Geri Dön

Learning-based scene extrapolation in robotics

Robotikte öğrenme tabanlı sahne ekstrapolasyonu

PDF İndir

  1. Tez No: 1019352
  2. Yazar: SELMA GÜZEL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ERKAN USLU
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Otonom keşif süreçlerinde robotlar, kısmen gözlemlenmiş ortamları temsil edebilmek için sensör verilerinden yararlanarak doluluk (occupancy) haritalarını kademeli olarak oluşturur. Sınırlı görüş alanı, örtülmeler (occlusion) ve sensör gürültüsü nedeniyle bu haritalar çoğu zaman geniş bilinmeyen bölgeler içerir; bu durum frontier seçimi ve karar verme süreçlerini olumsuz etkileyerek robotun mevcut sensör sınırının ötesindeki yapıyı çıkarım yapmasını zorlaştırır. Bu tez, harita tahmini (sahne ekstrapolasyonu) problemini, kısmi doluluk haritalarındaki eksik bölgelerin gözlemlenen yapıya dayanarak çıkarıldığı bir öğrenme problemi olarak ele almakta ve bu tahminlerin ROS tabanlı bir navigasyon sistemi içerisinde keşif davranışı ve verimliliği üzerindeki etkisini analiz etmektedir. Çalışmada dört harita tamamlama formülasyonu incelenmiştir: eğitim gerektirmeyen kural tabanlı geometrik yöntem; CVAE ve ImageGPT benzeri model kullanan yönlü yerel tamamlama; altı model ailesiyle karşılaştırılan global harita tamamlama (128 × 128); ve en kritik formülasyon olan, 32 × 32 frontier yamalarındaki düzensiz bilinmeyen bölgeleri tahmin eden frontier-merkezli yerel tamamlama. En iyi model canlı keşif pipeline'ına entegre edilerek sistem düzeyinde değerlendirilmiştir. HouseExpo ortamlarından Gazebo–ROS tabanlı bir pipeline ile özel bir veri kümesi türetilmiş, veri sızıntısını önlemek için ortam bazlı ayrım uygulanmıştır. Model aileleri, yalnızca bilinmeyen hücreler üzerinden hesaplanan maskeli bölge değer- lendirme protokolüyle karşılaştırılmış; IoU, F1, SSIM ve işlem hızı ölçütleri kullanılmıştır. Elde edilen sonuçlar, frontier-merkezli tamamlamanın büyük ölçüde ge- ometrik yapıya bağlı bir problem olduğunu ve artık (residual) U-Net mi- marisinin bu yapı için en uygun çözümü sunduğunu göstermektedir. Bu model, maskeli bölgelerde en yüksek doğruluğu ve gerçek zamanlı işlem hızını sağlamıştır. Seçilen U-Net, genişletilmiş explore_lite çerçevesinde frontier maliyet fonksiyonuna serbest alan kazanımı ödülü ve duvar tahmini cezası olmak üzere iki bileşen ekler. Hatalı tahminlerin etkisini sınırlamak için tamamlanan bölgeler navigasyon haritasına eklenmemiş, duvar tahminli frontier'lar ise silinmek yerine maliyetlendirilmiştir. Sekiz HouseExpo simülasyon ortamı üzerinde yapılan sistem düzeyi değerlendirmeler, tamamlama destekli frontier sıralamasının temel yönteme göre 56 karşılaştırmanın 45'inde (%80,4) daha iyi performans gösterdiğini ve ortalama %7,2 hızlanma sağladığını ortaya koymuştur. %95 kapsama eşiği ana değerlendirme sınırı olarak belirlenmiş; bu eşikten sonra kalan frontier'ların çoğunlukla geometrik olarak kısıtlı bölgelerden oluştuğu gözlemlenmiştir. Bu noktada yöntem, tüm ortamlarda tutarlı ve istatistiksel olarak anlamlı +%10,4 avantaj sağlamıştır. Tek bir ortamda gerçekleştirilen oracle çalışmasında +%48 navigasyon iyileştirmesi gözlemlenmiş olmakla birlikte, bu sonuç kısmen duvar boşluğu yol planlama eserlerinden kaynaklandığından açıklayıcı bir gözlem olarak değerlendirilmelidir. Sonuç olarak bu tez, harita tamamlama yöntemlerinin yalnızca görsel benzerlik metrikleriyle değil, aynı zamanda robotik özerkliğe olan etkileri üzerinden değerlendirilmesi gerektiğini vurgulamaktadır. Önerilen çerçeve, iç mekânlarda frontier tabanlı keşif süreçlerine sahne ekstrapolasyonunun entegre edilmesi için modüler ve ROS uyumlu bir yaklaşım sunmaktadır.

Özet (Çeviri)

In autonomous exploration, robots incrementally construct occupancy grid maps from sensor observations to represent partially observed environments. Due to limited field of view, occlusions, and sensor noise, such maps often include extensive unknown regions that negatively affect frontier selection and decision-making, and prevent robots from reasoning about the structure that lies beyond the current sensor boundary. This thesis studies map prediction (scene extrapolation) as a learning problem where missing regions of partial occupancy maps are inferred from observed structure and analyzes how these predictions influence exploration behavior and efficiency within a ROS-based navigation pipeline. Four map completion formulations are studied: a training-free rule-based geomet- ric baseline; directional local completion using a CVAE and an ImageGPT-style model; global map completion (128 × 128) comparing six model families; and frontier-centered local completion on 32 × 32 patches with irregular unknown regions. The best-performing model is deployed in the live exploration pipeline and evaluated at the system level. A custom dataset is derived from HouseExpo environments via a Gazebo–ROS pipeline, with environment-level splits to prevent data leakage. Model families are compared using a masked-region evaluation protocol—metrics over originally unknown cells only—supported by IoU, F1, SSIM, and throughput. Results indicate that frontier-centered completion is primarily governed by geometric structure best served by the residual U-Net family, achieving the highest accuracy over masked regions and real-time throughput. The selected U-Net augments the frontier cost function within an extended explore_lite framework with two prediction-driven terms: a free-space gain reward and a wall-prediction penalty. Completed patches are not injected into the navigation map, and wall-predicted frontiers are penalized rather than discarded, to limit the impact of erroneous predictions. System-level evaluation across eight HouseExpo simulation environments shows that completion-aware frontier ranking outperforms the classical baseline in 45 of 56 milestone comparisons (80.4%), with an average speedup of 7.2%. The 95% coverage milestone serves as the primary evaluation boundary—beyond this point, remaining frontier cells correspond to geometrically constrained corner pockets better resolved by offline or human-assisted methods—where MC achieves a consistent and statistically significant +10.4% advantage across all eight environments. A supplementary single-environment oracle study recording a +48% navigation improvement should be interpreted as an exploratory by-product observation, as it is partly attributable to wall-gap path planning artifacts on a single map. Overall, this thesis highlights that map completion must be assessed not only through visual similarity metrics but also by its downstream impact on robotic autonomy. The proposed framework offers a practical, modular, and ROS-compatible pathway to incorporate predictive scene extrapolation into frontier-based exploration of indoor environments.

Benzer Tezler

  1. Tez No

    520819

    Deep 3D semantic scene extrapolation

    Derin 3B semantik sahne ekstrapolasyonu

    ALI ABBASI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF SAHİLLİOĞLU

    DOÇ. DR. SİNAN KALKAN

  2. Tez No

    415218

    A multi-instance based learning system for scene recognition

    Sahne tanıma problemi̇ i̇çi̇n çoklu örnek tabanlı öğrenme si̇stemi̇

    EZGİ EKİZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. NAZLI İKİZLER CİNBİŞ

  3. Tez No

    753040

    Lifelong learning for auditory scene analysis

    İşitsel sahne analizi için hayat boyu öğrenme

    BARIŞ BAYRAM

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN İNCE

  4. Tez No

    668236

    Depth-based scene mapping through spatio-temporal knowledge integration

    Uzamsal-zamansal bilgi yardımıyla derinlik temelli sahne haritalandırılması

    MERİÇ DURUKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Sistem ve Kontrol Mühendisliği Ana Bilim Dalı

    PROF. DR. HURİYE IŞIL BOZMA AYDIN

  5. Tez No

    689325

    Learning to inpaint images uisng scene constraints

    Sahne kısıtlamalarını kullanarak görüntüler tamamlama

    MOHAMED ABBAS HEDJAZI

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YAKUP GENÇ

Geri Dön