Derin pekiştirmeli öğrenme tabanlı mobil robotun otonom davranışlarının geliştirilmesi
Improving autonomous behavior of deep reinforcement learning based mobile robot
- Tez No: 1002981
- Danışmanlar: PROF. DR. ŞAHİN YILDIRIM
- Tez Türü: Doktora
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Endüstriyel üretimin esnek, hızlı ve yüksek doğrulukla yapılabilmesi için insan faktöründen arındırılmış otonom sistemlere ihtiyaç duyulmaktadır. Bu kapsamda günümüzde ortaya çıkan karanlık fabrikalar insan müdahalesi olmayan veya en az insan müdahalesi ile üretim yapan, makine ve iş istasyonlarının kullanımı için operatör yerine otomasyon sistemlerinin kullanıldığı akıllı üretim yöntemlerine verilen isimdir. Karanlık fabrikalarda yaygın olarak kullanılan robotik sistemlerin başında mobil robotlar gelmektedir. Pekiştirmeli öğrenme tekniklerini kullanarak bir mobil robot, çevresindeki ortamla doğrudan etkileşim yoluyla performansını iyileştirir ve dinamik olaylara yanıt olarak davranışını uyarlar. Böylece, önceden programlanmış mobil robotlara göre daha yüksek otonomluk derecesi ve genelleme kabiliyeti kazanır. Bu tez çalışmasında, TurtleBot3 Burger mobil robotu için derin pekiştirmeli öğrenme tabanlı otonom navigasyon yöntemleri geliştirilmiştir. Mobil robotun otonom navigasyonu için Derin Deterministik Politika Gradyanı (Deep Deterministic Policy Gradient – DDPG), Avantaj Aktör-Kritik (Advantage Actor-Critic – A2C), İkiz Gecikmeli Derin Deterministik Politika Gradyanı (Twin-Delayed Deep Deterministic Policy Gradient – TD3), Proksimal Politika Optimizasyonu (Proximal Policy Optimization – PPO) ve A*+PPO olmak üzere beş farklı derin pekiştirmeli öğrenme algoritması kullanılmıştır. Engelsiz, sabit engelli, dinamik engelli ve müfredat öğrenme olmak üzere dört farklı senaryoda eğitim ve test işlemleri gerçekleştirilmiştir. Sonuçlar, A*+PPO hibrit yaklaşımının tüm senaryolarda en yüksek performansı sergilediğini göstermiştir.
Özet (Çeviri)
Autonomous systems that are free from human intervention are required to enable flexible, fast, and highly accurate industrial production. In this context, dark factories, which have emerged today, are smart production methods that operate with no human intervention or minimal human intervention, using automation systems instead of operators for the use of machines and workstations. Mobile robots are among the most commonly used robotic systems in dark factories. Using reinforcement learning techniques, a mobile robot improves its performance through direct interaction with its environment and adapts its behavior in response to dynamic events. Thus, it achieves a higher degree of autonomy and generalization capability compared to preprogrammed mobile robots. In this thesis study, deep reinforcement learning based autonomous navigation methods have been developed for the TurtleBot3 Burger mobile robot. Five different deep reinforcement learning algorithms have been used for the autonomous navigation of the mobile robot: Deep Deterministic Policy Gradient (DDPG), Advantage Actor-Critic (A2C), Twin-Delayed Deep Deterministic Policy Gradient (TD3), Proximal Policy Optimization (PPO) and A*+PPO. Training and testing have been performed in four different scenarios: obstacle free, static obstacles, dynamic obstacles, and curriculum learning. The results showed that the A*+PPO hybrid approach demonstrated the highest performance across all scenarios.
Benzer Tezler
- Mobil robotlarda konum kontrolü ve simülasyonu
Position control and simulation in mobile robots
GULNAZ YUKSEL
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RANA ORTAÇ KABAOĞLU
- Motion planning and control with randomized payloads using deep reinforcement learning
Derin pekiştirmeli öğrenme kullanarak rastgele yükler ile hareket planlama ve kontrol
ALİ DEMİR
Yüksek Lisans
İngilizce
2019
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN SEZER
- Object-aware interactive perception
Nesne farkındalıklı etkileşimli algılama
ÇAĞATAY KOÇ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SANEM SARIEL UZER
PROF. DR. SİNAN KALKAN
- Hiyerarşik başlangıç pozisyonlu derin Q-ağı algoritması ile mobil robot uygulaması
Mobile robot application with hierarchical start position deep Q-network algorithm
EMRE ERKAN
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ALİ ARSERİM
- Brain-inspired robot navigation using reinforcement learning with hippocampal and striatal contributions
Hipokampal ve striatal katkılarla pekiştirmeli öğrenme kullanarak beyin esinli robot gezinim
YOUNESS LAHDILI
Yüksek Lisans
İngilizce
2025
Mekatronik MühendisliğiTed ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KUTLUK BİLGE ARIKAN
DOÇ. DR. ÇAĞRI TEMUÇİN ÜNAL