Geri Dön

Masa tenisi simülasyonu için derin öğrenme algoritmalarının karşılaştırılması

Comparison of deep learning algorithms for table tennis simulation

PDF İndir

  1. Tez No: 675275
  2. Yazar: AHMED NAJI MUSLEH NUSARI
  3. Danışmanlar: DOÇ. DR. İBRAHİM YÜCEL ÖZBEK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 64

Özet

Amaç: Bu tez çalışmasında, masa tenisi (Ping Pong) oyun simülasyonunda derin öğrenme yöntemlerinin performansları karşılaştırılmıştır. Ping Pong oyun simülasyonunda birbiriyle oynayan iki oyuncu bulunmaktadır. Bunlardan birisi oyunu oynayan insan, diğeri ise yapay zekâ tarafından kontrol edilen oyuncu (ajan) olarak kabul edilmiştir. Yapay zekâ tarafından kontrol edilen oyuncu CNN, LSTM ve DQN yöntemleri kullanılarak eğitilmiştir. Yöntem: Çalışma genel olarak CNN, LSTM ve DQN algoritmalarıyla gerçekleştirilmiştir. CNN ve LSTM modellerinin eğitilmesi üç adımdan oluşmaktadır. İlk adımda, eğitim veri kümesi toplanmaktadır. Veri kümesi iki elementten oluşmaktadır. Bunlardan ilki oyun ekran resmi, ikincisi ise etikettir. İkinci adımda, görüntüler iyileştirilir. Bu adımda, yeniden boyutlandırma ve kontrast artırma işlemi yapılır. Ayrıca eğitim süreçlerini daha hızlı, işlevsel ve güvenilir hale getirmek için eğitim veri setlerinden gereksiz kısım (rakip oyuncu barı) silinir. Son adımda ise farklı CNN ve LSTM modelleri bu veri setleri kullanılarak en iyi sonuçları elde etmek için eğitilir. DQN algoritması için ise kullanılan veri kümesi gerçek zamanlı olarak doğrudan ortamdan alınır. Daha sonra bu veriler iyileştirilir. Ayrıca, öğrenmeyi daha hızlı hale getirmek için resimler yeniden boyutlandırılır. Bulgular: Deneyler ve eğitim sonuçlarına göre CNN ve LSTM yöntemleri kullanıldığında zaman gecikmesi olduğu görülmüştür. Oyun çalıştırıldığında orijinal hızdan daha yavaş çalıştığı ancak modellerin doğru sınıflandırma verdiği belirlenmiştir. DQN yönteminde ise bu zaman gecikmesi sorunu çözülmüştür. Oyun farklı hızlarda test edilerek çalıştırılmış ve performansı ölçülmüştür. Sonuç: CNN ve LSTM yöntemlerinde bilgisayarın hesaplama gücüyle ters orantılı olarak bir gecikme yaşanmıştır. Öte yandan zaman gecikmesi olmadan yüksek performans gösteren DQN yöntemi kullanılarak bar ve topun farklı hız değerleri denenmiş, sorunsuz ve verimli çalıştığı gözlenmiştir.

Özet (Çeviri)

Purpose: In this thesis, the performances of deep learning methods in table tennis (Ping Pong) game simulation were compared. In the Ping Pong game simulation, there are two players playing with each other. One of them was accepted as the human playing the game, and the other as the player (agent) controlled by artificial intelligence. Controlled by artificial intelligence, the player is trained using CNN, LSTM and DQN methods. Method: The study was generally carried out with CNN, LSTM and DQN algorithms. Training the CNN and LSTM models consists of three steps. In the first step, the training dataset is collected. The dataset consists of two elements. The first of these is the game screenshot, and the second is the sticker. In the second step, the images are enhanced. In this step, resizing and contrast enhancement are done. In addition, the unnecessary part (opponent player bar) is deleted from the training datasets to make the training processes faster, functional and reliable. In the last step, different CNN and LSTM models are trained using these datasets to obtain the best results. For the DQN algorithm, the dataset used is taken directly from the environment in real time. This data is then refined. Also, images are resized to make learning faster. Finds: According to the results of the experiments and training, it was observed that there was a time delay when CNN and LSTM methods were used. It has been determined that when the game is run, it runs slower than the original speed, but the models give correct classification. In the DQN method, this time delay problem is solved. The game has been tested and run at different speeds and its performance has been measured. Results: There was a delay in CNN and LSTM methods inversely proportional to the computing power of the computer. On the other hand, using the DQN method, which shows high performance without time delay, different speed values of the bar and ball were tried and it was observed that it worked smoothly and efficiently.

Benzer Tezler

  1. Tez No

    321479

    Introducing tangible objects into motion controlled gameplay using Microsoft Kinect

    Fiziksel nesnelerin hareketli oyun kontrolü kapsamına Microsoft Kinect kullanılarak dahil edilmesi

    L. GAMZE BOZGEYİKLİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Modelleme ve Simülasyon Ana Bilim Dalı

    DOÇ. DR. VEYSİ İŞLER

  2. Tez No

    464280

    Masa tenisi oyuncularında çok top antrenmanının göz hareketlerine etkisinin incelenmesi

    Analyzing the effects of multi-ball training on eye movements in table tennis players

    YAKUP KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    SporMarmara Üniversitesi

    Beden Eğitimi ve Spor Bilimleri Ana Bilim Dalı

    YRD. DOÇ. DR. ADİL DENİZ DURU

  3. Tez No

    679774

    Development of a ball trajectory and stroke prediction system for table tennis robot based on machine learning

    Masa tenisi robotu için makine öğrenmesi temelli top yörüngesi ve vuruş noktası tahmini yapan sistemin geliştirilmesi

    MEHMET FATİH KAFTANCI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MELİH GÜNAY

  4. Tez No

    290592

    9-12 yaş erkek masa tenisi sporcularının branşa özgü yetenek düzeyleri ve fiziksel profillerinin araştırılması

    Physical profiles and ability levels of 9-12 years age table tennis players related to their branch

    REZA BEHDARİ

    Doktora

    Türkçe

    Türkçe

    2011

    SporGazi Üniversitesi

    Beden Eğitimi ve Spor Öğretmenliği Ana Bilim Dalı

    PROF. DR. ERDAL ZORBA

  5. Tez No

    753951

    Masa tenisi sporcularının sporcu kimliği ve sportmenlik yönelimi düzeyleri arasındaki ilişki

    The relationship between the athletic identity and the sportspersonship orientation levels in table tennis players

    BAYRAM TACİ MENTEŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    SporMersin Üniversitesi

    Beden Eğitimi ve Spor Ana Bilim Dalı

    PROF. DR. LEYLA SARAÇ

Geri Dön