Aktivní učení pro navigaci bezpilotních letadel

Abstract

Hlavním cílem této práce je najít nejlepší možný odhad trajektorie radioaktivního mraku v počáteční fázi nehody za použití informací ze sítě pozemních senzorů a bezpilotního letadla. Každé měření je zatíženo vlastní chybou, proto jsou použíte Bayesovské odhady pomocí metody importance sampling, známé také jako particle filter. V práci jsou zároveň odvozené, znázorněné a otestované různé implementace particle filtrů s různými typy proposal funkce. Jako báze pro aktivní učení je vybrán nejlepší algoritmus. Bylo prokázáno, že aktivní výběr lokace pomocí bezpilotního letadla výrazně zlepšuje kvalitu sledování.

The main point of this work is to make the best possible estimation of the trajectory of radioactive pu in the early phase of an accident using information from a network of terrain sensors and an unmanned aerial vehicle. Because of the fact that each measurement has its own measurement error, the Bayesian estimation is derived using importance sampling which is also known as the particle filter. Dierent implementations of the particle filter, using dierent types of proposal functions, are derived and tested in this work. The most eicient algorithm is chosen and used as a basis for development of the active learning approach. It has been shown that active selection of the location of the VAV significantly improves the quality of tracking.