Geri Dön

Markov modelini kullanarak robotların yerini keşfeden algoritma

Марков моделин колдонуу аркылуу роботтордун орун табуу алгоритмасы

  1. Tez No: 614741
  2. Yazar: ULAN BAYALİEV
  3. Danışmanlar: PROF. DR. ULAN BRİMKULOV
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Robotlar, Yer keşfetme, Sensör, Stokastik yöntemler, Markov modeli
  7. Yıl: 2015
  8. Dil: Türkçe
  9. Üniversite: Kırgızistan-Türkiye Manas Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 62

Özet

Robotları belli bir ortamda başarılı yönetebilmek için once robotun ortamdaki yeri ve ortamın haritası bilinmelidir. Robotun yerini bilmek için GPS sinyalleri kullanılabilirdi, yalnız GPS'in hata oranı 5-10 metre olabiliyor ve sinyali kapalı ortamlarda alınamıyor. Bu nedenlerden dolayı robotlar değişik sensörler aracılığı ile alınan bilgileri inceleyerek verilen ortamın haritasında kendi yerleri konusunda belli bir sonuca varmaları gerekmektedir. Robotlar bulunduğu yeri algılamak için ultrason, görüntü veya kızılötesi sensörler kullanılabilir. Fakat bu sensörler robotun konumunu tam olarak saptayamayacaktır ve yalnızca robotun ortamı ile ilgili bilgiler vermektedir. Robot bu verileri kullanarak bulunduğu konumu hakkında sadece belli inanca ulaşacaktır, yani kendi konumu hakkında kesin bir bilgiye ulaşamadığından dolayı en iyi tahmini yapmak için stokastik yöntemleri kullanması gerekir. Modern robot biliminde konum hakkında belli bir bilgiye ulaşmak için kullanılan stokastik yöntemler“Yer keşfetme algoritmaları”diye adlındırılır. Tezin amacı, Markov modelini kullanan stokastik yer keşfetme algoritmasını incelemek ve başka yer keşetme algoritmaları ile karşılaştırmaktır. Bunu yapmak için görsel uygulama üzerinde robotun ortamı, davranışı ve algılama kabiliyeti taklit edilmektedir ve algoritmanın çalışması gösterilmektedir. Uygulamanın başında robot, haritasını bildiği fakat bulunduğu konumu bilmediği bir ortama konuluyor. Sonuç olarak, robot bir kaç hareket sonrasında kendi konumu hakkında belli bir bilgiye ulaşmaktadır.

Özet (Çeviri)

Роботторду белгилүү чөйрөдө башкарыш үчүн башында роботтун чөйрөдөгү ордуну жана айлана чөйрөнүн картасы билиниш керек. Роботтун ордун билиш үчүн GPS (Глобалдын позициондук система) колдонулса болот эле бирок GPS'тин катасы 5-10 метр болушу мүмкүн жана GPS сигналы жабык имараттарда алынбайт. Бул себептерден роботтор ар түрдүү сенсорлордон алынган маалыматтарды изилдеп чөйрөдөгү өзүнүн орду жөнүндө белгилүү жыйнтык чыгарышы керек. Роботтор болгон жери жөнүндө маалымат жыйноо үчүн ультраүн, сүрөт жана кызыл ды ашуу сенсорлорду колдонушу мүнкүн. Бирок бул сенсорлор роботтун так ордун биле албайт жана роботтун чөйрөсү жөнүндө гана маалымат берет. Робот бул маалыматтарды колдонуп болгон жери жөнүндө бир ишенишке ээ болот, демек робот өзүнүн орду жөнүндө так маалыматка ээ болбогондуктан жери жөнүндө эң туура ищеним табыш үчүн стохастикалык методторду колдонушу керек. Заманбап робот билиминде роботтун орду жөнүндө бир маалыматка жетиш үчүн колдонулган стохостикалык методторго“Орун табуу”алгоритмдери деп аталат. Диссертациянын максаты, Марков моделин колдонгон стохастикалык орун табуу алгоритмини изилдеп көрсөтүп аны башка орун табуу алгоритмдери менен салыштыруу. Бул нерсени кылыш үчүн визуалдык программа үстүндө роботтун айлана чөйрөсү, аракет жылышы жана маалымат топтоо жөндөмдүүлүгү моделденип алгоритмдердин кантип иштегени көрсөтүлөт. Программа иштеп баштаганда робот картасын билген бирок өзүнүн ордун так билбеген чөйрөгө коюлат. Программа иштеп чыккандан кийин робот өзүнүн ордун табат. Роботтордун орун табуу проблемалардын бир нече түрү бар. Эң түптүү орун табу проблемасы“Орун көзөмөлдөө”болуп эсептелет. Роботтун баш тапкы орду билинип бир нече кадамдан кийин роботтун ордун аңыктоо“Орун көзөмөлдөө”проблемасы деп аталат. Андан дагы роботтун“Глобалдык орун табуу”проблемасы кыйын болуп эсептелет, эмне дегенде бул проблемада роботтун баш тапкы орду билинбейт жана роботтун сенсор жана арекетинде ката болушу мүмкүн. Бул кезде робот өзүнүн кайда болушу жөнүндү анык маалыматы жок болгондугундан оду жөнүндө башкача ищениш түзүшү керек. Жогорудагы проблемаларды чечиш үчүн бир нече алгоритм бар [1]. Мисалы“Орун көзөмөлдөө”проблемасын чечиш үчүн Калман фильтрин колдонсо болот [54]. Калман фильтр алгоритминде роботтун орду жөнүндөгү ишениш жана ыктымалдыгы Гаусс үлөщү менен көрсөтүлөт жана проблеманы чечиш үчүн одометр информациясы колдонулат [68]. Бул диссертацияда“Глобалдык Орун Табуу”проблемасын чечиш үчүн Марков моделин колдонгон алгоритм изилденип башкача орун табуу алгоритмдери менен салыштырылат. Марков моделин колдонгон алгоритмде робот чөйрөдөгү болгон бүт орундар үчүн ыктымалдыкты эсинде кармайт. Мисалы робот башында аракет кылып жылып баштай электе өзүнүн орду жөнүндө маалыматка ээ болбогондуктан бүт орундар үчүн ыктымалдык бир болот. Робот бир нече аракет кылып сенсордон чөйрөсү жөнүндө маалымат чогулткандан кийн картадагы орундар үчүн ыктымалдык өзгөрөт. Эмне дегенде робот картадагы орундар жөнүндө маалыматы болот. Ал маалыматты колдонуп робот кее бир орундарда ыктымалдыкты көтөрүп кее бир жерлерде түшүрөт. Бул диссертацияда робот ыктымалдыктарды эсептеш үчүн кандай алгоритм колдонулганын баяндайт. Андан соң кее бир орундун ыктымалдыгы башка орундарга карата эң чон баага тең болгондо робот өзүнүн ордун тапкан болуп эсептелет. Марков моделинин проблеманы чечиш үчүн стохастикалык методу роботтун орду так болбогон кезде артыкчылыт болуп эсептелет. Бул нече стохастикалык методтор ар дайым роботторго артыкчылык берет, эмне дегенде автономиялык роботтордогу сенсор жана арекеттериндеги каталар стохастикалык методторду керектирет. Алгоритмдеги колдонулган картаны дискретизация жана эң кичине бөлүктөргө бөлүү ар бир ордун үчүн ыктымалдыкты эске алышты мумкун кылат. Бөлөкчө бул дискретизация методу роботтун аракеттеринден кийин ар бир ордунду көзгө алууну мүмкүнчүлүк берет. Бундан башка роботтун сенсор маалыматтарын бүт жерде колдонууга уруксат берет. Топологиялык дискретизация картадагы жерлерди өөрөндөргө бөлүп ар бир өөрөндүн ыктымалдыгын эсептейт. Мисалы“Эшиктин жанынды”же болсо“Коридордо”деген орундар үчүн ыктымалдыктар эсептелет. Бул методто эгерде робот бир өөрөндүн ичинде эки башка позицияда болсо дагы алгоритм роботтун ордун бир деп эсептейт [35]. Орун табуу үчүн визуалдык алгоритмдер дагы көп [45]. Визуалдык алгоритмдерде роботко көрүнгөн сүрөт картанын сүрөтү менен салыштырылып роботтун орду табылат. Бул алгоритмдер көп эсептөө кылгандыгындан тез арада иштеп чыгышы мүмкүнчүлүктөрү жок болот [50]. Бул диссертацияда роботтордун ордун табуу үчүн колдонулган негизги үч алгоритм изилденет. Марков алгоритми, Калман Фильтры жана Монте-Карло алгоритми. Бул алгоритмдердин ар биринин кандай иштегени программа үстүндө көрсөтүлүп артыкчылыктары жана жетишпегендиктери көрсөтүлөт. Бул алгоритмдер негизинде автономиялык жана мобильдик роботтор үчүн стохастикалык методторун колдонуусу зарыл болгону көрсөтүлүп, бул диссертация мындай роботтордун орун табуу алгоритмдердин маанисин аныктап далилдейт. Ачкыч сөздөр: Роботтор, Орун табуу, Сенсор, Стохастикалык методтор, Марков модели.

Benzer Tezler

  1. Tez No

    419069

    Mobil robotlarda Markov konumlama tabanlı navigasyon

    Navigation in mobile robots based on Markov localization

    MUSTAFA TANIŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ

  2. Tez No

    353809

    Isolation of action execution failures for cognitive robots

    Bilişsel robotlar için eylem yürütme hatalarının tanısı

    DOĞAN ALTAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SANEM SARIEL TALAY

  3. Tez No

    774228

    Keyframe demonstration seeded and Bayesian optimized policy search

    Anahtar nokta gösterimlerinden desteklenerek başlatılmış ve Bayessel optimize edilmiş politika öğrenimi

    ONUR BERK TÖRE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BARIŞ AKGÜN

  4. Tez No

    75247

    Markov random fields and a multiscale implementation of markov random fields on Bayesian image segmentation

    Başlık çevirisi yok

    UĞUR SIVAKÇI

    Yüksek Lisans

    İngilizce

    İngilizce

    1998

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERTUĞRUL ÇELEBİ

  5. Tez No

    776455

    Scalable planning and learning framework development for swarm-to-swarm engagement problems with reinforcement learning

    Pekiştirmeli öğrenme ile sürüden sürüye angajman problemleri için ölçeklenebilir planlama ve öğrenme sistemi geliştirilmesi

    UMUT DEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NAZIM KEMAL ÜRE

Geri Dön