k}^2 + \lambda_q(1-\hat q_{k+m|k})^2 \right] \]

şeklinde tanımlanmaktadır.

Böylece düşük eğimli bir güverte penceresi ortaya çıksa bile kamera verisi güvenilir değilse optimizasyon bu iniş fırsatını daha pahalı hâle getirebilmektedir.

MPC'nin nominal ağırlıkları nelerdir?

Kararlılık analizi yapıldı mı?

Evet. Çalışma yalnız kontrolcü simülasyonuyla yetinmemiş ve artırılmış izleme hata sistemi için terminal LQR denetleyicisi ile terminal maliyet matrisini ayrık algebraic Riccati equation üzerinden oluşturmuştur.

Terminal Lyapunov fonksiyonu:

\[ V(\xi_k)= \xi_k^T P\xi_k \]

olarak seçilmekte ve bozucu terim \(d_k\) için:

\[ \Delta V_k \le -c_1\|\xi_k\|^2 + c_2\|d_k\|^2 \]

tipinde bir üst sınır elde edilmektedir.

Kaynağın teorik sonucuna göre bozucu sıfırken yerel asimptotik kararlılık; sınırlı bozucu varken ise bozucu üst sınırıyla ilişkili bir çevrede pratik boundedness sağlanmaktadır. Bu analiz çalışmanın kullandığı artırılmış lineer hata modeli ve varsayımlar kapsamında geçerlidir; gerçek gemi–İHA sisteminin bütün doğrusal olmayan aerodinamiklerini kapsayan küresel kararlılık kanıtı değildir.

İHA hangi şartlar sağlanmadan son alçalmaya geçmiyor?

Çalışma iniş kararını tek bir görüntü karesine bırakmamaktadır. Nominal eşikler:

Bu şartlardan biri sağlanmazsa sistem son alçalma yerine hover-wait, yeniden hizalanma veya go-around davranışında kalabilir.

Bu eşikler evrensel güvenlik limitleri midir?

Hayır. Araştırmacılar Tablo 4'teki eşiklerin evrensel sabitler olmadığını açıkça belirtmektedir. Eşikler kullanılan simülasyon, güvenilirlik modeli ve güvenlik–iniş fırsatı dengesi için seçilmiştir.

Gerçek bir sistemde UAV büyüklüğü, kamera, gemi boyutu, dalga hareketi, aydınlatma ve uçuş dinamiğine göre yeniden belirlenmeleri gerekir.

Görsel bozulma testinde hangi durumlar kullanıldı?

Kaynak Şekil 3'te dört temel görüntü durumu gösterilmektedir:

• normal görüntü,
• düşük aydınlatma,
• hareket bulanıklığı,
• yansıma ve kısmi örtülme.

Şeklin ikinci satırında yerel görüntü kalite tepki haritaları bulunmaktadır. Kaynakta daha parlak bölgeler, iniş hedefinin tespiti ve poz kestirimi açısından daha düşük kullanılabilirliği temsil etmektedir.

Görüntü bozulunca sistemin ölçütleri nasıl değişiyor?

Şekil 4'te düşük aydınlatma, hareket bulanıklığı ve yansıma/örtülme olayları sırasında görüntü kalite skoru düşerken algı belirsizliği yükselmektedir. Bunun sonucunda birleşik gözlem güvenilirliği de eşik altına düşebilmektedir.

Sistem bu durumda tek bir yüksek hedef tespit skoru nedeniyle son alçalmaya geçmek yerine hizalanma veya bekleme fazında kalmaktadır.

Dört kontrol yaklaşımının ablation sonucu nedir?

Görüntü güvenilirliğini eklemek gerçekten fark yaratıyor mu?

Ablation karşılaştırması bu soruyu özellikle test etmektedir. Standart MPC hiçbir algı güvenilirliği bilgisini kullanmaz. Confidence-only MPC yalnız hedef tespit güvenini kullanır. Fixed robust MPC görsel duruma bağlı olmayan sabit bir emniyet payı uygular.

Önerilen yaklaşım ise posterior olasılık, görsel kalite ve algı belirsizliğini birlikte kullandığı için düşük kaliteli ancak yüksek confidence üreten görüntülerde daha ihtiyatlı davranabilmektedir.

Tablo 6'daki yanlış alçalma oranının %18'den %5'e düşmesi, çalışmanın önerdiği güvenilirlik zincirinin temel performans kanıtlarından biridir.

SHMPC ile karşılaştırmada ne bulundu?

Çalışmanın Şekil 8 karşılaştırmasında önerilen reliability-enhanced MPC ile shrinking horizon MPC (SHMPC) temas eğimine göre karşılaştırılmıştır.

Önerilen yöntemde inişlerin yaklaşık %75'i 10° içindedir. SHMPC'de aynı aralık için yaklaşık %71 bildirilmektedir.

Ortalama çözüm süreleri:

• SHMPC: yaklaşık 913 ms/iterasyon,
• önerilen yöntem: yaklaşık 104 ms/iterasyon.

olarak raporlanmıştır.

Standart MPC için neden hem %58 hem %24 değeri geçiyor?

Kaynakta iki farklı sonuç bulunmaktadır. Tablo 6'daki ablation karşılaştırmasında standart MPC'nin 15° içinde iniş oranı %58 olarak verilmektedir.

Bölüm 4.4 ve Şekil 8 anlatımında ise ayrı standart MPC karşılaştırması için bu oran %24 olarak belirtilmektedir. Aynı bölüm önerilen yöntemi yine %82 olarak vermektedir.

Kaynak bu iki deney grubunun koşullarındaki farkı nicel olarak yeterince açıklamadığından değerler birbirinin alternatifi gibi birleştirilmemelidir. Verianla Live görselleştirmesi bu nedenle yalnız kendi içinde tutarlı Tablo 6 ablation veri setini kullanmaktadır.

50 denemelik sonuç neydi?

Kaynak, maksimum güverte tilt genliğinin 0,5 rad olduğu bir karşılaştırmada başarılı inişi temas anındaki platform eğiminin 20°'den küçük olması şeklinde tanımlamıştır.

Bu koşulda önerilen yöntem:

• 50 denemenin 45'inde başarılı iniş,
• 5 başarısız iniş,
• %90 başarı,
• %10 başarısızlık

ile raporlanmıştır.

Aynı anlatımda standart MPC için başarısızlık oranının yaklaşık %50 olduğu ifade edilmektedir.

“Temas açısı 5° içinde” sonucu kesin midir?

Kaynağın özeti böyle bir ifade içerse de ana sonuçların tamamı bu mutlak ifadeyi desteklememektedir.

Şekil 8'de önerilen yöntemin inişlerinin yaklaşık %38'i 0–5°, yaklaşık %37'si ise 5–10° aralığında görünmektedir. Ayrıca parametre duyarlılık tablolarında nominal ortalama temas açıları 5,4° ve 7,6° olarak raporlanmıştır.

Bu nedenle çalışmanın daha sağlam biçimde desteklediği sonuç, önerilen yöntemin daha düşük eğimli iniş pencerelerini daha sık seçtiği ve 15° içindeki iniş oranını artırdığıdır. Bütün temasların 5° içinde gerçekleştiği sonucu çıkarılmamalıdır.

İniş eşikleri gevşetildiğinde ne oluyor?

Tablo 7 üç farklı faz geçiş ayarını karşılaştırmaktadır:

Sonuç önemli bir güvenlik–fırsat dengesi gösteriyor. Çok gevşek eşik daha kısa bekleme sağlıyor ancak erken alçalma riskini artırıyor. Çok sıkı eşik daha düşük temas açısı ve yanlış alçalma oranı sağlarken bazı uygun iniş pencerelerinin kaçırılmasına ve daha uzun beklemeye neden oluyor.

Bu deneyde nominal ayar en yüksek toplam iniş başarı oranını sağlamıştır.

Güvenilirlik ağırlıkları sonuçları ne kadar etkiliyor?

Tablo 8 farklı posterior, görüntü kalitesi ve belirsizlik ağırlıklarını karşılaştırmaktadır. Örneğin nominal ayarda 15° içinde iniş oranı %82, yanlış alçalma oranı %8 ve ortalama temas eğimi 5,4° iken; uyarlanabilir ağırlıklarla bunlar sırasıyla %84, %4 ve 4,7° olarak raporlanmaktadır.

Ancak uyarlanabilir ayarda ortalama çözüm süresi 110 ms'ye ve bekleme süresi 5,5 s'ye yükselmektedir. Bu sonuç, daha muhafazakâr görsel güvenilirlik değerlendirmesinin güvenliği artırırken iniş fırsatını veya hesaplama süresini tamamen ücretsiz biçimde iyileştirmediğini göstermektedir.

MPC güvenilirlik cezası yükseltilirse ne oluyor?

Tablo 9'da nominal MPC ağırlıklarıyla 15° içi iniş oranı %82, yanlış alçalma %8 ve ortalama temas açısı 5,4°'dir.

Daha yüksek reliability emphasis kullanıldığında yanlış alçalma %4'e ve ortalama temas açısı 4,8°'ye düşmekte, ancak 15° içindeki iniş başarısı %80'e gerilemekte ve çözüm süresi 111 ms'ye çıkmaktadır.

Bu da kontrolcünün daha fazla güvenlik cezasıyla daha muhafazakâr hâle geldiğini desteklemektedir.

Çalışmanın desteklediği sonuçlar

• Görsel kalite ve algı belirsizliği, hedef confidence değerinden bağımsız olarak iniş kararında yararlı ek bilgiler sağlayabilir.
• Gözlem güvenilirliği Kalman gözlem kovaryansına bağlanarak kötü görüntülerde görsel ölçümlerin etkisi azaltılabilir.
• Gözlem güvenilirliğinin iniş fazı geçişine eklenmesi, simülasyonda yanlış alçalma kararlarını azaltmıştır.
• Tablo 6'daki ablation deneyinde önerilen yöntem %90 iniş başarı oranı ve %5 false descent oranı sağlamıştır.
• Aynı ablation deneyinde önerilen yöntemle inişlerin %82'si 15° içindeki güverte eğiminde gerçekleşmiştir.
• FFT ve Kalman tabanlı kısa dönem güverte hareket tahmini, düşük eğimli iniş penceresi seçimi için kullanılabilir tahmin üretmiştir.
• SHMPC karşılaştırmasında önerilen yöntemin ortalama optimizasyon süresi yaklaşık 104 ms, SHMPC'nin ise yaklaşık 913 ms olarak raporlanmıştır.
• Faz geçişi eşiklerinde daha sıkı ayar yanlış alçalmayı azaltırken bekleme süresini artırmıştır.

Çalışmanın desteklemediği veya henüz doğrulamadığı sonuçlar

• Yöntem gerçek bir hareketli gemide gerçekleştirilen uçuş deneyiyle doğrulanmamıştır.
• %90 başarı oranı bütün deniz durumları için geçerli evrensel bir iniş olasılığı değildir.
• 0,72 reliability, 0,65 görüntü kalitesi veya 0,25 belirsizlik eşikleri evrensel havacılık güvenlik limitleri değildir.
• Çalışma bütün temasların 5° içinde gerçekleştiğini ana sonuç tablolarıyla tutarlı biçimde göstermemektedir.
• Deniz spreyi, çok güçlü rüzgâr darbeleri ve güverte heave hareketi kapsamlı gerçek uçuş deneyleriyle doğrulanmamıştır.
• Görsel kalite ağının farklı gerçek kamera ve deniz ortamlarında domain shift altındaki başarımı ölçülmemiştir.
• Algoritmanın gerçek uçuş bilgisayarında aynı 104 ms çözüm süresini sağlayacağı gösterilmemiştir.
• Yüksek bant genişlikli haricî haberleşmeye ihtiyaç duyulmaması iletişimin bütün biçimlerinin sistemden kaldırıldığı anlamına gelmez; çalışma tanım olarak iniş kontrolünün haricî gerçek zamanlı durum geri beslemesine bağımlı olmamasına odaklanmaktadır.

Yöntem ve Bulgular

Araştırma hangi tür doğrulama kullandı?

Çalışma yöntem geliştirme, matematiksel analiz, simülasyon, software-in-the-loop değerlendirme, ablation karşılaştırması ve parametre duyarlılık testlerinden oluşmaktadır.

Kaynakta gerçek bir hareketli gemi platformunda fiziksel UAV uçuş test dizisi sunulmamaktadır. Yazarların sonuç bölümünde gerçek gemi üzerindeki deneyler açıkça gelecek çalışma olarak belirtilmiştir.

Yöntemin ana işlem zinciri

Ablation çalışması neden önemli?

Ablation çalışması önerilen yöntemin başarısının yalnız “MPC kullanılıyor” olmasından kaynaklanıp kaynaklanmadığını test etmektedir.

Dört yaklaşım aynı karşılaştırmada sistematik olarak bileşen eklenerek oluşturulmuştur:

• standart MPC: perception reliability yok,
• confidence-only MPC: yalnız posterior confidence,
• fixed robust MPC: sabit belirsizlik marjı,
• önerilen yöntem: posterior + görüntü kalitesi + algı belirsizliği + reliability constraint.

Yanlış alçalma oranının %18 → %12 → %7 → %5 şeklinde azalması, güvenlik kazancının tek bir ek özellik yerine artan güvenilirlik bilgisinin kullanılmasıyla ilişkili olduğunu desteklemektedir.

Görsel kalite testi neyi kanıtlıyor?

Şekil 3 ve 4, simüle edilmiş görüntü bozulmalarının kalite skoru ve güvenilirlik mekanizması tarafından algılanabildiğini göstermektedir. Özellikle AprilTag benzeri hedefin kenar ve köşe bölgelerinde bulanıklık veya örtülme oluştuğunda kalite tepki haritası düşük kullanılabilirliği işaret etmektedir.

Ancak bu deney, gerçek deniz üzerinde toplanmış geniş bir görüntü veri setinde görüntü kalite ağının genelleme başarımını ölçen bağımsız bir benchmark değildir.

Deck motion prediction neyi doğruluyor?

Şekil 5 ve 6, kısa tahmin ufuklarında FFT–Kalman modelinin gözlenen roll hareketini takip edebildiğini göstermektedir. Kaynak özellikle 0,25 s görsel tahmin ufkunda uyumun daha iyi, 1 s ufkunda sapmanın daha yüksek olduğunu; IMU destekli 1 s tahminin daha kararlı bir eğilim gösterdiğini belirtmektedir.

Bu sonuç, son iniş penceresi için kısa vadeli tahminin yararlı olduğunu desteklemektedir; uzun dönem deniz hareketinin kesin tahmini olarak yorumlanmamalıdır.

Başarı nasıl tanımlandı?

Bölüm 4.4'teki 50 denemelik değerlendirmede başarılı iniş, temas anındaki platform tilt açısının 20°'den küçük olması olarak tanımlanmıştır.

Dolayısıyla %90 “landing success” oranının tanımı fiziksel hasarsız iniş, iniş ayağı yükü, kayma, güverte dışına çıkma veya uçuş güvenliği sertifikasyonu gibi bütün gerçek dünya kriterlerini kapsamaz.

Gerçek zamanlılık ne ölçüde gösterildi?

Tablo 6'da standart MPC 96 ms, confidence-only MPC 99 ms, fixed robust MPC 108 ms ve önerilen yöntem 104 ms ortalama çözüm süresiyle raporlanmıştır.

Tablo 8 ve 9'daki farklı güvenilirlik ağırlıklarında süreler yaklaşık 99–111 ms aralığında kalmaktadır.

Bu sonuç, ek reliability terimlerinin kullanılan simülasyon ortamında çözüm süresini dramatik biçimde artırmadığını göstermektedir. Ancak kaynak gerçek uçuş bilgisayarının işlemci modeli, termal sınırlamaları ve uzun süreli gerçek uçuş yükü altında tam bir gömülü donanım benchmark'ı sunmamaktadır.

Parametre duyarlılığı neden yapıldı?

Güvenilirlik modeli birçok deneysel ağırlık ve eşik içerdiği için sonuçların yalnız belirli bir elle seçilmiş parametre kombinasyonuna bağlı olup olmadığı test edilmiştir.

Çalışmanın duyarlılık analizleri genel olarak şu eğilimi göstermektedir:

• daha gevşek güvenlik eşikleri → daha kısa bekleme fakat daha fazla yanlış alçalma,
• daha sıkı eşikler → daha düşük temas açısı fakat daha uzun bekleme,
• daha yüksek belirsizlik cezası → daha muhafazakâr iniş,
• daha yüksek görüntü kalite ağırlığı → kötü görüntü altında daha az yanlış iniş,
• aşırı güvenilirlik cezası → güvenlik artarken iniş fırsatı azalabilir.

Çalışmanın temel bilimsel sınırları

• Doğrulamanın ana bölümü simülasyon ve software-in-the-loop ortamındadır.
• Gerçek hareketli gemi üzerinde uçuş deneyi yapılmamıştır.
• Gerçek deniz görüntülerinde kapsamlı bağımsız görsel kalite benchmark'ı sunulmamıştır.
• Güçlü rüzgâr darbeleri, yoğun deniz spreyi ve heave coupling daha ileri çalışma olarak bırakılmıştır.
• Eşikler ve ağırlıklar görev bağımlıdır.
• Görüntü kalite ve belirsizlik ağırlıkları ampirik olarak ayarlanmıştır.
• MPC modeli yüksek sadakatli tam UAV aerodinamik modeli değildir.
• Yöntem kısa ufukta görsel güvenilirliğin yavaş değiştiği varsayımını kullanmaktadır.
• Kaynakta bazı notasyon ve sonuç sayı uyuşmazlıkları bulunmaktadır.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Research on Autonomous UAV Shipboard Landing Control for Dynamic Ship Platforms

Yazarlar: Wenjie Zhou; Yuanliang Zhang; Lixue Ni.

Yazar sırası: Kaynaktaki sıra aynen korunmuştur.

Eş katkı/eş birinci yazar: Kaynakta eş katkı beyanı bulunmamaktadır.

Sorumlu yazar: Lixue Ni.

Kurum: College of Mechanical Engineering, Jiangsu Ocean University, Lianyungang 222005, China.

Kaynak türü: Araştırma makalesi.

Hakemlik durumu: Hakem değerlendirmesinden geçmiş ve yayımlanmış çalışmadır.

Akademik editörler: Maolong Lv, Junkai Ren ve Haibin Duan.

Dergi: Machines.

Yayınevi: MDPI, Basel, Switzerland.

Cilt / sayı / makale numarası: 14 / 6 / 612.

Alınma tarihi: 20 Nisan 2026.

Revizyon tarihi: 25 Mayıs 2026.

Kabul tarihi: 25 Mayıs 2026.

Yayın tarihi: 28 Mayıs 2026.

DOI: 10.3390/machines14060612

Resmî yayın bağlantısı:https://doi.org/10.3390/machines14060612

Lisans: Creative Commons Attribution (CC BY).

Finansman: Yazarlar araştırmanın dış finansman almadığını belirtmektedir.

Veri erişilebilirliği: Yazarlar çalışmanın özgün katkılarının makale içerisinde bulunduğunu belirtmektedir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmektedir.

Yazar katkıları: Kavramsallaştırma Wenjie Zhou; metodoloji Wenjie Zhou; ilk taslak Wenjie Zhou; gözden geçirme ve düzenleme Wenjie Zhou ve Yuanliang Zhang; denetim Lixue Ni; proje yönetimi Yuanliang Zhang ve Lixue Ni; finansman edinimi Lixue Ni olarak belirtilmiştir. Makalede dış finansman bulunmadığı ayrıca finansman beyanında belirtilmektedir.

Doğrulama düzeyi: Çalışmanın ana performans sonuçları simülasyon ve software-in-the-loop analizlerine dayanmaktadır. Gerçek gemi üzerinde fiziksel UAV iniş deneyi yapılmamıştır. Gerçek dünya uçuş deneyleri yazarlar tarafından gelecek çalışma olarak belirtilmiştir.

Başarı tanımının sınırı: Bölüm 4.4'teki 50 denemelik değerlendirmede başarılı iniş, temas anındaki platform eğiminin 20°'den küçük olması şeklinde tanımlanmıştır. Dolayısıyla %90 oranı gerçek operasyonel iniş güvenliğinin bütün mekanik ve uçuş emniyeti kriterlerini kapsayan bir sertifikasyon metriği değildir.

Kaynak içi sonuç tutarsızlığı 1: Özet, touchdown attitude angle değerinin 5° içinde tutulduğunu belirtmektedir. Buna karşılık Şekil 8 dağılımı inişlerin yalnız bir bölümünü 0–5° aralığında göstermekte, yaklaşık %75'ini 10° içinde vermektedir. Tablo 8 ve 9'un nominal ayarında ortalama temas eğimi 5,4°, Tablo 7 nominal ayarında 7,6°'dir. Bu nedenle “bütün temaslar 5° içinde” sonucu kaynak verilerinden çıkarılmamıştır.

Kaynak içi sonuç tutarsızlığı 2: Tablo 6'daki ablation deneyinde standart MPC'nin 15° içindeki iniş oranı %58'dir. Bölüm 4.4 ve Şekil 8 anlatımında standart MPC için %24 verilmektedir. Kaynak bu iki karşılaştırma setinin koşullarını yeterince ayrıntılı biçimde ayırmadığından rakamlar birbirinin yerine kullanılmamıştır.

Kaynak içi notasyon tutarsızlığı 1: Denklem (68) sonrasında faz geçiş şartlarının λq kare boyunca sürekli sağlanması gerektiği yazılırken Tablo 4 ve sonraki açıklamalarda ardışık kare sayısı \(N_c=10\) olarak tanımlanmıştır. Ana açıklamada açık biçimde tablolaştırılmış \(N_c\) değeri kullanılmıştır.

Kaynak içi notasyon tutarsızlığı 2: MPC izleme ve kontrol artımı ağırlıkları Denklem (42)'de S ve T, Tablo 3 ve Denklem (50)'de Q ve R olarak adlandırılmaktadır. Bariyer ağırlığı için de αL/λb, belirsizlik cezası için λν/λu farklılıkları bulunmaktadır. Verianla metni bu notasyonları kaynakta tek bir sembol kullanılıyormuş gibi yeniden yazmamıştır.

Kaynak içi notasyon tutarsızlığı 3: Denklem (13)'te \(q_k\) dört kalite bileşeninin birleşik skoru olarak tanımlanmasına rağmen hemen sonraki açıklamada bir cümlede NR-IQA ağının çıktısı olarak adlandırılmaktadır. Denklemde NR-IQA'nın özel çıktısı \(q_k^{nr}\) sembolüyle tanımlıdır.

Tablo 7–9 karşılaştırma notu: Nominal ayarlarda false-descent oranı farklı duyarlılık tablolarında %5 ve %8 gibi farklı değerler almaktadır. Bu tablolar farklı parametre taramalarının sonuçları olduğundan aynı Monte Carlo örnekleminin tek sonucu oldukları varsayılmamıştır.

Görsel lisans ve uyarlama: Bu Verianla metnindeki inline SVG, kaynak çalışmanın Şekil 1'indeki yöntem mimarisi ve ilgili yöntem açıklamalarından bilimsel anlam korunarak sadeleştirilmiş Türkçe bir türev görseldir. Kaynak çalışma CC BY lisansı altında yayımlanmıştır.

Bilimsel içerik sınırı: Bu Verianla metnindeki UAV–USV mimarisi, probabilistic perception, görüntü kalite değerlendirmesi, gözlem güvenilirliği, FFT/Kalman güverte tahmini, MPC, kararlılık analizi, eşikler ve performans sonuçları yalnız incelenen çalışmaya dayanmaktadır. Dış kaynaklardan yeni deneysel veya performans sonucu eklenmemiştir; dış doğrulama yalnız bibliyografik yayın kimliği için kullanılmıştır.