Trajectory planning and control of robotic systems
Robotik sistemlerin yörünge planlaması ve kontrolü
- Tez No: 1012922
- Danışmanlar: DR. ÖĞR. ÜYESİ RECEP ÖNLER, PROF. DR. ERKAN ZERGEROĞLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Makine Mühendisliği, Computer Engineering and Computer Science and Control, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, dinamik belirsizlikler ve dış bozulmalar gibi çeşitli çevresel ve içsel koşullar altında çalışan robotik sistemler için akıllı bir kontrol çerçevesi sunmaktadır. Ayrıca, çalışma, kontrol algoritmasına beslenen referans sinyal kümesini belirlemek için görsel entegrasyonu da içermektedir. Araştırma, kontrol metodolojisi ile makine öğrenme algoritması arasındaki boşluğu kapatmanın kritik zorluğunu ele almaktadır. Metodolojinin ilk adımında, Furuta sarkacı olarak adlandırılan yetersiz tahrikli mekanik sistem için dayanıklı bir bozulma sinyali bastırımı mekanizması ile DNN ve uyarlamalı kontrol mimarisini entegre eden bir kontrol algoritması sunulmaktadır. Çalışma, DNN'nin iç katmanlarının çevrimdışı denetimli ön eğitimini, çıkış katmanı ağırlıklarını gerçek zamanlı olarak güncelleyen çevrimiçi bir uyaralama yasasıyla birleştiren hibrit bir öğrenme yapısına sahiptir. Önerilen uyarlama mekanizması, hatanın sıfıra yakınsamasını sağlayan ve kapalı döngü sistemindeki tüm sinyallerin sınırlılığını garanti eden Lyapunov tabanlı bir kararlılık analizi ile doğrulanmıştır. Metodolojinin ilk adımından sonra, araştırma robotik manipülatörler için yeni bir DCAL-DNN kontrolcüsü önermektedir. Doğrusal olmayan belirsiz dinamik sistemler için uyarlanabilir bir DNN tahmincisi tabanlı kontrolcü tasarımı önerilmiştir. Önceden eğitilmiş bir DNN tahmincisinin çıkış katmanı ağırlıkları, Lyapunov tabanlı bir adaptasyon yasası aracılığıyla çevrimiçi olarak güncellenir. İstenen sistem durumları DNN'ye girdi olarak verildiğinden, ağ istenen sinyaller ve bunlara karşılık gelen zaman türevleri kullanılarak güncellenebilir. Bu prosedür, DNN için zahmetli ve muhtemelen sorunlu veri toplama aşamasını kolaylaştırır. Kapalı döngü sisteminin kararlılığı, Lyapunov tabanlı analiz yoluyla sağlanır. Önerilen kontrol stratejisinin uygunluğunu ve etkinliğini göstermek için iki serbestlik dereceli bir robotik manipülatör üzerinde yapılan simülasyonlar sunulmuştur. Bu çerçevede, istenen sistem durumları ağa girdi olarak kullanılır. Bu strateji, Lyapunov tabanlı çevrimiçi adaptasyon yasaları aracılığıyla izleme yakınsamasını sağlarken, gerçek zamanlı derin öğrenmenin hesaplama yüklerini etkili bir şekilde atlar. Tezin üçüncü bölümünde, robot manipülatör tasarımı için sağlam bir adaptif kontrol metodolojisi önerilmiştir. Önerilen yaklaşım, bozucu sinyaller altında kontrol tork sinyallerini iyileştirmek için bir ileri beslemeli sinir ağı algoritması kullanır. Robot dinamiğinin bilinmeyen doğrusal olmayan özelliklerini yaklaşık olarak hesaplamak ve bilinmeyen dışsal bozulmayı bastırmak için kontrol algoritmasında sinir ağı algoritmaları kullanılmıştır. Bu, belirsizlikler ve dış faktörlerle başa çıkmak zorunda olan gerçek dünya robotik sistemlerinde faydalı olabileceğini göstermektedir. Ayrıca, kontrol teorisi için makine öğrenimi konfigürasyonlarında katman boyutu ve nöron dağılımının sistematik bir incelemesi yapılmıştır. Analiz, katman konfigürasyonundaki ve nöron dağılımındaki değişikliklerin, makine öğrenimi tarafından sistem tanımlaması ve kontrol sinyali izleme performansı üzerinde etkili olduğunu ortaya koymaktadır. Tezin son bölümünde, algılama ve hareket kontrolü arasındaki boşluğu kapatmak için görüş tabanlı bir referans oluşturma çerçevesi geliştirilmiştir. Bu aşama, statik ve dinamik ortamlar olmak üzere iki farklı operasyonel senaryoya ayrılmıştır.
Özet (Çeviri)
The thesis presents an intelligent control framework for robotic systems operating under various environmental and internal conditions, such as dynamic uncertainties and external disturbances. Also, the study integrates the visual integration to determine the reference signal set that feeds into the control algorithm. The research addresses the critical challenge of bridging the gap between the control methodology and the machine learning algorithm. In the first step of the methodology, a control algorithm that integrates a Deep Neural Network (DNN) adaptive control architecture with a robust disturbance rejection mechanism for the underactuated mechanical system referred to as the Furuta Pendulum. The study has a hybrid learning structure that combines offline supervised pretraining of the DNN's inner layers with an online adaptation law that updates the output-layer weights in real time. The proposed adaptive mechanism is confirmed through a Lyapunov-based stability analysis, which ensures the convergence of the error to zero and guarantees the boundedness of all signals in the closed-loop system. After the first step of the methodology, the research proposes a novel Desired Compensation Adaptive Law-based Deep Neural Network (DCAL-DNN) controller for robotic manipulators. An adaptive DNN estimator-based controller formulation for a class of nonlinear uncertain dynamical systems is proposed. The output layer weights of a pre-trained DNN estimator are updated on–line via a Lyapunov-based adaptation law. Since the desired system states are provided as inputs to the DNN, the network can be updated using the desired signals and their corresponding time derivatives. This procedure eases the tedious and possibly problematic data collection phase for the DNN. The stability of the closed-loop system is established via Lyapunov-based analysis. Numerical simulations conducted on a two-degree-of-freedom robotic manipulator are provided to demonstrate the suitability and effectiveness of the proposed control strategy. In this framework, the desired system states are employed as inputs to the network. This strategy effectively bypasses the computational loads of real-time deep learning while ensuring tracking convergence through Lyapunov-based online adaptation laws. In the third part of the thesis, a robust-adaptive control methodology was proposed for the robot manipulator design. The proposed approach employs a feedforward neural network algorithm to enhance the control torque signals under the disturbance signals. Neural network algorithms were used in the control algorithm to approximate the unknown nonlinearities of the robot dynamics and suppress the unknown external disturbance. This shows that it could be useful in real-world robotic systems that have to deal with uncertainties and external factors. Also, a systematic investigation of layer size and neuron distribution in machine learning configurations for control theory was conducted. The analysis reveals that the changes in layer configuration and neuron distribution have an impact on system identification by the ML and control signal tracking performance. In the final part of the thesis, a vision-based reference generation framework was developed to bridge the gap between perception and motion control. This stage was categorized into two distinct operational scenarios: static and dynamic environments.
Benzer Tezler
- Gezer manipülatör sistemlerinin modellenmesi, yörünge planlaması ve kontrolü
Modeling, trajectory planning, and control of mobile manipulator systems
SİNAN YİĞİT
Doktora
Türkçe
2026
Makine Mühendisliğiİstanbul Üniversitesi-CerrahpaşaMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AZİZ SEZGİN
- Data driven control of autonomus robotic platform withsparse feedback motion planning
Seyrek geri beslemeli hareket planlama kullanılarakotonom bir robotik platformun veri tabanlı kontrolü
YİĞİT ADAŞ
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiRobotik Ana Bilim Dalı
DOÇ. DR. MUSTAFA MERT ANKARALI
- Endüstriyel robot kolun kinematiği, dinamik hesaplamaları, yörünge planlaması, PID ve bulanık mantık ile kontrolü
Kinematics of industrial robot arm, dynamics calculations, trajectory planning, PID and control with fuzzy logic
YAVUZ RAMDOUN
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET AYDIN
- Trajectory planning and implementation for robot-assisted rehabilitation
Robot destekli rehabilitasyon için yörünge planlanması ve uygulanması
MEHMET ERKAN KÜTÜK
Doktora
İngilizce
2019
Makine MühendisliğiGaziantep ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. LALE CANAN DÜLGER
DR. ÖĞR. ÜYESİ MEMİK TAYLAN DAŞ
- Görme engelliler için mobil robot tasarımı, yörünge planlaması ve kontrolü
Mobile robot design, path planning and control for blind people
SERTAÇ SAVAŞ
Doktora
Türkçe
2019
Mekatronik MühendisliğiErciyes ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN YILDIRIM