Improved global localization and resampling techniques for Monte Carlo localization algorithm
Monte Carlo lokalizasyon algoritması için geliştirilmiş global lokalizasyon ve yeniden örnekleme teknikleri
- Tez No: 652245
- Danışmanlar: PROF. DR. HASAN OCAK
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 104
Özet
Global kapalı alan konumlandırma algoritmaları, robot ilk konumunu ve yönünü bilmediği durumlarda sensör ölçümlerini kullanarak robotun daha önceden haritalandırdığı ortamlardaki konumunu ve yönünü tahmin etmesini sağlar. Standart uyarlanır Monte Carlo Lokalizasyon (AMCL), global belirsizliklerle başarılı bir şekilde başa çıkabilen yüksek verimli bir konumlandırma algoritmasıdır. Global konumlandırma problemi, gezgin robotlar için çok önemli olduğundan, algoritmanın doğru konuma yakınsaması için geçen süreyi dikkate değer ölçüde azaltan yeni bir yaklaşım sunuyoruz. Hazırlanılan algoritma; verilen harita ve ilk tarama verilerini göz önüne alarak sensör modeline göre yüksek olasılıklı bölgeleri tespit eder. Sonuç olarak, önerilen örneklem dağılımı konumlandırma sürecini hızlandıracaktır. Biz bu çalışmada ayrıca sensörün görüş alanındaki haritalandırılmamış hareketli engeller sebebiyle örneklem ağırlıkları düştüğünde, robotun hızlı bir şekilde gerçek konumunu kestirmesini sağlayan ve kaçırılan robot problemleriyle başa çıkan etkili bir yeniden örnekleme stratejisi sunuyoruz. Hazırlanan teknik; en son başarılı konum bilgilerini kullanarak rastgele örneklemi robotun konumunun etrafında merkezlenen dairesel bir alana dağıtır. Örneklemler yüksek olasılıklı bölgelere dağıtıldığından, örneklemin gerçek konum ve yöne ulaşması daha az zaman almaktadır. Çalışma kapsamında elde edilen sonuçlar, küçük örneklem gruplarında bile, önerilen iyileştirmelerin konumlandırmadaki etkinliğini göstermektedir. Sonuç olarak, önerilen metotlar algoritmanın gerçek zamanlı performansını önemli ölçüde arttırmakta ve hesaplama maliyetini düşürmektedir.
Özet (Çeviri)
Global indoor localization algorithms enable the robot to estimate its pose in pre-mapped environments using sensor measurements when its initial pose is unknown. The conventional Adaptive Monte Carlo Localization (AMCL) is a highly efficient localization algorithm that can successfully cope with global uncertainty. Since the global localization problem is paramount in mobile robots, we propose a novel approach that can significantly reduce the amount of time it takes for the algorithm to converge to true pose. Given the map and initial scan data, the proposed algorithm detects regions with high likelihood based on the observation model. As a result, the suggested sample distribution will expedite the process of localization. In this study, we also present an effective resampling strategy to deal with the kidnapped robot problem that enables the robot to recover quickly when the sample weights drop-down due to unmapped dynamic obstacles within the sensor's field of view. The proposed approach distributes the random samples within a circular region centered around the robot's position by taking into account the prior knowledge about the most recent successful pose estimation. Since the samples are distributed over the region with high probabilities, it will take less time for the samples to converge to the actual pose. The results demonstrate the high efficiency of the proposed scheme, even with small sample sets. Consequently, the proposed scheme significantly increases the real-time performance of the algorithm in terms of decreasing the computational cost.
Benzer Tezler
- Infrastructure independent pedestrian localization using dead reckoning and particle filter
Parakete seyri hesabı ve parçacık filtresi ile altyapısız yaya konum belirleme
MEHMET ENES CAVLI
Yüksek Lisans
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ
- Önsel bilgi kullanılarak tıbbi görüntülerde makine öğrenmesi tabanlı kontur bulma ve nesne konumlandırma
Machine learning based object localization and contour extraction in medical images with prior information
AYŞE BETÜL OKTAY
Doktora
Türkçe
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF SİNAN AKGÜL
- Kapalı ortamlarda yerelleştirme ve haritalama için sensör füzyonu
Sensor fusion for gps denied environment for localization and mapping
HÜSEYİN BURAK KURT
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMakine Ana Bilim Dalı
DOÇ. DR. ERDİNÇ ALTUĞ
- 2-step indoor localization for 'smart AGVs'
'Akıllı AGV'ler' için iki aşamalı iç mekan konumlama yaklaşımı
ABDURRAHMAN YILMAZ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ
- Küreselleşmenin Türk belediye sistemi üzerindeki etkileri
The effects on globalisation to Turkish municipal system
EMRE KULAÇ
Yüksek Lisans
Türkçe
2007
Kamu YönetimiSakarya ÜniversitesiKamu Yönetimi Ana Bilim Dalı
Y.DOÇ.DR. FERRUH TUZCUOĞLU