Utafiti huu unachunguza jinsi ndege isiyo na rubani (UAV/UAV) inavyoweza kutua kwa kujiendesha kwenye sitaha ya meli inayosonga au chombo cha uso wa bahari kisicho na rubani (USV) kinachofanya roll na pitch mfululizo kwa sababu ya mwendo wa mawimbi, bila kupokea taarifa endelevu ya mahali au alama hai ya meli kutoka nje. Msingi wa mbinu ya utafiti si kutabiri tu kama sitaha itafikia pembe inayofaa kwa kutua, bali pia kutathmini kama picha ya kamera ambayo UAV inapokea wakati huo inaaminika vya kutosha kufanya uamuzi salama wa kutua.

Mbinu iliyopendekezwa inaunganisha uwezekano wa posterior wa utambuzi wa shabaha, kutokuwa na uhakika wa utambuzi wa kihisabati na ufaafu wa picha kwa kazi katika kigezo kimoja cha uaminifu wa uchunguzi . Picha inapokuwa na ukungu, mwangaza unapopungua, mng’ao wa uso wa bahari unapotokea au alama ya kutua inapofunikwa kwa sehemu, uaminifu huu hupungua. Mfumo hujibu kwa kuzipa uzito mdogo vipimo vya kuona, kuongeza covariance ya kelele ya uchunguzi ya Kalman, kufanya uboreshaji wa MPC kuwa wa tahadhari zaidi na, inapohitajika, kuchagua kusubiri, kujipanga upya au kufanya go-around badala ya kuingia katika awamu ya mwisho ya kushuka.

Kwa utabiri wa muda mfupi wa mwendo wa sitaha, masafa makuu ya roll na pitch hutambuliwa kwa FFT na amplitude pamoja na phase husahihishwa mtandaoni kwa Kalman observer. Utabiri huu huunganishwa na reliability-enhanced model predictive control (MPC) ili kutafuta dirisha la kutua lenye mwinuko mdogo. Katika simulation ya ablation ya Jedwali 6, mbinu iliyopendekezwa ilifikia kiwango cha mafanikio ya kutua cha %90, mguso ndani ya 15° kwa %82 ya kutua, na kiwango cha kushuka vibaya/mapema cha %5. Katika ulinganisho huo huo, thamani hizi kwa MPC ya kawaida zilikuwa %76, %58 na %18 mtawalia.

Katika ulinganisho mwingine wa matokeo, mbinu iliyopendekezwa ililinganishwa na shrinking horizon MPC (SHMPC), na iliripotiwa kuwa takriban %75 ya kutua kulitokea ndani ya 10°; kwa SHMPC kiwango hiki kilikuwa takriban %71. Muda wa wastani wa kutatua uboreshaji ulitolewa kuwa takriban 913 ms/iteration kwa SHMPC na takriban 104 ms/iteration kwa mbinu iliyopendekezwa. Hata hivyo, inapaswa kuzingatiwa hasa kwamba matokeo haya yalipatikana katika mfumo wa simulation na software-in-the-loop, na uthibitishaji wa ndege kwenye meli halisi bado haujafanywa.

Kwa mtazamo wa Uturuki: Mbinu hii inaweza kuwa na thamani ya kimetodolojia kwa mifumo itakayotengenezwa Uturuki katika maeneo kama ufuatiliaji wa bahari, ukaguzi wa miundombinu ya pwani na bahari kuu, utafutaji na uokoaji, kuendesha UAV kutoka melini, na ushirikiano wa kiotomatiki wa roboti za anga–bahari. Kwa usalama, ni muhimu hasa kwamba mfumo usitegemee tu alama ya confidence ya utambuzi wa shabaha, bali pia utathmini kama picha inafaa kweli kutumiwa kwa kutua. Hata hivyo, vizingiti, modeli ya kamera, mwendo wa sitaha na asilimia za utendaji katika makala si thamani zilizothibitishwa kwa hali halisi za bahari za Uturuki au kwa mchanganyiko mahususi wa UAV/meli. Zinahitaji kuthibitishwa upya kwa spectra halisi za mawimbi, upepo, sifa za kamera, jiometria ya sitaha, spray ya bahari, vifaa vya kompyuta na mfumo wa udhibiti wa ndege.

Kwa nini kutua UAV kwenye meli inayosonga ni kugumu zaidi kuliko kutua nchi kavu?

Kwa alama ya kutua isiyosonga nchi kavu, mahali pa shabaha na pembe ya uso kwa kiasi kikubwa havibadiliki. Sitaha ya meli baharini, hata hivyo, inaweza kufanya roll, pitch na heave mfululizo kwa sababu ya mawimbi. Wakati huohuo, UAV inaweza kukumbana na upepo, turbulence, mwanga hafifu, mng’ao wa uso wa bahari, spray, motion blur na kufunikwa kwa sehemu kwa shabaha.

Kwa hiyo, kutua kwenye meli si tatizo la “iona shabaha kisha shuka” pekee. Watafiti wanaichukulia kazi hii kama matatizo matano yanayohusiana:

• utambuzi wa kuona wa shabaha,
• ukadiriaji wa nafasi na mkao wa jamaa kwa meli,
• utabiri wa mwendo wa sitaha kwenda mbele kwa muda,
• uchaguzi wa dirisha linalofaa la kutua,
• udhibiti wa ndege na kushuka kwa kitanzi funge.

“Kutua kwa mfumo uliogatuliwa kikamilifu” kunamaanisha nini?

Kauli fully decentralized landing katika utafiti huu ina maana kwamba UAV hufanya utafutaji wa shabaha, utambuzi, ukadiriaji wa hali ya jamaa, kukaribia, uamuzi wa kushuka na mchakato wa mguso kwa kutumia sensorer na mfumo wake wa kompyuta uliomo ndani.

Mbinu inalenga hasa kutokuwa tegemezi mfululizo kwa mifumo hii ya nje:

• alama hai za mahali kwenye meli,
• safu za taa za mwongozo za nje,
• upangaji mtandaoni katika kituo cha nchi kavu au ardhini,
• mawasiliano endelevu ya hali ya meli–UAV yenye bandwidth kubwa.

Vingizo vya msingi vya UAV ni kamera yake yenyewe, IMU na kitengo chake cha kompyuta kilichomo ndani.

Ubunifu mkuu wa utafiti ni nini?

Mfumo uliopendekezwa haujibu tu swali “Je, sitaha itafikia pembe inayofaa hivi karibuni?” . Unaongeza swali la pili:

“Je, picha ambayo UAV inaiona sasa inaaminika vya kutosha kufanya uamuzi salama wa kushuka?”

Ubunifu wa kisayansi wa utafiti ni kuunganisha uaminifu wa kuona moja kwa moja na ukadiriaji wa hali na utaratibu wa uamuzi wa MPC, badala ya kuuacha kama kipimo cha ubora kinachoonyeshwa tu kwenye skrini ya taarifa.

Mwendo wa sitaha unatabiriwaje?

Hali ya jukwaa la meli yenye degrees of freedom sita:

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

inawakilishwa kwa namna hii. Utafiti unalenga hasa oscillation za roll \(\phi\) na pitch \(\theta\) kwa muktadha wa kutua.

Kila kijenzi cha mwendo kinakadiriwa kwa jumla ya modi kuu za kipindi kama:

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

na kuigwa kwa namna hiyo.

Ili kupunguza kuingia kwa vijisehemu vya amplitude ndogo kwenye spectrum ya FFT kama kelele katika mfumo:

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

hutumiwa utaratibu wa kuweka kizingiti.

Vigezo vya moduli ya utabiri wa FFT–Kalman ni vipi?

Baada ya FFT kutambua frequencies kuu, Kalman observer husahihisha amplitude na phase za modi hizi mtandaoni. Hivyo, controller inaweza kutafuta dirisha la kutua si kwa kutegemea tu pembe ya sasa ya sitaha, bali pia mwendo wa roll na pitch wa muda mfupi unaotarajiwa.

Kwa nini alama ya confidence ya utambuzi wa kitu pekee haionekani kuwa ya kutosha?

Artificial neural network inaweza kutoa confidence ya juu ya class hata kwenye picha yenye ukungu au iliyopata exposure kupita kiasi. Katika hali hiyo, detector confidence ya juu haimaanishi lazima kwamba picha inaaminika kijiometri.

Kwa kutua kwenye meli, swali la “je, shabaha ipo?” pekee halitoshi. Pembe, kingo na jiometria ya perspective ya alama kama AprilTag lazima ionekane kwa usahihi wa kutosha kwa ukadiriaji wa relative pose.

Kwa hiyo utafiti unatenganisha aina tatu za taarifa:

• posterior probability: mtandao una confidence kiasi gani katika class ya shabaha?
• perception uncertainty: utabiri wa probabilistic ni thabiti kiasi gani?
• visual quality: picha yenyewe inafaa kiasi gani kutoa jiometria ya kutua?

Kutokuwa na uhakika wa utambuzi kunahesabiwaje?

Kwa picha hiyo hiyo hufanywa \(M\) stochastic forward passes na wastani wa distribution ya class:

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

huhesabiwa.

Kutokuwa na uhakika wa utambuzi huunganisha predictive entropy na output covariance kati ya forward passes:

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

Katika usanidi wa vigezo wa utafiti, kwa kila picha hutumiwa 20 stochastic forward passes .

Je, alama ya ubora wa kuona inapima tu uzuri wa picha?

Hapana. Watafiti wanasisitiza kwamba hii si alama ya jumla ya “picha nzuri”. Lengo ni kutathmini kama picha inaweza kutumiwa kukadiria pose ya shabaha ya kutua.

Alama mchanganyiko ya ubora:

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

imefafanuliwa kwa namna hiyo.

Uaminifu wa uchunguzi unaundwaje?

Uwezekano wa posterior \(p_k^*\), ubora wa kuona \(q_k\) na kutokuwa na uhakika wa utambuzi \(\nu_k\) vinaunganishwa ndani ya Sigmoid function:

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

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

Uzito wa nominal:

• uwezekano wa posterior: 2,2,
• ubora wa picha: 1,6,
• adhabu ya kutokuwa na uhakika: 2,0.

umechaguliwa.

Matokeo yake, \(r_k\) ikiwa juu picha inaaminika zaidi; picha inapoharibika na kutokuwa na uhakika wa utambuzi kuongezeka, \(r_k\) hupungua.

Uaminifu unaathirije Kalman filter?

Moja ya ubunifu muhimu wa utafiti ni kuunganisha thamani ya uaminifu moja kwa moja na observation noise covariance:

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

Katika update ya kina zaidi:

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

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

hutumiwa.

Picha ikiwa inaaminika, \(R_k\) hukaribia \(R_{\min}\) na filter huipa uzito mkubwa zaidi measurement ya kuona. Picha inapoharibika, \(R_k\) huongezeka na state estimator hutumia measurement ya kuona kwa tahadhari zaidi.

MPC inajuaje ubora wa picha ya baadaye?

Haijui. Utafiti unaeleza wazi kwamba hautumii picha za baadaye ambazo bado hazijapigwa.

Kwa kuwa upeo wa MPC una hatua 10 tu na sampling interval ya 0,1 s, katika hali ya nominal hutumiwa mbinu ya zero-order hold inayodhani kwamba thamani ya sasa ya uaminifu hubaki thabiti kwa muda mfupi:

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

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

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

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

Katika frame inayofuata ya kamera, thamani hupimwa tena na tatizo la MPC hutatuliwa upya kutoka mwanzo. Hivyo mfumo unabaki causal na unaoweza kutekelezwa mtandaoni.

Modeli ya MPC ya UAV ina undani kiasi gani?

Utafiti hautumii hapa modeli kamili ya aerodynamic ya UAV yenye high fidelity. Modeli ya utabiri kimsingi ni modeli ya kinematic ya muda-discrete iliyo linear, inayojumuisha hali za position, velocity, acceleration na heading.

Control input kwa kila channel ni jerk:

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

Watafiti wanaeleza wazi kwamba ubunifu wa utafiti si kujenga upya modeli ya dynamic ya UAV, bali kuunganisha taarifa ya utambuzi inayoaminika na predictive control pamoja na uamuzi wa kutua.

Reliability-enhanced MPC inatathmini gharama zipi kwa pamoja?

Objective function ya MPC kimsingi ina vipengele vinne:

1. kosa la kufuatilia trajectory,
2. ulaini wa mabadiliko ya control input,
3. landing barrier inayounda kutua kwenye sitaha yenye mwinuko mdogo,
4. adhabu za uaminifu wa uchunguzi, ubora wa picha na kutokuwa na uhakika wa utambuzi.

Adhabu ya uaminifu:

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

imefafanuliwa kwa namna hiyo.

Hivyo, hata dirisha la sitaha lenye mwinuko mdogo likitokea, ikiwa data ya kamera haiaminiki, optimization inaweza kufanya fursa hiyo ya kutua kuwa na gharama kubwa zaidi.

Uzito wa nominal wa MPC ni upi?

Je, stability analysis ilifanywa?

Ndiyo. Utafiti haukuishia kwenye simulation ya controller pekee; uliunda terminal LQR controller na terminal cost matrix kwa augmented tracking error system kupitia discrete algebraic Riccati equation.

Terminal Lyapunov function:

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

huchaguliwa hivyo, na kwa disturbance term \(d_k\):

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

hupatikana upper bound ya aina hiyo.

Kwa mujibu wa matokeo ya kinadharia ya chanzo, disturbance ikiwa sifuri hupatikana local asymptotic stability; ikiwa disturbance imewekewa kikomo, practical boundedness hupatikana katika eneo linalohusiana na upper bound ya disturbance. Uchambuzi huu unatumika ndani ya augmented linear error model na assumptions za utafiti; si uthibitisho wa global stability unaojumuisha nonlinear aerodynamics zote za mfumo halisi wa meli–UAV.

UAV haiingii kwenye mwisho wa kushuka kabla masharti gani kutimizwa?

Utafiti hauachi uamuzi wa kutua kwa frame moja ya picha. Vizingiti vya nominal ni:

Sharti mojawapo lisipotimizwa, mfumo unaweza kubaki kwenye hover-wait, kujipanga upya au go-around badala ya kuingia kwenye final descent.

Je, vizingiti hivi ni universal safety limits?

Hapana. Watafiti wanaeleza wazi kwamba vizingiti vya Jedwali 4 si constants za universal. Vimechaguliwa kwa simulation iliyotumiwa, modeli ya uaminifu na balance ya usalama–fursa ya kutua.

Katika mfumo halisi, vinapaswa kubainishwa upya kulingana na ukubwa wa UAV, kamera, ukubwa wa meli, mwendo wa mawimbi, mwangaza na dynamics za ndege.

Ni hali zipi zilitumika katika test ya visual degradation?

Chanzo kinaonyesha hali nne kuu za picha katika Kielelezo 3:

• picha ya kawaida,
• mwanga hafifu,
• motion blur,
• reflection na partial occlusion.

Mstari wa pili wa figure una local image-quality response maps. Katika chanzo, maeneo ang’avu zaidi yanawakilisha usability ya chini kwa utambuzi wa shabaha ya kutua na pose estimation.

Vipimo vya mfumo hubadilikaje picha inapoharibika?

Katika Kielelezo 4, wakati wa low illumination, motion blur na reflection/occlusion, alama ya ubora wa picha hushuka huku kutokuwa na uhakika wa utambuzi kukiongezeka. Kwa sababu hiyo, uaminifu mchanganyiko wa uchunguzi unaweza pia kushuka chini ya kizingiti.

Katika hali hii, mfumo hubaki kwenye awamu ya alignment au waiting badala ya kuingia kwenye final descent kwa sababu tu ya alama moja ya juu ya utambuzi wa shabaha.

Matokeo ya ablation ya njia nne za control ni yapi?

Je, kuongeza uaminifu wa picha kunaleta tofauti kweli?

Ulinganisho wa ablation unajaribu swali hili hasa. MPC ya kawaida haitumii taarifa yoyote ya perception reliability. Confidence-only MPC hutumia tu confidence ya utambuzi wa shabaha. Fixed robust MPC hutumia safety margin ya kudumu isiyotegemea hali ya kuona.

Mbinu iliyopendekezwa, kwa kuwa inatumia posterior probability, ubora wa kuona na kutokuwa na uhakika wa utambuzi kwa pamoja, inaweza kuwa ya tahadhari zaidi kwa picha zenye ubora mdogo lakini zinazotoa confidence ya juu.

Kupungua kwa kiwango cha kushuka vibaya katika Jedwali 6 kutoka %18 hadi %5 ni mojawapo ya ushahidi mkuu wa utendaji wa reliability chain iliyopendekezwa na utafiti.

Nini kilipatikana katika ulinganisho na SHMPC?

Katika ulinganisho wa Kielelezo 8, reliability-enhanced MPC iliyopendekezwa ililinganishwa na shrinking horizon MPC (SHMPC) kwa mujibu wa touchdown inclination.

Kwa mbinu iliyopendekezwa, takriban %75 ya kutua iko ndani ya 10°. Kwa SHMPC, kwa range hiyo hiyo takriban %71 imeripotiwa.

Muda wa wastani wa kutatua:

• SHMPC: takriban 913 ms/iteration,
• mbinu iliyopendekezwa: takriban 104 ms/iteration.

uliripotiwa.

Kwa nini %58 na %24 zote zinaonekana kwa MPC ya kawaida?

Chanzo kina matokeo mawili tofauti. Katika ablation comparison ya Jedwali 6, kiwango cha kutua ndani ya 15° kwa MPC ya kawaida kimetolewa kama %58 .

Katika maelezo ya Sehemu 4.4 na Kielelezo 8, kwa ulinganisho mwingine wa MPC ya kawaida kiwango hiki kimetajwa kama %24 . Sehemu hiyo hiyo inatoa tena %82 kwa mbinu iliyopendekezwa.

Kwa kuwa chanzo hakielezi kwa kiasi cha kutosha tofauti za masharti kati ya makundi haya mawili ya majaribio, thamani hizi hazipaswi kuunganishwa kama mbadala wa moja kwa nyingine. Kwa sababu hiyo, visualization ya Verianla Live hutumia tu data ya ablation ya Jedwali 6 yenye consistency ndani yake.

Matokeo ya majaribio 50 yalikuwa yapi?

Chanzo, katika ulinganisho ambapo maximum deck tilt amplitude ilikuwa 0,5 rad , kilifafanua kutua kwa mafanikio kuwa platform inclination wakati wa touchdown kuwa chini ya 20°.

Katika hali hii, mbinu iliyopendekezwa iliripoti:

• kutua kwa mafanikio katika 45 kati ya majaribio 50,
• kutua 5 kwa kushindwa,
• %90 mafanikio,
• %10 kushindwa

.

Katika maelezo hayo hayo, failure rate ya MPC ya kawaida imetajwa kuwa takriban %50.

Je, matokeo ya “touchdown angle ndani ya 5°” ni ya uhakika?

Ingawa muhtasari wa chanzo una kauli kama hiyo, matokeo yote makuu hayaungi mkono dai hilo la absolute.

Katika Kielelezo 8, takriban %38 ya kutua kwa mbinu iliyopendekezwa inaonekana katika 0–5°, na takriban %37 katika 5–10°. Zaidi ya hayo, katika parameter sensitivity tables, nominal mean touchdown angles zimeripotiwa kuwa 5,4° na 7,6°.

Kwa hiyo, hitimisho linaloungwa mkono kwa uthabiti zaidi na utafiti ni kwamba mbinu iliyopendekezwa huchagua mara nyingi zaidi madirisha ya kutua yenye inclination ndogo na huongeza uwiano wa kutua ndani ya 15°. Haipaswi kuhitimishwa kwamba touchdown zote zilitokea ndani ya 5°.

Nini hutokea vizingiti vya kutua vikilegeza?

Jedwali 7 inalinganisha mipangilio mitatu tofauti ya phase transition:

Matokeo yanaonyesha balance muhimu ya usalama–fursa. Kizingiti kilicholegea sana hufupisha muda wa kusubiri lakini huongeza hatari ya kushuka mapema. Kizingiti kilicho kali sana hutoa touchdown angle ndogo na kiwango cha kushuka vibaya kilicho chini, lakini kinaweza kusababisha baadhi ya madirisha yanayofaa ya kutua kupitwa na muda wa kusubiri kuongezeka.

Katika jaribio hili, nominal setting ilitoa kiwango cha juu zaidi cha mafanikio ya jumla ya kutua.

Uzito wa uaminifu unaathiri matokeo kwa kiasi gani?

Jedwali 8 inalinganisha uzito tofauti wa posterior, ubora wa picha na kutokuwa na uhakika. Kwa mfano, katika nominal setting kiwango cha kutua ndani ya 15° ni %82, kushuka vibaya %8 na mean touchdown inclination 5,4°; kwa adaptive weights, hizi zimeripotiwa kuwa %84, %4 na 4,7° mtawalia.

Hata hivyo, katika adaptive setting muda wa wastani wa kutatua huongezeka hadi 110 ms na muda wa kusubiri hadi 5,5 s. Matokeo haya yanaonyesha kwamba tathmini ya uaminifu wa kuona iliyo conservative zaidi inaweza kuongeza usalama bila kuboresha bure fursa ya kutua au muda wa computation.

Nini hutokea MPC reliability penalty ikiongezwa?

Katika Jedwali 9, kwa nominal MPC weights, kiwango cha kutua ndani ya 15° ni %82, kushuka vibaya %8 na mean touchdown angle 5,4°.

Reliability emphasis ya juu ikitumika, kushuka vibaya hupungua hadi %4 na mean touchdown angle hadi 4,8°, lakini mafanikio ya kutua ndani ya 15° hushuka hadi %80 na solution time huongezeka hadi 111 ms.

Hili linaunga mkono kwamba controller huwa conservative zaidi ikiwa na safety penalty kubwa zaidi.

Matokeo yanayoungwa mkono na utafiti

• Ubora wa kuona na kutokuwa na uhakika wa utambuzi vinaweza kutoa taarifa za ziada muhimu katika uamuzi wa kutua, bila kutegemea confidence ya shabaha pekee.
• Kwa kuunganisha uaminifu wa uchunguzi na Kalman observation covariance, athari ya visual measurements katika picha mbaya inaweza kupunguzwa.
• Kuongeza uaminifu wa uchunguzi kwenye phase transition ya kutua kulipunguza maamuzi ya kushuka vibaya katika simulation.
• Katika ablation experiment ya Jedwali 6, mbinu iliyopendekezwa ilifikia %90 landing success na %5 false descent.
• Katika ablation experiment hiyo hiyo, kwa mbinu iliyopendekezwa %82 ya kutua kulitokea kwenye deck inclination ndani ya 15°.
• Utabiri wa muda mfupi wa mwendo wa sitaha kwa FFT na Kalman ulitoa prediction inayoweza kutumiwa kuchagua dirisha la kutua lenye inclination ndogo.
• Katika ulinganisho wa SHMPC, muda wa wastani wa optimization kwa mbinu iliyopendekezwa uliripotiwa kuwa takriban 104 ms, huku SHMPC ikiwa takriban 913 ms.
• Setting kali zaidi ya phase-transition thresholds ilipunguza kushuka vibaya huku ikiongeza muda wa kusubiri.

Matokeo ambayo utafiti hauungi mkono au bado haujathibitisha

• Mbinu haijathibitishwa kwa flight test kwenye meli halisi inayosonga.
• Kiwango cha mafanikio cha %90 si universal landing probability kwa hali zote za bahari.
• Vizingiti vya 0,72 reliability, 0,65 ubora wa picha au 0,25 kutokuwa na uhakika si universal aviation safety limits.
• Utafiti hauonyeshi kwa consistency katika main results tables kwamba touchdown zote zilitokea ndani ya 5°.
• Sea spray, strong wind gusts na deck heave hazijathibitishwa kwa comprehensive real-flight experiments.
• Utendaji wa visual quality network chini ya domain shift katika kamera na mazingira halisi tofauti ya bahari haujapimwa.
• Haijaonyeshwa kwamba algorithm itatoa solution time hiyo hiyo ya 104 ms kwenye real flight computer.
• Kutohitaji high-bandwidth external communication hakumaanishi kwamba aina zote za mawasiliano zimeondolewa kwenye mfumo; kwa ufafanuzi, utafiti unalenga kutofanya landing control iwe tegemezi kwa external real-time state feedback.

Mbinu na Matokeo

Utafiti ulitumia aina gani ya uthibitishaji?

Utafiti unajumuisha development ya mbinu, mathematical analysis, simulation, software-in-the-loop evaluation, ablation comparison na parameter sensitivity tests.

Chanzo hakitoi mfululizo wa physical UAV flight tests kwenye real moving-ship platform. Katika conclusion, waandishi wanataja wazi experiments kwenye meli halisi kama future work.

Mlolongo mkuu wa kazi wa mbinu

Kwa nini ablation study ni muhimu?

Ablation study inajaribu kama mafanikio ya mbinu iliyopendekezwa yanatokana tu na ukweli kwamba “MPC inatumika” au la.

Njia nne ziliundwa kwa kuongeza vipengele kwa utaratibu katika ulinganisho huo huo:

• MPC ya kawaida: hakuna perception reliability,
• confidence-only MPC: posterior confidence pekee,
• fixed robust MPC: fixed uncertainty margin,
• mbinu iliyopendekezwa: posterior + image quality + perception uncertainty + reliability constraint.

Kupungua kwa false descent rate kwa %18 → %12 → %7 → %5 kunaunga mkono kwamba safety gain inahusiana na matumizi ya reliability information inayoongezeka, badala ya feature moja ya ziada pekee.

Visual quality test inathibitisha nini?

Kielelezo 3 na 4 zinaonyesha kwamba simulated image degradation inaweza kutambuliwa na quality score pamoja na reliability mechanism. Hasa blur au occlusion ikitokea kwenye edge na corner regions za shabaha kama AprilTag, quality response map huonyesha usability ya chini.

Hata hivyo, experiment hii si independent benchmark inayopima generalization performance ya image-quality network kwenye large dataset ya picha zilizokusanywa kwenye bahari halisi.

Deck motion prediction inathibitisha nini?

Kielelezo 5 na 6 zinaonyesha kwamba katika short prediction horizons, FFT–Kalman model inaweza kufuatilia observed roll motion. Chanzo kinasema hasa kwamba fit ni bora katika visual prediction horizon ya 0,25 s, deviation ni kubwa zaidi katika 1 s, na IMU-supported 1 s prediction inaonyesha trend thabiti zaidi.

Matokeo haya yanaunga mkono usefulness ya short-term prediction kwa final landing window; hayapaswi kutafsiriwa kama precise long-term prediction ya motion ya bahari.

Mafanikio yalifafanuliwaje?

Katika evaluation ya majaribio 50 ya Sehemu 4.4, kutua kwa mafanikio kulifafanuliwa kuwa platform tilt angle wakati wa touchdown kuwa chini ya 20° .

Kwa hiyo, definition ya %90 “landing success” haijumuishi vigezo vyote vya dunia halisi kama physically damage-free landing, landing-gear load, sliding, kutoka nje ya sitaha au flight-safety certification.

Real-time performance ilionyeshwa kwa kiwango gani?

Katika Jedwali 6, MPC ya kawaida iliripotiwa kwa 96 ms, confidence-only MPC 99 ms, fixed robust MPC 108 ms na mbinu iliyopendekezwa 104 ms average solution time.

Katika reliability weights tofauti za Jedwali 8 na 9, muda unabaki takriban katika range ya 99–111 ms.

Matokeo haya yanaonyesha kwamba reliability terms za ziada hazikuongeza solution time kwa kiasi kikubwa katika simulation environment iliyotumika. Hata hivyo, chanzo hakitoi full embedded-hardware benchmark ya processor model, thermal limits na long-duration real-flight workload ya flight computer.

Kwa nini parameter sensitivity ilifanywa?

Kwa kuwa reliability model ina experimental weights na thresholds nyingi, ilijaribiwa kama matokeo yanategemea tu particular hand-selected parameter combination au la.

Sensitivity analyses za utafiti kwa ujumla zinaonyesha trends zifuatazo:

• safety thresholds legevu zaidi → muda mfupi wa kusubiri lakini false descent zaidi,
• thresholds kali zaidi → touchdown angle ndogo lakini muda mrefu wa kusubiri,
• uncertainty penalty kubwa → kutua kwa tahadhari zaidi,
• image-quality weight kubwa → false landing chache zaidi kwenye picha mbaya,
• reliability penalty kubwa kupita kiasi → safety inaongezeka lakini landing opportunity inaweza kupungua.

Mipaka kuu ya kisayansi ya utafiti

• Sehemu kuu ya validation iko katika simulation na software-in-the-loop environment.
• Hakuna flight test iliyofanywa kwenye meli halisi inayosonga.
• Hakuna comprehensive independent visual-quality benchmark iliyotolewa kwa real sea images.
• Strong wind gusts, dense sea spray na heave coupling zimeachwa kwa future work.
• Thresholds na weights zinategemea task.
• Image-quality na uncertainty weights zili-tune kwa empirical basis.
• MPC model si full high-fidelity UAV aerodynamic model.
• Mbinu inatumia assumption kwamba visual reliability hubadilika polepole katika short horizon.
• Chanzo kina baadhi ya notation na result-number inconsistencies.

Dokezo la Chanzo na Mbinu

Jina kamili la asili la utafiti: Research on Autonomous UAV Shipboard Landing Control for Dynamic Ship Platforms

Waandishi: Wenjie Zhou; Yuanliang Zhang; Lixue Ni.

Mpangilio wa waandishi: Mpangilio katika chanzo umehifadhiwa vilevile.

Mchango sawa/mwandishi wa kwanza mwenza: Chanzo hakina taarifa ya equal contribution.

Mwandishi wa mawasiliano: Lixue Ni.

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

Aina ya chanzo: Makala ya utafiti.

Hali ya peer review: Ni utafiti uliopitia peer review na kuchapishwa.

Wahariri wa kitaaluma: Maolong Lv, Junkai Ren na Haibin Duan.

Jarida: Machines.

Mchapishaji: MDPI, Basel, Switzerland.

Juzuu / toleo / nambari ya makala: 14 / 6 / 612.

Tarehe ya kupokelewa: 20 Aprili 2026.

Tarehe ya marekebisho: 25 Mei 2026.

Tarehe ya kukubaliwa: 25 Mei 2026.

Tarehe ya kuchapishwa: 28 Mei 2026.

DOI: 10.3390/machines14060612

Kiungo rasmi cha chapisho:https://doi.org/10.3390/machines14060612

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Waandishi wanasema utafiti haukupokea ufadhili wa nje.

Upatikanaji wa data: Waandishi wanasema michango asili ya utafiti ipo ndani ya makala.

Mgongano wa maslahi: Waandishi wanatangaza kuwa hakuna mgongano wa maslahi.

Michango ya waandishi: Conceptualization Wenjie Zhou; methodology Wenjie Zhou; first draft Wenjie Zhou; review and editing Wenjie Zhou na Yuanliang Zhang; supervision Lixue Ni; project management Yuanliang Zhang na Lixue Ni; funding acquisition Lixue Ni. Pia taarifa ya ufadhili katika makala inasema hakuna ufadhili wa nje.

Kiwango cha uthibitishaji: Matokeo makuu ya utendaji wa utafiti yanategemea simulation na software-in-the-loop analyses. Hakuna physical UAV landing experiment iliyofanywa kwenye meli halisi. Real-world flight experiments zimetajwa na waandishi kama future work.

Mpaka wa ufafanuzi wa mafanikio: Katika evaluation ya majaribio 50 ya Sehemu 4.4, successful landing ilifafanuliwa kama platform inclination wakati wa touchdown kuwa chini ya 20°. Kwa hiyo, kiwango cha %90 si certification metric inayojumuisha vigezo vyote vya mechanical na flight safety vya real operational landing.

Inconsistency ya matokeo ndani ya chanzo 1: Muhtasari unasema touchdown attitude angle ilidumishwa ndani ya 5°. Hata hivyo, distribution ya Kielelezo 8 inaonyesha sehemu tu ya kutua katika 0–5° na takriban %75 ndani ya 10°. Katika nominal setting ya Jedwali 8 na 9, mean touchdown inclination ni 5,4°, na katika nominal setting ya Jedwali 7 ni 7,6°. Kwa hiyo, hitimisho kwamba “touchdown zote ziko ndani ya 5°” halijatolewa kutoka data ya chanzo.

Inconsistency ya matokeo ndani ya chanzo 2: Katika ablation experiment ya Jedwali 6, kiwango cha kutua ndani ya 15° kwa MPC ya kawaida ni %58. Katika maelezo ya Sehemu 4.4 na Kielelezo 8, %24 imetolewa kwa MPC ya kawaida. Kwa kuwa chanzo hakitenganishi kwa undani wa kutosha conditions za comparison sets hizi mbili, namba hizi hazikutumiwa badala ya nyingine.

Inconsistency ya notation ndani ya chanzo 1: Baada ya Mlinganyo (68), imeandikwa kwamba phase-transition conditions lazima zitimizwe mfululizo kwa λq frames, huku katika Jedwali 4 na maelezo yanayofuata idadi ya consecutive frames ikifafanuliwa kama \(N_c=10\). Katika maelezo makuu, thamani ya \(N_c\) iliyowekwa wazi kwenye jedwali imetumika.

Inconsistency ya notation ndani ya chanzo 2: Tracking na control-increment weights za MPC zinaitwa S na T katika Mlinganyo (42), na Q na R katika Jedwali 3 na Mlinganyo (50). Pia kuna tofauti αL/λb kwa barrier weight na λν/λu kwa uncertainty penalty. Maandishi ya Verianla hayajaandika upya notation hizi kana kwamba chanzo kilitumia symbol moja.

Inconsistency ya notation ndani ya chanzo 3: Ingawa katika Mlinganyo (13) \(q_k\) imefafanuliwa kama combined score ya components nne za quality, katika sentensi inayofuata inaitwa output ya NR-IQA network. Katika equation, output maalum ya NR-IQA imefafanuliwa kwa symbol \(q_k^{nr}\).

Dokezo la ulinganisho wa Jedwali 7–9: Katika nominal settings, false-descent rate inachukua values tofauti kama %5 na %8 katika sensitivity tables tofauti. Kwa kuwa tables hizi ni matokeo ya parameter scans tofauti, haijadhaniwa kwamba ni result moja ya sample hiyo hiyo ya Monte Carlo.

Leseni ya picha na urekebishaji: Inline SVG katika maandishi haya ya Verianla ni visual derivative ya Kituruki iliyorahisishwa kutokana na method architecture ya Kielelezo 1 ya chanzo na maelezo yanayohusiana ya mbinu, huku maana ya kisayansi ikihifadhiwa. Utafiti chanzo umechapishwa chini ya leseni ya CC BY.

Mpaka wa maudhui ya kisayansi: UAV–USV architecture, probabilistic perception, image-quality evaluation, observation reliability, FFT/Kalman deck prediction, MPC, stability analysis, thresholds na performance results katika maandishi haya ya Verianla yanategemea tu utafiti chanzo uliochunguzwa. Hakuna experimental au performance result mpya iliyoongezwa kutoka vyanzo vya nje; external verification ilitumika tu kwa bibliographic publication identity.