UNMANNED GROUND VEHICLE SELECTION WITH ARTIFICIAL NEURAL NETWORKS

Öz

In recent years, significant advancements have been made in defense systems in response to the increasing demands of countries. The importance of unmanned ground vehicles, a highly critical technology, is becoming more evident with each passing year. In this study, a selection program is intended to be developed to determine the mission purposes for which military unmanned ground vehicles will be used. In line with the operating principles, the basic mechanical systems have been identified. Subsequently, a design catalog containing these basic mechanical systems was created. The desired features for use in the field were asked to the customer. Based on the received responses, the best alternative unmanned ground vehicles were identified using an artificial neural network algorithm. In the artificial neural network model, a feedforward neural network architecture was used. Stochastic Gradient Descent was utilized in the network training function to minimize the model's loss function. The activation functions tanh and softmax were used, and the model has four hidden layers. The model was trained for 150 epochs. Results were obtained for the metrics of accuracy, precision, recall, and F1-score. The model's accuracy rate was found to be %99,63. Such a high accuracy rate indicates that the model has well understood the data in the dataset and provides accurate predictions.

Anahtar Kelimeler

• Artificial Intelligence
• Unmanned Ground Vehicle
• Artificial Neural Networks

Kaynakça

1. 1. Urgan, N. N., Tamgöz, M. “Yapay Sinir Ağları ile Aktif Kullanıcı Sayısı Tahmini Üzerine Bir Uygulama”, European Journal of Engineering and Applied Sciences, Vol3 Issue 2, Pages 8-14, 2020.
2. 2. Özkurt, C., “Savunma sanayinde dijitalleşmenin kurumsal niteliklere etkisinin yapay zeka yöntemleri ile öngörülmesi: Sakarya ili örneği”, Doktora Tezi, [Foreseeing the impact of digitalization on institutional qualities by artificial intelligence methods in the defense industry: an application in Sakarya] [Thesis in Turkish], Sakarya Üniversitesi, Sakarya, Pages 55-60, 2020.
3. 3. Ayyıldız, F.V., Demirci, O., “Ar-Ge harcama gruplarının ekonomik büyüme üzerindeki etkileri: Türkiye örneğinde yapay sinir ağları ile ARDL analizi”, Trends in Business and Economics, Vol 36 Issue 4, Pages 346-358, 2022.
4. 4. Aka, H., Aktuğ, Z. B., Kılıç, F., “Türkiye Süper Lig Sezon Sonu Takım Sıralamasının Geliştirilen Yapay Sinir Ağları Modeli ile Tahmin Edilmesi”, Spor ve Performans Araştırmaları Dergisi, Vol 11, Issue 3, Pages 258-268, 2020.
5. 5. Köse, Ü. B. (2021). Yapay Sinir Ağlari ve Gri Model ile Döviz Kuru Tahmini (Doctoral dissertation, Marmara Universitesi (Turkey)).
6. 6. Burçin, T., “Taşıt Kredileri Talep Tahmininin Yapay Sinir Ağları Kullanılarak Analiz Edilmesi”, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, Vol 1, Issue 78, Pages, 102-110, 2023.
7. 7. Şahin, M. E., “Gaz Yakıtlı Kombi Sisteminin Yapay Sinir Ağı ile Yakıt Miktarı Tahmini Isparta Örneği”, Uluslararası Teknolojik Bilimler Dergisi, Vol 15 Issue 1, Pages 11-18, 2023.
8. 8. Ertem, M., “Bir Savunma Sanayi Firmasında Depo Bölgesi Atama Sisteminin Veri Madenciliği ve Makine Öğrenme Yaklaşımlarıyla İyileştirilmesi”, Avrupa Bilim ve Teknoloji Dergisi, Vol 1, Issue 34, Pages 501-506, 2022.

9. 9. Tütüncü, Ö. (2022). “Yapay sinir ağları (YSA) modeli ile su yüzeyinden buharlaşma tahmini: Atatürk barajı örneği”, Yüksek Lisans Tezi, [Forecasting water surface evaporation with artificial neural networks (ann) model: example of Ataturk Dam][Thesis in Turkish],Bilecik Şeyh Edebali Üniversitesi, Bilecik, Pages 40-45, 2022.
10. 10. Karakul, A. K., “Yapay Sinir Ağları ile Borsa Endeksi Tahmini”, Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Vol 7, Issue 2, Pages 497-509, 2020.
11. 11. Buyrul, F., “Aramid Elyaf Takviyeli Polimer Matris Kompozitlerin Mekanik Deney Sonuçlarının Yapay Sinir Ağlarıyla Tahminleri ve Istatistiksel Analizleri”, International Journal of Engineering Research and Development, Vol 14 Issue 1, Pages 271-281, 2022.
12. 12. Kaya, E., “İznik Gölü su kalite parametrelerinin yapay sinir ağları yöntemi ile değerlendirilmesi”, Yüksek Lisans Tezi, [Evaluation of İznik Lake water quality parameters by artificial neural networks method] [Thesis in Turkish], Sakarya Üniversitesi, Sakarya, Pages 25-35, 2022
13. 13. Baylan, H. K., Salepçioğlu, M. A., “Yapay Sinir Ağları Ile Stratejik Yönetim Araçlarının Kullanımının Örgütsel DNA’ya Etkisinin Tahmin Edilmesi: İstanbul’da Özel Hastanelerde Bir Araştırma”, İşletme Araştırmaları Dergisi, Vol 15, Issue 4, Pages 2724-2745, 2023.
14. 14. Süleymanlı, C., “Yapay sinir ağları ile türkiyenin brüt döviz rezervlerinin tahmini”, Finans Ekonomi ve Sosyal Araştırmalar Dergisi, Vol 6, Issue 4, Pages 612-624, 2021.
15. 15. Topal, A., Yiğit, T., “İnsansız Kara Araçları için Lidar Teknolojisi Kullanılarak 3B Ortam Haritalama Sistemi”, International Journal of 3D Printing Technologies and Digital Industry, Vol 5, Issue 2, Pages 171-186, 2021.
16. 16. Kırçıl, U., Tepe, C., “İnsansız Kara Araçları İçin Çapraz Platform Destekli Telemetri Sistemi Tasarımı”, Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Vol 24, Issue 1, Pages 53-60, 2024.
17. 17. Sonugür, G., “İnsansız kara araçları için dinamik nesnelerin tanınması amacıyla görüntü işleme tabanlı bir sistem geliştirilmesi”, Doktora Tezi, [Development of a computer vision-based system to detect dynamic objects for unmanned ground vehicles] [Thesis in Turkish], Pages 63-65, 2016.
18. 18. Kıvanç, Ö. C., “Bir İnsansız Kara Aracı İçin Yüksek Verimli Fırçasız Doğru Akım Motoru Tasarımı”, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Vol 24 Issue 2, Pages 494-501, 2020.
19. 19. Hülako, H., Kapucu, S., “Düşük Maliyetli GPS Tabanlı Otonom Bir İnsansız Kara Aracının Tasarımı ve Yapılması”, Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, Vol 6, Issue 4, Pages 834-850, 2018.
20. 20. Vardin, S., Demircioğlu, P., Böğrekci, İ., “Arazi Uygulamaları İçin İnsansız Yer Aracı Geliştirilmesi”, Uluborlu Mesleki Bilimler Dergisi, Vol 5 Issue 1, Pages 1-13, 2022.
21. 21. Akdan, S., Öner, İ., Akdeniz, N., Bingöl, A., Şimşek, S. E., Yavşan, E., “Zararlı bitkilerin ilaçlanması için tarımsal bir insansız kara aracı”, Interdisciplinary Studies on Contemporary Research Pratices in Engineering in the 21st Century-III, Özgür Yayınları, Gaziantep, Pages 251-265, 2023.
22. 22. Bayram, A., Almalı, M. N., Al-Naqshbandı, F. M., “Bir insansız kara aracının model öngörü kontrol metodu ile GPS tabanlı yol takibi”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Vol 38, Issue 1, Pages 345-356, 2022.
23. 23. Gökçe, B., Sonugür, G., (2018). İnsansız Kara Araçlarından Kamera ile Görüntülenen Hareketli Nesnelerin Sınıflandırılması Amacıyla Geliştirilen Görüntü İşleme Tabanlı Yöntemlerin Karşılaştırılması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Vol 18, Issue 3, Pages 1118-1129, 2018.
24. 24. Naglak, J. E., Kase, C., McGinty, M., Majhor, C. D., Greene, C. S., Bos, J. P., Weaver, W. W., “Cable deployment system for unmanned ground vehicle (UGV) mobile microgrids”, HardwareX, Vol 10, Issue e00205, 2021. 25. Patel, T., Guo, B. H., van der Walt, J. D., Zou, Y., “Effective motion sensors and deep learning techniques for unmanned ground vehicle (UGV)-based automated pavement layer change detection in road construction”, Buildings, Vol 13, Issue 1, Pages 5, 2022.
25. 26. Zhou, X., Yu, X., Zhang, Y., Luo, Y., & Peng, X., “Trajectory planning and tracking strategy applied to an unmanned ground vehicle in the presence of obstacles”, IEEE Transactions on Automation Science and Engineering, Vol 18, Issue 4, Pages 1575-1589, 2020.
26. 27. Mei, A., Zampetti, E., Di Mascio, P., Fontinovo, G., Papa, P., D’Andrea, A., “ROADS—Rover for Bituminous Pavement Distress Survey: An Unmanned Ground Vehicle (UGV) Prototype for Pavement Distress Evaluation”, Sensors, Vol 22, Issue 9, Pages 3414, 2022.
27. 28. Chung, C., Kim, H. K., Yoon, D. J., Lee, J., “Development of unmanned ground vehicle (UGV) for detecting crevasses in glaciers”, Journal of Institute of Control Robotics and Systems Vol 27, Issue 1, Pages 61-68, 2021.
28. 29. Liu, J., Anavatti, S., Garratt, M., Abbass, H. A., “Modified continuous ant colony optimisation for multiple unmanned ground vehicle path planning”, Expert Systems with Applications, Vol 196, Issue 116605, 2022.
29. 30. Wang, T., Huang, P., Dong, G., “Modeling and path planning for persistent surveillance by unmanned ground vehicle”, IEEE Transactions on Automation Science and Engineering, Vol 18, Issue 4, Pages 1615-1625, 2020.
30. 31. Hassan, I. A., Attia, T., Ragheb, H., Sharaf, A., M., “Design of unmanned ground vehicle (UGV) path tracking controller based on reinforcement learning”, International Journal of Heavy Vehicle Systems, Vol 30, Issue 5, Pages 577-587, 2023.
31. 32. Demir, C., “İnsansız kara araçlarının hareket sistemlerinin kavramsal tasarımı”, Yüksek Lisans Tezi, [Conceptual design of unmanned ground vehicles's motion systems] [Thesis in Turkish], Kırıkkale Üniversitesi, Kırıkkale, Pages 18-25, 2017.
32. 33. Demir, C., Bozdemir, M., “Mili Savunma Sanayimiz Açısından İnsansız Kara Araçlarının Önemi”, Uluslararası Taşköprü Pompeiopolis Bilim Kültür Sanat Araştırmaları Sempozyumu, Pages 616-632, Kastamonu, 2018. 34. Demir, C., Bozdemir, M., “İnsansız Kara Aracı Tasarımında Ağırlık Oranı Metodu Kullanımı”, Gazi Mühendislik Bilimleri Dergisi, Vol 5, Issue 1, Pages 32-45, 2019.
33. 35. Demir, C., Bozdemir, M, “İnsansız Kara Araçlarında Tekerlek ve Palet Tahrik Sistemlerinin İncelenmesi” II. Uluslararası Savunma Sanayi Sempozyumu, Kırıkkale, Pages 378-387, 2017.
34. 36. Yoon, S. and Bostelman, R., “Analysis of automatic through autonomous-unmanned ground vehicles (A-UGVs) towards performance standards”, IEEE International Symposium on Robotic and Sensors Environments, Ottowa, Pages 1-7, 2019.
35. 37. Exactitude Consultancy, “Global Unmanned Ground Vehicles Market By Application Global Trends And Forecast From 2022 To 2029”.https://exactitudeconsultancy.com/tr/reports/18995/unmanned-ground-vehicles-ugv-market/#request-a-sample April 19, 2024.
36. 38. Efe, Ö., Kaynak, O., “Yapay Sinir Ağları ve Uygulamaları”, Pages, 48-50, Boğaziçi Üniversitesi Yayınevi, İstanbul 2000.
37. 39. Karanfil, S., “Fuzzy lojik problemlerinde üyelik fonksiyonunun belirlenmesinde deneysel verilere dayanarak bir yöntem geliştirme”, [Developing a method based on experimental data to determine the membership function in fuzzy logic problems] [Thesis in Turkish], Doktora Tezi, Yıldız Teknik Üniversitesi, İstanbul, Pages 110, 1997.
38. 40. Karakoyun, M., Hacıbeyoğlu, M., “Biyomedikal veri kümeleri ile makine öğrenmesi sınıflandırma algoritmalarının istatistiksel olarak karşılaştırılması”, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Vol 16 Issue 48, Pages, 30-42, 2014.
39. 41. Akyüz, A. Ö., Kumaş, K., Ayan, M., Güngör, A., “Antalya ili meteorolojik verileri yardımıyla hava sıcaklığının yapay sinir ağları metodu ile tahmini”, Gümüşhane Üniversitesi Fen Bilimleri Dergisi, Vol 10 Issue 1, Pages 146-154 2020.
40. 42. Altun, Ö., “Yapay zekâ yöntemleriyle hazine taşınmazlarının değerlemesi: Yapay sinir ağları ile kamu konutları üzerine bir uygulama”, Türkiye Arazi Yönetimi Dergisi, Vol 4 Issue 2, Pages 62-73, 2022.
41. 43. Akkaş, N., “Tozaltı köşe kaynağında yapay zeka teknolojileri kullanılarak dikiş geometrisinin modellenmesi”, Yüksek Lisans Tezi, [Modeling of seam geometry using artificial intelligence technologies in submerged fillet welding] [Thesis in Turkish], Sakarya Üniversitesi, Sakarya, Pages 20-23, 2006.
42. 44. Nwankpa, C., Ijomah, W., Gachagan, A. and Marshall, S., “Activation Functions: Comparison of trends in Practice and Research for Deep Learning”, arXiv. Pages 25-26, 2018.