Geri Dön

Improved global localization and resampling techniques for Monte Carlo localization algorithm

Monte Carlo lokalizasyon algoritması için geliştirilmiş global lokalizasyon ve yeniden örnekleme teknikleri

  1. Tez No: 652245
  2. Yazar: HUMAM ABUALKEBASH
  3. Danışmanlar: PROF. DR. HASAN OCAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    İngilizce

    2018

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ

  2. 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

    Türkçe

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Yüksek Teknoloji Enstitüsü

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF SİNAN AKGÜL

  3. Kapalı ortamlarda yerelleştirme ve haritalama için sensör füzyonu

    Sensor fusion for gps denied environment for localization and mapping

    HÜSEYİN BURAK KURT

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Makine Ana Bilim Dalı

    DOÇ. DR. ERDİNÇ ALTUĞ

  4. 2-step indoor localization for 'smart AGVs'

    'Akıllı AGV'ler' için iki aşamalı iç mekan konumlama yaklaşımı

    ABDURRAHMAN YILMAZ

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ

  5. Küreselleşmenin Türk belediye sistemi üzerindeki etkileri

    The effects on globalisation to Turkish municipal system

    EMRE KULAÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2007

    Kamu YönetimiSakarya Üniversitesi

    Kamu Yönetimi Ana Bilim Dalı

    Y.DOÇ.DR. FERRUH TUZCUOĞLU