NAVIGATING ROBOTS IN A COMPLEX ENVIRONMENT WITH MOVING OBJECTS USING ARTIFICIAL INTELLIGENCE
YAPAY ZEKA KULLANARAK HAREKETLİ NESNELERLE KARMAŞIK BİR ORTAMDA ROBOTLARDA GEZİNME
- Tez No: 647641
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgi ve Belge Yönetimi, Dokümantasyon ve Enformasyon, Information and Records Management, Documentation and Information
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Isı Tekniği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Fiziksel görevleri otomatikleştirmek için robotların hızla artan kullanımıyla, daha güvenilir çarpışmadan kaçınma tekniklerine olan ihtiyaç çok önemli hale geldi. Bu robotlar, bazıları sabit, bazıları ise hareketli olan, farklı türlerdeki diğer nesneleri içeren karmaşık ortamlarda kullanılmaktadır. Çarpışmalardan kaçınmak için, mevcut yöntemler her hareketi uygulanmadan önce değerlendirir, böylece çarpışmaya neden olabilecek hareketlerden kaçınılır. Böyle bir yaklaşım iki ana sınırlamadan muzdariptir, çarpışmadan kaçınma navigasyon yöntemi içinde uygulanmalıdır ve robot hareketsizken çarpışmalardan kaçınılamaz. Bu nedenle, bu çalışmada kontrol veya navigasyon sistemi ile robot arasında bir ara aşama olarak görev yapacak yeni bir yöntem önerilmiştir, böylece kontrolörden gelen komutlar, bir çarpışma tespit edilmediği sürece robotun belirlenen kısımlarına iletilir. . Alternatif olarak, bir çarpışmanın meydana geleceği tahmin edildiğinde, önerilen yöntem robotun kontrolünü devralır ve çarpışmanın kaynağı robot olmasa bile ona çarpışmayı önleme talimatı verir. Bu nedenle, başka bir nesne robota doğru hareket etse bile, önerilen yöntem robota pozisyondan daha güvenli bir konuma kaçması talimatını verir. Mevcut çarpışmadan kaçınma yöntemlerine kıyasla önerilen yöntemin önemli ölçüde daha iyi performansına rağmen, değerlendirme sonuçları, robot hareketsizken çarpışmalardan kaçınmanın daha zor olduğunu göstermektedir. Bu davranış, robotu hareket ettirmek ve çarpışmadan kaçmak için gereken daha uzun süreye göredir. Önerilen yöntem, ortamın iki farklı temsilinin kullanıldığı gerekli kararı vermek için Takviyeli Öğrenme (RL) yaklaşımını kullanır. Her iki gösterim de Işık Algılama ve Aralık (LiDAR) ile ölçülen mesafeleri kullanır ancak toplanan örneklerin sayısına göre farklılık gösterir. Ortamın daha doğru temsiline göre, giriş başına on örnek kullanılması, daha fazla çarpışmadan kaçınarak daha iyi performans göstermiştir.
Özet (Çeviri)
With the rapidly growing use of robots to automate physical tasks, the need for more reliable collision avoidance techniques has become essential. These robots are being used in complex environments that contain other objects of different types, some of them are stationary and other are mobile. To avoid collisions, existing methods evaluate each movement prior to its execution, so that, movements that may result in a collision are avoided. Such an approach suffers from two main limitations, collision avoidance must be implemented within the navigation method and collisions cannot be avoided when the robot is stationary. Hence, a new method is proposed in this study to act as intermediate stage between the controlling or navigation system and the robot, so that, the commands from the controller are forwarded to the designated parts of the robot as long as a collision is not detected. Alternatively, when a collision is predicted to occur, the proposed method takes over the control of the robot and instruct it to avoid the collision, even if the robot is not the source of the collision. Hence, even if another object is moving toward the robot, the proposed method instructs the robot to escape the position to a safer one. Despite the significantly better performance of the proposed method, compared to existing collision avoidance methods, the evaluation results show that the collisions are more difficult to avoid when the robot is stationary. This behavior is according to the longer time required to make the robot mobile and escape the collision. The proposed method uses a Reinforcement Learning (RL) approach to make the required decision, where two different representations of the environment are used. Both representations use the distances measured by a Light Detection and Ranging (LiDAR) but differ by the number of collected samples. The use of ten samples per input has shown better performance, by avoiding more collisions, according to the more-accurate representation of the environment.
Benzer Tezler
- Stereo görme ile hareketli görüntülerde engellerin uzaklık ve boyutlarının gerçek zamanlı bulunması
Real-time distance and dimension estimation of the obstacles using active stereo camera
EMRE ÖZGÜNDÜZ
Yüksek Lisans
Türkçe
2008
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. M. ELİF KARSLIGİL
- Integrating computing vision with deep learning for autonomous robot navigation
Otonom robot navigasyonu için derin öğrenme ile bilgisayar vizyonunu entegre etmek
WALEAD KALED SLEAMAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ Ali HAMİTOĞLU
- Yapay potansiyel fonksiyonlar ve panel metodu kullanarak robot dizilim kontrolü ve seyrüseferi
Robot formation control and navigation using artificial potential functions and panel method
ABDEL-RAZZAK MERHEB
Yüksek Lisans
Türkçe
2010
Elektrik ve Elektronik MühendisliğiTobb Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL GAZİ
- Takviye öğrenme kullanarak merkezi olmayan toplu robot navigasyonu
Decentralized swarm navigation using reinforcement learning
TEKİN ALPTÜRK
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET SERDAR GÜZEL
- Histogram-based sampling and multi-level global registration for 3D point clouds
3B nokta bulutları için histogram tabanlı örnekleme ve çok katmanlı global eşleştirme
OSMAN ERVAN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ