Мобільні роботизовані платформи (МРП) все ширше застосовують у різних сферах людської діяльності. Важливим завданням під час їх використання є визначення просторової орієнтації, вимірювання параметрів руху МРП тощо. Однією із проблем, що виникає під час визначення навігаційних даних та інших вимірюваних параметрів, є їх втрата на певному часовому інтервалі, наприклад, через перешкоди або тимчасову втрату видимості навігаційних супутників GNSS. Однак для функціонування навігаційних компонентів бортових радіоелектронних пристроїв для вимірювання параметрів руху та визначення просторової орієнтації МРП потрібна наявність первинної навігаційної інформації без втрат та у режимі реального часу. Тому необхідно відновлювати втрачені навігаційні дані, особливо у випадку МРП, використовуючи бортові засоби, які мають обмежену обчислювальну продуктивність. Проаналізовано сучасні алгоритми відновлення втрачених навігаційних даних і визначено, що у публікаціях недостатньо уваги звернено на реалізацію вказаних алгоритмів з урахуванням обмежень вбудованих систем. У мобільних робототехнічних платформах на основі виконаного аналізу вибрано для реалізації алгоритм із використанням методу аналізу головних компонент (PCA), який за невеликої обчислювальної складності забезпечує достатню точність відновлення даних. Використання розробленого алгоритму у мобільних робототехнічних платформах забезпечує опрацювання даних на обчислювальній платформі з обмеженими ресурсами і дає змогу обробляти потокові дані про координати МРП у режимі реального часу. Сучасні мікроконтролери та системи на кристалі (SoC) дають можливість вирішити завдання відновлення втрачених навігаційних даних з урахуванням обмежень щодо маси, габаритів, енергоспоживання тощо. Розроблено структурну схему засобу вимірювання параметрів руху та визначення просторової орієнтації для наземних МРП. Визначено, що основними компонентами засобу є набір навігаційних давачів із використанням модуля визначення координат на основі GPS/GNSS. Створено засоби для відновлення даних із використанням мікроконтролера ESP32- C3, модуля GNSS типу M10Q-5883, який додатково містить модуль цифрового компаса QMC5883L та модуля акселерометра і гіроскопа MPU-6050. Виконано налагодження та тестування розроблених засобів відновлення втрачених навігаційних даних для МРП. Аналіз результатів тестування показує, що платформа з використанням мікроконтролера ESP32-C3 забезпечує опрацювання даних за 43 мс. Для темпу надходження даних GNSS одне вимірювання за секунду цього достатньо для забезпечення режиму реального часу.
[1] Tsmots I. G., Opotyak Yu. V., Shtogrinets B. V., Dzyuba A. O., Oliynyk Yu. Yu. (2023). Basic structure of the system of neurofuzzy control of a group of mobile robotic platforms. Ukrainian Journal of Information Technologies, Vol. 5, No. 1, 77–85. https://doi.org/10.23939/ujit2023.01.077
[2] Rejeb, A., Rejeb, K., Simske, S. J., & Treiblmaier, H. (2023). Drones for supply chain management and logistics: a review and research agenda. International Journal of Logistics Research and Applications, vol. 26, iss. 6, 708–731. DOI: 10.1080/13675567.2021.1981273
[3] Poulet, Guérin, F., and Guinand, F., (2021). Experimental and Simulation Platforms for Anonymous Robots Self- Localization, 29th Medit. Conf. on Control and Automation (MED), PUGLIA, Italy, 2021, 949–954. DOI: 10.1109/ MED51440.2021.9480244
[4] Izonin, I.; Kryvinska, N.; Tkachenko, R.; Zub, K. (2019). An approach towards missing data recovery within IoT smart system. Procedia Comput. Sci. J., 155, 11–18.
[5] Vedavalli, P., & Ch, D. (2023). A Deep Learning Based Data Recovery Approach for Missing and Erroneous Data of IoT Nodes. Sensors, 23(1), 170. https://doi.org/10.3390/ s23010170
[6] Gupta, G. P., Khandare, H. (2022). Missing Data Recovery Using Tensor Completion-Based Models for IoT-Based Air Quality Monitoring System. In: Karuppusamy, P., García Márquez, F. P., Nguyen, T. N. (eds) Ubiquitous Intelligent Systems. ICUIS 2021. Smart Innovation, Systems and Technologies, vol. 302. Springer, Singapore. https://doi.org/ 10.1007/978-981-19-2541-2_33
[7] Mondal, A., Das, M., Chatterjee, A., and Venkateswaran, P. (2020). Recovery of Missing Sensor Data by Reconstructing Time-varying Graph Signals, 30th European Signal Processing Conference (EUSIPCO), Belgrade, Serbia, pp. 2181–2185. DOI: 10.23919/EUSIPCO55093.2022.9909940
[8] Cheng, H., Wu, L., Li, R. et al. (2021). Data recovery in wireless sensor networks based on attribute correlation and extremely randomized trees. J Ambient Intell Human Comput 12, 245–259. DOI: https://doi.org/10.1007/s12652- 019-01475-z
[9] Ghorbani, B., Krishnan, S., and Zou, J. (2021). Debiasing stochastic gradient descent to handle missing values. Proc. 38th Int. Conf. Mach. Learn. (ICML), pp. 3748–3758.
[10] Tkachenko, R., Mishchuk, O., Izonin, I., Kryvinska, N., and Stoliarchuk, R. (2019). A non-iterative neural-like framework for missing data imputation. Procedia Computer Science, vol. 155, pp. 319–326.
[11] Tkachenko, R., Izonin, I. (2019). Model and principles for the implementation of neural-like structures based on geometric data transformations. Advances in Computer Science for Engineering and Education, Z. Hu, S. Petoukhov, I. Dychka, and M. He, Eds., Cham: Springer, 2019, pp. 578–587. DOI: 10.1007/978-3-319-91008-6_58.
[12] Lippi, V., Ceccarelli, G. (2019). Incremental principal component analysis: Exact implementation and continuity corrections. Proceedings of the 16th International Conference on Informatics in Control, Automation and Robotics (ICINCO 2019), Prague, Czech Republic, 2019, pp. 473–480. DOI: 10.5220/0007743604730480.
[13] Vaswani, N., Narayanamurthy, P. (2018). Static and dynamic robust PCA and matrix completion: A review. arXiv preprint arXiv:1803.00651, 2018 [Online]. https://arxiv.org/abs/1803. 00651.
[14] Ghahramani, Z., Hinton, G. E., (1996). Parameter estimation for linear dynamical systems. University of Toronto Technical Report CRG-TR-96-2, 1996.
[15] Tsmots, I., Skorokhoda, O., Tesliuk, T. & Rabyk, V. (2016). Designing features of hardware and software tools for intelligent processing of intensive data streams processing. IEEE First International Conference on Data Streams and Processing, DSMP, Lviv, pp. 332–335. DOI: 10.1109/ DSMP.2016.7583570