| Summary: | Peräsiipi-ohjattujen ohjusten itse hakeutuva homing-ohjaus on laajasti tutkittu aihe, mutta tutkimuksessa on merkittävä aukko, mikä liittyy kuvantunnistusmenetelmien integrointiin kamera-hakupäihin perustuvien ohjausjärjestelmien osaksi. Erityisesti teoria liittyen hyödyllisen kohde-tiedon tuottaminen on vähäistä julkisen tutkimuksen osalta.
Tämä tutkimus ehdottaa ongelman ratkaisuksi neuroverkkopohjaista kohteen tunnistusta ja joukkoa eriäviä laskentastrategioiden sarjoja, joiden avulla voidaan tuottaa tietoa ohjauslain ja ohjausteorioiden tueksi. Vaikka neuroverkkojen kehitys ja niiden onnistuneet sovellukset kuvantunnistuksessa ovatkin edistyneet, nykyiset avoimesti julkaistut tutkimukset itse hakeutuvista ohjuksista eivät ole mainittavista tutkineet objektitunnistuksen integroimista visuaaliseen homing-ohjaukseen. Tämä puute merkittävä, sillä neuroverkkot ovat jo todentaneet potentiaalinsa monissa kuvantunnistuksen sovelluksissa. Lisäten, yleiset ohjusten ohjauksen periaatteet, kuten inertiaalinen navigointi ja näköyhteyteen perustava ohjaus, ovat laajasti käytössä myös ilmailu- ja avaruusjärjestelmissä, korostaen konseptin yleistettävyyttä ja potentiaalia.
Tämä tutkimus tarjoaa kattavan joukon ratkaisuja neuroverkko pohjaisen visuaalisen ohjauksen toteuttamiseksi X-siipi konfiguraatiota käyttävissä ohjuksissa. Nämä ratkaisut kattavat loogisen kulun aina kohteen tunnistamisesta vaiheeseen, jossa fysikaalisiin teorioihin pohjautuvat autopilot tuottavat ohjausekomentoja. Nämä ratkaisut pyrkivät täyttämään valittujen ohjauslakien ja teorioiden vaatimukset ja varmistamaan onnistuneen ohjauksen. Tutkimus tarjoaa myös perusperiaatteet ylittäviä ratkaisuja jatkokehityksen tueksi ja teorian laajentamiseksi.
Käsiteltyjen teorioiden laajuus huomioon ottaen, useita alueita jää avoimiksi tulevaisuuden tutkimukselle. Näihin kuuluu mm. ehdotettujen menetelmien tarkkuuden arviointi ja konseptin testaaminen simuloiduissa ympäristöissä oikeaan laitteistoon perustuen. Lisäksi konseptin haasteisiin liittyy kehittyneiden, mutta keveiden lentotietokoneiden kehittäminen, jotta esitettyjen teorioidaan laskennalliset vaatimukset voitaisiin täyttää suurin nopeuksin.
Homing guidance for tail-controlled missiles is a well-researched topic, but there is a notable gap in the literature regarding the integration of image recognition methods for guidance systems based on Television Camera (TV)-seeker. Specifically, deriving useful target information from the image data captured by a TV-seeker remains a challenge. This research addresses this issue by proposing use of neural network-based object detection for target localization and classification, which would create base for set of computational strategies to further derive refine information for guidance efforts.
Despite the advancements in neural networks and their successful applications in the field of image recognition, current openly published research on homing missiles has not explored the integration of object detection systems into visual homing guidance. This gap is particularly significant, given the potential for neural networks to enhance guidance systems. The general principles used in missile guidance, such as inertial navigation and line-of-sight-based guidance, are also extensively applied in aerial and space-borne systems, emphasizing the generalization capability and potential of the concept.
This research offers a comprehensive set of solutions for implementing neural network-based visual guidance in X-tail controlled missiles, detailing the process from target detection to the application of autopilot commands based on physical reasoning. These solutions aim to achieve the requirements of the selected guidance laws, ultimately ensuring successful engagement. Furthermore, additional logic is introduced to extend the basic theories, laying the groundwork for future developments.
Given the scope of the concepts discussed, several areas remain open for future research. These include evaluating the accuracy of the proposed methods, testing the concept in simulated environments with real hardware, and developing more advanced flight computers capable of handling the computational demands of such systems.
|
|---|