Nutzung von Support Vector Machines für Ortung und Navigation in der Luftfahrt
von Sven BollmannIn der vorliegenden Arbeit geht es darum, die kognitiven Vorgänge und Lernprozesse beim Fliegen im Hinblick auf die eigene Positionsbestimmung sowie die Schätzung des aktuellen Flugzustandes nachzubilden. Dabei sollen maschinelle Lernverfahren und insbesondere Support Vector Machines (SVMs) zum Einsatz kommen.
Kernelement vieler moderner Ortungs- und Navigationsverfahren sind Bayes-Filter. Diese ermöglichen in einem iterativen Zusammenspiel aus Zeit- und Mess\-up\-dates die kontinuierliche Schätzung von Position und Flugzustand für ein Luftfahrzeug. Notwendige Voraussetzung dafür sind mathematisch ausgefeilte Modelle, die sowohl die Interpretation von Sensordaten als auch die Fortschreibung (Propagation) des aktuellen Flugzustands in der Zeit beschreiben.
Einem menschlichen Piloten gelingt diese Aufgabe in der Regel auch ohne die explizite Kenntnis der dafür notwendigen flugmechanischen und mathematischen Grundlagen. Er kann diese durch die Vielzahl seiner bisher gemachten Beobachtungen und Erfahrungen ersetzen. Das biologisch motivierte und modellfreie Erlernen von Zusammenhängen in Bezug auf die Interpretation von sensorischen Wahrnehmungen und die Fähigkeit zur Propagation des aktuellen Flugzustands soll in dieser Arbeit durch Support Vector Machines nachgeahmt werden. Diese sind klassischen Neuronalen Netzen wie z. B. dem Multilayer-Perceptron besonders bei Klassifikations- und Regressionsproblemen wegen ihrer sehr guten Fähigkeit zu generalisieren oft überlegen.
Neben dem Entwurf einer zur Einbindung von Support Vector Machines geeigneten Filterarchitektur behandelt diese Arbeit die SVM-basierte Korrektur der Sensorrohdaten von Einzel- und Multisensorsystemen, ein SVM-System zur Propagation des Zustandsvektors sowie verschiedene Verfahren zur Gewinnung von Trainingsdaten. Zum Abschluss der Arbeit wird ein Ortungsverfahren skizziert, welches zu jedem Zeit- und Messupdate im Bayesschen Filterprozess die entsprechenden Wahrscheinlichkeitsdichtefunktionen ermittelt und dabei nur auf Grundrechenarten basiert.
Kernelement vieler moderner Ortungs- und Navigationsverfahren sind Bayes-Filter. Diese ermöglichen in einem iterativen Zusammenspiel aus Zeit- und Mess\-up\-dates die kontinuierliche Schätzung von Position und Flugzustand für ein Luftfahrzeug. Notwendige Voraussetzung dafür sind mathematisch ausgefeilte Modelle, die sowohl die Interpretation von Sensordaten als auch die Fortschreibung (Propagation) des aktuellen Flugzustands in der Zeit beschreiben.
Einem menschlichen Piloten gelingt diese Aufgabe in der Regel auch ohne die explizite Kenntnis der dafür notwendigen flugmechanischen und mathematischen Grundlagen. Er kann diese durch die Vielzahl seiner bisher gemachten Beobachtungen und Erfahrungen ersetzen. Das biologisch motivierte und modellfreie Erlernen von Zusammenhängen in Bezug auf die Interpretation von sensorischen Wahrnehmungen und die Fähigkeit zur Propagation des aktuellen Flugzustands soll in dieser Arbeit durch Support Vector Machines nachgeahmt werden. Diese sind klassischen Neuronalen Netzen wie z. B. dem Multilayer-Perceptron besonders bei Klassifikations- und Regressionsproblemen wegen ihrer sehr guten Fähigkeit zu generalisieren oft überlegen.
Neben dem Entwurf einer zur Einbindung von Support Vector Machines geeigneten Filterarchitektur behandelt diese Arbeit die SVM-basierte Korrektur der Sensorrohdaten von Einzel- und Multisensorsystemen, ein SVM-System zur Propagation des Zustandsvektors sowie verschiedene Verfahren zur Gewinnung von Trainingsdaten. Zum Abschluss der Arbeit wird ein Ortungsverfahren skizziert, welches zu jedem Zeit- und Messupdate im Bayesschen Filterprozess die entsprechenden Wahrscheinlichkeitsdichtefunktionen ermittelt und dabei nur auf Grundrechenarten basiert.