פוסטר מצגת

מוטיבציה לפרויקט

לאור העליה בשימוש ברחפנים אוטונומיים, במסגרת פעילויות אזרחיות וצבאיות, קיים פוטנציאל רב לשימוש וניצול יכולות הרחפנים במשימות מורכבות עם ריבוי יעדים ומטרות. לדוגמה, במשימת איסוף מודיעין צבאי, הרחפן נדרש להבטיח את טיב התוצרים, שמירה על רציפות תקשורת וחשאיות. מצד שני, לתהליך הבקרה המשפיעה על טיב עמידה במשימה קיימים משתנים רבים. הקשר בין המשתנים הרבים לבין ריבוי היעדים והמטרות אינו טריוויאלי.כדי למצוא את הערכים שיביאו לביצועי המשימה המיטביים, חשוב למצוא דרך לנבא את טיב ההצלחה במשימה, ומתוכה למצוא את נקודת העבודה המיטבית.

סקירת ספרות

Ferreira & Oliynyk, Brisolara, Cabreira) (2019 הסבירו במאמרם שרחפן זו פלטפורמה אווירית ללא טייס המופעלת מרחוק בצורה ידנית ע"י מפעיל או טיסה אוטומטית שתוכנתה מראש. כמו כן, ניתן לבצע טיסות אוטונומיות באמצעות מערכות חכמות שמורכבות מחיישנים על גבי הרחפן. כדי לשפר את היכולות האוטונומיות של הרחפן נוכל לבצע סימולציה בעזרת מתודולוגיית Lye. DOE (2005) מגדיר DOE כסדרה של בדיקות שבמהלכן מבצעים שינויים מבוקרים לגורמים משפיעים בתהליך, כך שניתן לצפות ולזהות את השינוי בגורם התגובה, ולהעריך את הגורמים השולטים בערך הפרמטר או קבוצת הפרמטרים. זהו כלי רב עוצמה לאיסוף וניתוח נתונים שניתן להשתמש בו במגוון מצבים ניסויים. ניתן לתפעל מספר גורמי קלט ולקבוע את השפעתם על התוצאה המתקבלת. על ידי מניפולציה של מספר גורמי קלט בו זמנית, DOEיכול לזהות אינטראקציות חשובות שנוכל להחמיץ כאשר נתנסה בגורם אחד בכל פעם. ניתן לחקור את כל הצירופים האפשריים( (factorial full או רק חלק מהצירופים האפשריים ((factorial fractionalמטרות ה-DOE הוא לאתר את הגורמים המשפיעים ואת אופן ההשפעה שלהם על משתנה התגובה, לחזות ערך תגובה בהינתן מערך ערכים של גורמי קלט (הגורמים המשפיעים) ומציאת מערך ערכים אופטימלי של הגורמים המשפיעים לצורך קבלת ערך מבוקש עבור משתני הבקרה.

מתודולוגיה

בתחילת הפרויקט ניתחנו את אופן פעולת הרחפן, ועל פיו הגדרנו את דרגות החופש של מנגנון הבקרה שלו ואת מדדי ההצלחה במשימת איסוף המודיעין. לאחר מכן, בנינו זירת ניסוי על בסיס פלטפורמת AirSim )סימולציה של חברת (MICROSOFTמימשנו את ההתאמות הנדרשות בעזרת קוד Python ,וזאת כדי לתמוך בבקרת טיסה של הרחפן האיסוף ורחפן המטרה. למרות ריבוי המשתנים, השימוש בסימולציה אפשר לנו לבצע את הניסוי ע"פ מתודולוגיית DOE בגישת Factorial Fullאת תוצאות הניסוי ניתחנו באמצעות שפת R ,בדקנו את נכונות הגדרת המשתנים, ושערכנו מודלים באמצעות שלוש שיטות שונות (רגרסיה לינארית, עץ רגרסיה ורשת נוירונים), עבור כל אחד מארבעת משתני התוצאה (שהגדרנו למשימה בשלב מוקדם יותר), סה"כ 12 מודלים. לבסוף אמדנו את טיב השיערוך עבור כל אחד מהמודלים כדי לבחור את המודל הטוב ביותר.

ממצאים

בניתוח הראשוני של המשתנים לא מצאנו משתנה מסביר דומיננטי או משתנה תוצאה מיותר. כמו כן, בניתוח המודלים מצאנו כי הם נמצאו מובהקים. בנוסף, בכל אחד מהמודלים נמדד ערך RMSE לפי חיזוי המודל והערך בפועל. בהשוואה שבוצעה על טיב השיערוך בין המודלים, מצאנו שעץ הרגרסיה הוא המודל שהצליח לנבא בצורה הטובה יותר את ערכי המטרה.

סיכום

הפרויקט שלנו הראה כי לימוד מכונה במסגרת ניסוי DOE לשיערוך פונקציית MIMO הוכיח את עצמו כתהליך מתאים לבניית מודל חיזוי טוב. כמו כן, הוא יצר תשתית טובה לשדרוג פרויקטי המשך וניסויים מתקדמים יותר בתחום בקרת משימות רחפן מורכבות. מצד שני, הפרויקט לא סיפק מגוון רחב של מסלולי מטרה וסביבות סימולטיביות בשל מורכבות המשימה ודרגות החופש. גם המימוש של התהליכים הסימולטיבים בבקר הרחפן היה פשטני, אך זה לא היה במיקוד העיקרי של הפרויקט ולכן לא ניתן לזה דגש גדול יותר. על סמך פערים אלו יכלנו להציע פרויקטי המשך הכוללים מסלולי מטרה רבים יותר, שיפור בתהליכים הסימולטיביים ואף מנגנון לימוד מכונה כחלק מתהליך הריצה של הבקר.כמו כן, מכיוון שהניסוי בוצע בסימולציה בצורה מבוקרת, לא הייתה התחשבות בהרבה גורמים מהותיים שקיימים בזירה אמיתית כמו מזג אויר, לחץ אוויר וכדומה. כל זה נובע ממגבלות משאבים (תקציב, זמן וכדומה) שהיו לנו בפרויקט