Geri Dön

A collaborative multi-robot localization technique for autonomous robots

Otonom robotlar için bir çoklu robot konuşlandırma tekniği

  1. Tez No: 200090
  2. Yazar: HATİCE KÖSE BAĞCI
  3. Danışmanlar: PROF.DR. LEVENT AKIN
  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: 2007
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 95

Özet

Bu şalışma bir otonom robotlar takımının dayanışmalı konuşlandırılması işincs s s cyeni bir yüntem onerir. Bu calışma aynı zamanda gürü ltü lü , onceden tahmin edilemezo ü şs u u uu üve yeterli algılama yapılamayan diğer iş mekan gerşek-zamanlı robot calışmaları işingc c şs cde uygundur.Tekli kendini konuşlandırma sorununu her robot işin bulunduğu cevreye ait yerels c gşalgı ve hareket bilgisi kullanılarak cüzmek işin Ters Monte Carlo konuşlandırması(R-şo c sMCL) isimli yeni bir yüntem tasarlanmıştır. R-MCL, Markov konuşlandırması(ML)o s sve Monte Carlo konuşlandırması(MCL) uzerine kurulan melez bir yüntemdir.s ü o Buyüntemde ML tabanlı bülü m robotun olması gereken bülgeyi bulur ve MCL tabanlıo ou obülü m bu bülgeden ornekler seşerek geometrik konumu yüksek şüzü nü rlü kle bulur.ou o ü c u co u u uCoklu robot konuşlandırması sorununda robotlar kendi yerel tahminlerini ve diğerş s gtakım arkadaşlarından gelen paylaşılan bilgiyi kullanarak kendilerini konuşlandırır.s s sYerel bilgi ve inanşları uygun olarak birleştirebilmek, catışmaları onlemek ve takımc s şs üelemanları arasında dayanışmayı desteklemek işin R-MCL'e dayalı yeni bir dayanışmalıs c sşoklu robot konuşlandırma metodu sunulmuştur. Robotlar birbirlerini algıladıklarındac s sbu güzlemi yansıtan ızgara hücrelerini paylaşırlar. Yüntemin gerşek gü cü melezliğindeno u s o c uu ggelir. Gerşek-zamanlı uygulamalarda kesin olarak olşulemeyecek güzlemleri ızgara ta-c ü cü obanlı yaklaşımla, kendini konuşlandırma sorununu ise daha kesin sonuş veren ürnek ta-s s c obanlı yaklaşımla, benzer şalışmalardan daha az ornek kullanarak cüzer.Her iki yüntems cs ü şo ode benzetim robotları ve gerşek robotlar ile denenmiş ve sonuşlar yüntemlerin hızlı,c s c osağlam, kesin ve hesap, hafıza ve iletişim masrafları aşısıdan ucuz olduğunu güstermiştir.g s c g o s

Özet (Çeviri)

This work proposes a novel method for collaborative global localization of a teamof soccer playing autonomous robots. It is also applicable to other indoor real-timerobot applications in noisy, unpredictable environments, with insufficient perception.A novel solution, Reverse Monte Carlo Localization (R-MCL) is designed to solvesingle self-localization problem using local perception and action about the surroundingenvironment for each robot. R-MCL is a hybrid method based on Markov Localization(ML) and Monte Carlo Localization (MCL) where the ML based part finds the regionwhere the robot should be and the MCL based part predicts the geometrical locationwith high precision by selecting samples in this region.In the multi-robot localization problem, robots use their own local position esti-mations, and the shared information from other team mates, to localize themselves. Tointegrate the local information and beliefs optimally, avoid conflicts and support collab-oration among team members, a novel collaborative multi-robot localization methodcalled Collaborative Reverse Monte Carlo Localization (CR-MCL), based on R-MCL,is presented. When robots detect each other, they share the grid cells representing thisobservation. The power of the method comes from its hybrid nature. It uses a gridbased approach to handle detections which can not be accurate in real-time applica-tions, and sample based approach in self-localization to improve its success, although ituses lower amount of samples compared to similar methods. Both methods are testedusing simulated robots and real robots and results show that they are fast, robust,accurate and cheap in terms of communication, memory and computational costs.

Benzer Tezler

  1. Multi-agent coverage control with adaptation to performance variations and imprecise localization

    Çok etmenli sistemlerde performans değişimlerine adaptasyonu ve konumlama belirsizliğini göz önüne alan kapsama kontrolü

    MERT TURANLI

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ

  2. Coordination of the activities of the members of a self determining swarm robotics team

    Kendi kendine karar veren robotlardan oluşan bir sürünün toplu hareketlerinin koordinasyonu

    KÜBRA KARADAĞ

    Doktora

    İngilizce

    İngilizce

    2024

    Mekatronik MühendisliğiDokuz Eylül Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGÜR TAMER

  3. Sürü robot algoritmaları üzerine

    On swarm robotics algorithms

    HARUN BAVUNOĞLU

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Matematik Ana Bilim Dalı

    PROF. DR. URFAT NURIYEV

  4. Reconfigurable modular snake robot locomotion via learning based hybrid motion control system architecture

    Öğrenme temelli melez hareket kontrol sistem mimarisi ile yeniden yapılandırılabilir modüler yılan robot hareket kabiliyeti

    İLYAS KOCAER

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mekatronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖMER MORGÜL