Multi input multi output intelligent modeling techniques and application to human driver
Çok giriş çok çıkışlı akıllı modelleme teknikleri ve insan sürücüye uygulanması
- Tez No: 315227
- Danışmanlar: PROF. DR. ŞENİZ ERTUĞRUL
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2012
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 93
Özet
Günümüzde teknolojinin ilerlemesiyle birlikte insan yaşamını kolaylaştıran birçok makine ve araçlarının geliştirilmesi mümkün olmuştur. Bu ileri teknoloji araçların büyük bir bölümü insan ile etkileşimli çalışmaktadır. Bu nedenle yüksek güvenlik ve performansa sahip teknolojik araçların tasarımı ve geliştirilmesi aşamasında insan-makine etkileşimi önemli bir tasarım parametresi haline gelmiştir.İnsan sürücünün taşıtla etkileşimi, insan-makine etkileşimi alanında aktif olarak çalışılan bir konudur. Motor ve taşıtın geliştirilmesi için yapılan ARGE çalışmalarında bilgisayar ortamında HIL(Hardware In the Loop) sistemleri ile uyumlu olarak kapalı çevrim çalışabilen ve insan sürücüyü taklit eden modellere ihtiyaç duyulmaktadır. Böylece, uzun veya fiziksel olarak denenmesi zor olan sürüş senaryoları robot sürücüler ile test edilebilinecektir.Bu çalışmanın amacı, uğraştırıcı matematiksel modelleme çalışmalarına girilmeden taşıtın doğrusal ve yanal kontrolünü sağlayacak şekilde insan sürücü modelini elde edebilmektir. Bu amaca ulaşabilmek için akıllı modelleme yöntemleri araştırılmış ve bu yöntemlerin insan sürücü modelleme problemine uygulanması üzerinde çalışılmıştır. Bu yöntemler arasından, insan sürücü modellemesi için başarılı olanlar seçilmiş ve çıkarılan modellerin performansı test edilmiştir.İnsan sürücünün doğrusal olmayan yapısı ve yanlılığından ötürü modelleme işi oldukça zorlaşmaktadır. Bu bağlamda, problem basitleştirmek için sürücü modeli doğrusal ve yanal olmak üzere iki ayrı kontrolör olarak çıkarılmıştır. Böylece çok giriş-çok çıkışlı olan insan sürücü modeli, çok giriş-tek çıkış olan iki alt modele ayrılmıştır. Ayrıca, sistemi bu şekilde basitleştirmek kullanılan akıllı modelleme teknikleri sayesinde insan sürücünün yanal ve doğrusal dinamiklerinin birbirinden bağımsız olarak fiziksel hassasiyetlerinin anlaşılmasında etkili olmuştur Bu iki modelin kapalı çevrim benzetimlerde birlikte çalışarak çok giriş-çok çıkışlı genel insan sürücü modelini temsil etmesi amaçlanmış ve amaca ne kadar ulaşıldığının anlaşılması için modellerin performansı test edilmiştir. Benzetimin trafiksiz ortamda, otomatik şanzımanlı taşıt ile ve eğimsiz yol profili ile yapılması çalışmadaki diğer basitleştirmelerdir.Çalışmada benzetim ortamı olarak IPG© CarMaker® yazılımı ve Logitech© Driving Force Pro® oyun konsolu kullanılmıştır. Böylece insan sürücünün bu sanal benzetim ortamında direksiyon simidi, gaz ve fren pedallarını kontrol ederek ve görsel video geri beslemesi ile taşıtı kullanabilmesi sağlanmıştır. Bu kurulum ile insan sürücü eylemleri ve taşıt-motor dinamikleri veri olarak kaydedilmiştir. Alınan kayıtlar daha sonra veri tabanlı olan akıllı modelleme ve sistem tanılama yöntemleri ile insan sürücü modelinin elde edilmesinde kullanılmıştır. Sürücünün taşıtı kumanda edebilmesi Logitech© Driving Force Pro® oyun konsolu aracılığıyla başarılabilmiştir. Simulink® üzerinde geliştirilen bir ara yüz model ile oyun konsolunun CarMaker® yazılımına tanıtılması sağlanmıştır. Daha sonra ara yüz modelinin çıkışları CarMaker® sürücü bloğunun girişleri üzerine yazılarak sürüş ortamının yazılım ve donanım kısmını kapsayacak şekilde oluşturulması tamamlanmıştır.Çalışmada insan sürücü modelleme problemine uygun olacağı düşünülen akıllı modelleme yöntemleri incelenmiş ve bu yöntemlerin sürücü modeline uygunluğunu sınamak amacıyla toplanan sürücü verileri üzerinde uygulaması yapılmıştır. İncelenen akıllı modelleme teknikleri arasında ANFIS (Adaptive Neuro Fuzzy Inference) ve ANN (Artificial Neural Network) algoritmaları uygulamadaki basitliği ve tatmin edici performansı nedeniyle sürünün yanal ve doğrusal kontrolör olarak modellenmesinde tercih edilmiştir. ANFIS, TS(Takagi Sugeno) bulanık mantık yapısının parametrelerinin toplanan veriler ile otomatik olarak en iyileştirilmesini sağlamaktadır. ANFIS yapısındaki bu en iyileştirmede maliyet fonksiyonundaki doğrusal parametreler için en küçük kareler metodu kullanılırken, doğrusal olmayan üyelik fonksiyonu parametrelerinin en iyileştirilmesi için hataların geriye yayılımı algoritması kullanılarak hibrit bir algoritma oluşturulmuştur. ANN yapısında ise Levenberg-Marquardt en iyileştirme algoritması, ANN yapısında nöronlar arası ağırlık faktörlerinin eğitilmesi ile yapılmaktadır. Ayrıca, bu çalışma kapsamında geliştirilen iki yeni hibrit akıllı modelleme yöntemlerine ait yapıların detayları Bölüm 6'da anlatılmaktadır.Bu çalışmada çıkarılan yanal ve doğrusal sürücü modellerinin performansının yüksek olması için en fazla dikkat edilmesi gereken hususlardan biri sürücünün dinamik karakteristiklerini yansıtan doğru giriş-çıkış bileşenlerinin seçilmesidir. Seçilen giriş-çıkış bileşenlerinin sürücü karakteristiğini yansıtmaması durumunda kullanılan akıllı modelleme yönteminin başarısının ne kadar yüksek olduğunun bir önemi kalmamaktadır. Doğru giriş-çıkış bileşenlerinin belirlenmesi için ilk aşama zengin verinin elde edilmesidir. Zengin veri sürekli uyaranlık ve mümkün olan en geniş frekans bandında bileşenlere sahip olma özelliklerini taşımalıdır. Çalışmada insan sürücünün kapalı çevrimde olduğu sanal sürüşler benzetim ortamında gerçeklenmiş ve toplanan verilerin zengin veri olma özelliği analiz edilmiştir. Yapılan analizler sonucunda seçilmeye aday her giriş verisinin en az 50. mertebeye kadar sürekli uyaran olduğu anlaşılmış ve bu mertebe seçilen model mertebeleri göz önüne alınarak yeterli bulunmuştur. Ayrıca toplanan verilerin frekans bileşenleri güç spektrumunda analiz edilmiş ve toplanan verilerin frekans bandının sürücü dinamiğinin frekans bandının tamamını uyaracak kadar geniş olmadığı görülmüştür. Bununla birlikte, sürücü modelinin çıkarılmasında fiziksel olarak gerçek olmayacak kadar çeşitli varyasyon içeren senaryolar kullanılmasından dolayı çıkarılan sürücü modelinin gerçek koşullara yakın senaryolarla benzetimi yapılması durumunda daha geniş frekans bandında uyarılmayacağı ve bu nedenle başarılı olacağı düşünülmüştür. Nitekim gerçek koşullara yakın şartlarda yapılan sınama çalışmalarında sürücü modelinin yüksek performans göstermesi bu öngörüyü desteklemektedir.Sürücü modeli için uygun giriş-çıkış bileşenlerinin belirlenmesi için belirli bir sistematik bulunmamaktadır. Literatürdeki mevcut istatistikî yöntemlerin birçoğu tek giriş-çıkışlı sistemler için uygun giriş-çıkış grubunun belirlemeye yöneliktir. Bununla birlikte bu yöntemler belli bir ölçüde doğrusal olmayan çok giriş-çok çıkışlı sistemlerin aday giriş-çıkışlarının belirlenmesinde fikir sahibi olunmasını sağlamaktadır. Bu çalışmada bu amaca yönelik olarak korelasyon yöntemi kullanılmıştır. Bu yöntem iki sinyalin eş zamanlı olarak benzer eğilimle değişmesinin ölçüsünü vermektedir. Her ne kadar eş zamanlı olarak benzer karakter gösteren iki sinyal arasında nedensellik bulunması kesin olarak söylenemese de, korelâsyonun yüksek bulunması bu ihtimali artırmakta ve incelenen girişin model için bir aday olmasını sağlamaktadır. Ayrıca korelasyon yöntemi ile seçilen girişin ayrık zamandaki geçmiş örneklemelerinden hangisinin çıkışı daha fazla uyardığı da tahmin edilebilmekte ve böylece model mertebesinin de belirlenmesi sağlanmaktadır. Ayrıca, giriş-çıkış bileşenlerinin seçilmesinde modelleyicinin yani uzmanın, da sistem hakkında bilgisi istatistiki korelasyon yöntemini desteklemektedir. Mesela, sürücünün yola göre pozisyonu ve sapma açısının yanal kontrol çıkışı olan direksiyon simidi açısını etkileyeceği önceden tahmin edilerek bu girişler ve gecikmelerinin direksiyon simidi üzerindeki etkisi korelasyon analizi ile incelenmektedir. Ayrıca, aslında sistem girişi olmamasına rağmen çıkış ile yüksek korelasyon gösteren bazı girişler yine uzman bilgisi ile sistem giriş adaylığından elenmektedir. Mesela, yanal savrulma yönündeki ivmelenme ve direksiyon simidi açısı eş zamanlı benzer eğilimle değişim gösterdiğinden aralarında yüksek korelasyon bulunmaktadır, Fakat, bu ivmelenme aslında direksiyon açısının aslında nedeni değil sonucudur ve bu nedenle yanal kontrol girişi adaylığından elenmiştir. Doğrusal kontrol modelinin çıkışı için farklı bir yaklaşım düşünülmüş ve çıkış gaz ve fren pedal pozisyonlarının farkı olarak alınmıştır. Böylece, yanal sürücü kontrolör modellemesinde gaz ve fren çıkışları iki ayrı model olarak değil de tek bir model olarak çıkarılmıştır çünkü gaz ve fren pedal pozisyonlarının benzer giriş bileşenlerinden etkilendiği düşünülmektedir. Bunun sonucunda model çıkışında gaz ve frene aynı anda basılması engellenerek gerçek sürücü karakteristiğinden uzaklaşılmamıştır. İnsan sürücüden toplanan verilerde gaz ve fren pedalından birinde basıldığında diğerinin pozisyonu sıfır'da kalmaktadır. Bu nedenle doğrusal kontrol modelinin çıkışı olan (gaz pedal pozisyonu-fren pedalı pozisyonu) bileşeni sıfır'dan büyükse benzetim ortamında gaz pedalı pozisyonu olarak alınırken, sıfır'dan küçükse fren pedalı pozisyonu olarak alınmıştır.Çıkarılan sürücü modellerinin sınanması iki aşamadan oluşmaktadır. İlk aşamada insan sürücünün sanal benzetim ortamında aracı kontrol etmesiyle toplanan veriler çevrim dışı olarak modellemede kullanılmıştır. Daha sonra bu verilerle eğitilen modelin çıkışlarının, eğitim verileri ile yüzde uyumu incelenmiştir. Aynı zamanda çıkarılan modellerin performansının modellemede kullanılan eğitim verilerinden bağımsız olan veri kümesi ile de sınanması gerekmektir. Bu bağlamda modellemede kullanılan yol profilinden farklı olan yol profilinde insan sürünün aracı kontrol etmesiyle benzetim ortamında modellemeden bağımsız bir veri toplama işlemi gerçekleştirilmiştir. Eğitimde kullanılan yol profili mümkün olduğu kadar çeşitli eğrilik yarıçaplarına sahip yol parçalarının birleşiminden oluşmakta iken, bağımsız veri kümesinin elde edilmesi için kullanılan yol profili CarMaker® yazılımı üzerinde gelen standart yol profillerinden biri olarak seçilmiştir. Sınamanın bu aşaması 2. aşamaya geçilmeden önce bir hazırlık mahiyetindedir ve çıkarılan model performansının yeterliliği hakkında bir ilk tahmin sağlamaktadır. Performansın kabul edilemez bulunması durumunda giriş-çıkış bileşenlerinin seçimi ve modelleme algoritmasının tasarım parametreleri tekrar gözden geçirilmektedir. Böylece daha uğraştırıcı olan 2. aşamaya geçilmeden önce zaman tasarrufu sağlanmıştır. İlk aşama değerlendirmesi sonucunda yanal kontrol için eğitim verileri ile model çıkışı arasında 86%'ya ve doğrusal kontrol için 68%' e kadar yüzde uyum görülürken, yanal kontrol için bağımsız veri kümesi ile model çıkışı arasında 53%'e ve doğrusal kontrol için 24%'e kadar yüzde uyum görülmüştür. Sınamanın ikinci aşamasında çıkarılan sürücü modelleri Simulink® bloklarına dönüştürülmüştür. Oluşturulan bu bloklar CarMaker® üzerinden benzetim ortamını oluşturan genel Simulink® yapısı içerisine gömülmüştür. Daha sonra sürücü modellerinin bağımsız veri kümesini toplamak için seçilen standart CarMaker® yol profilini otomatik olarak kontrol etmesi beklenmiştir. Sürücü modellerinin aracı kontrol etmedeki başarısı CarMaker® yazılımının video animasyonu üzerinden gözlenmiştir. ANFIS ve ANN ile oluşturulan bu modellerin tasarım parametreleri ve giriş-çıkış bileşenlerinin son seçimine karar verilene kadar iki aşamadan oluşan bu iterasyon devam etmiştir. Son seçilen model yapısında ANFIS ve ANN ile oluşturulan sürücü modelleri aracın doğrusal ve yanal kontrolünde oldukça başarılı olmuş ve insan sürücünün önceden sürüş yapmadığı yol profilini başarı ile takip edebilmiştir.Çalışmanın gelecek aşamalarında neler yapılabileceği hakkında öneriler bölüm 6'da verilmiştir. Bu bölümde yapılan çalışma neticesinde çalışmadaki hedef olan doğrusal ve yanal kontrolü sağlayan sürücü modelinin başarılı bulunmasına ek olarak, sürücünün dinamik karakteristiği hakkında edinilen bilgiler de sunulmuştur. Bu bölümde ayrıca çalışma kapsamında geliştirilen fakat pratik uygulama için daha fazla geliştirilmesi gereken iki yeni hibrit akıllı modelleme yapısından da bahsedilmiştir.
Özet (Çeviri)
With advances in technology in the last century, it has been possible to create numerous machines and tools that make life easier for human beings. Many of these technological devices interact with human, so consideration of human interaction to operation of these machines is an important design criterion for both safety requirements and highly capable machine development. At this point, it is important to imitate human reactions beforehand and include this behavior as a part of design process.Interaction of human driver with vehicle is one of the subjects that is being worked actively by researchers. The scope of this study is to obtain driver model to achieve longitudinal and lateral control of vehicle simultaneously without indulging into complex mathematical modeling. To achieve this goal, intelligent modeling techniques have been reviewed and their application to human driver modeling has been studied. The intelligent modeling techniques that show satisfactory performance are selected for modeling task. The selected modeling algorithms are trained by using real human driver input-output samples. Results for application of ANFIS(Adaptive Neuro Fuzzy Inference) and ANN (Artificial Neural Network) intelligent modeling techniques to driver modeling are discussed.In this study, driver model is obtained as two separate sub-models for longitudinal and lateral control. Longitudinal controller is responsible to decide gas and brake pedal positions while lateral controller is responsible to decide steering wheel angle position. These two controllers works in parallel simultaneously like a single model. CarMaker® software is used as simulation environment in this study together with Logitech© Driving Force Pro® gaming console.Inputs and outputs of the driver model is obtained with combination of statistical methods and expert knowledge. Correlation analysis is chosen among the statistical methods to identify simultaneously changing trends between selected inputs and outputs. Correlation analysis also helps to identify time delays of inputs and model order.Validation of obtained driver models are performed in two different stages. In the first stage the outputs of training data and corresponding model outputs are compared with PV (Percentile Variance) technique and this comparison is repeated for validation data. Validation data is collected from real human driving in simulation environment. A different road profile is used to collect validation data. If the results for first stage are satisfactory, then the obtained models are embedded in CarMaker® software for second stage. The outputs of driver model are overwritten on CarMaker® driver block outputs. By IPG© CarMaker® movie animation the performance of driver model is checked to track the defined road track. It is seen that the final model can successfully track the road profile that is different from the road profile where data to train intelligent models is collected.In Section 6, the derived and conclusions and recommendations for future studies are presented. Also, two newly proposed MIMO hybrid intelligent modeling structures are discussed in this section with the further work needed for their practical application on driver model.
Benzer Tezler
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Nonlinear and intelligent control based controller design for nonlinear systems
Doğrusal olmayan sistemler için doğrusal olmayan ve akıllı yöntemlere dayalı denetleyici tasarımı
FADI ALYOUSSEF
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM KAYA
- İşbirliğine dayalı ortam erişim kontrol protokolü tasarımı ve analizi
Cooperative medium access control protocol design and analysis
MUHAMMET ALİ KARABULUT
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. HACI İLHAN
- Ulaştırma sistemlerinin bütünleşik analizi
Integrated analysis of transportation systems
TEVFİK BAŞAL
Yüksek Lisans
Türkçe
1998
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNGÖR EVREN
- Yapay zeka teknikleri ile dizel motor performansının modellenmesi ve yakıt optimizasyonu
Modelling of diesel engine performance and fuel optimisation by artificial intelligence techniques
KEMAL TÜTÜNCÜ
Doktora
Türkçe
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NOVRUZ ALLAHVERDİ