Stochastic action and scene estimation system for multi robot teleoperation environments
Çok robotlu teleoperasyon ortamları için stokastik eylem ve sahne tahmin sistemi
- Tez No: 768530
- Danışmanlar: PROF. DR. YUSUF SİNAN AKGÜL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 116
Özet
Teleoperasyon sistemleri, onlarca yıldır birçok uygulama alanında yoğun olarak çalışılmaktadır. Bununla birlikte, klasik teleoperasyon sistemleri, doğal geri bildirim eksikliği, gecikme ve operatör verimsizliği gibi sorunlardan muzdariptir. Bu çalışmada, teleoperasyonun bu sorunlarını azaltmak için operatörlerin teleoperasyon görevlerini yarı otonom olarak gerçekleştirmelerini sağlayan uçtan uca Stokastik Yardımcı Teleoperasyon Sistemi (SATS) tanıtılmıştır. Tele-operasyon görevleri sırasında SATS her zaman aktif olarak çalışmakta, uygulanabilir eylemleri olasılıklarıyla birlikte tanımakta ve operatörler tarafından herhangi bir tetikleme olmaksızın bu eylemlerin her biri için görsel sahne tahminleri üretmektedir. Operatörler, SATS tarafından önerilen eylemlerden birini seçerek uzak robotları manipüle edebilmekte ve teleoperasyon görevlerini yarı otonom bir şekilde gerçekleştirebilmektedirler. Önerilen sistem, geleceğe ait görüntü dizilerini ve sahne konfigürasyonlarını uygun algoritmalarla stokastik olarak tahmin etmek için Markov süreçlerinden ve tekrarlayan sinir ağlarından fikirleri içeren yeni teknikler kullanmaktadır. Gerçek ve simülatif teleoperasyon ortamlarında bir grup operatörle gerçekleştirilen deneyler ile operatörlerin alternatif yöntemlere kıyasla SATS'ın yardımıyla çok daha az sayıda komut vererek operasyonları tamamladığı gösterilmiştir. Teleoperasyon görevlerini SATS yardımıyla yarı otonom olarak gerçekleştirmek, gecikmenin olumsuz etkilerini ve doğal geri bildirim eksikliğini önemsiz hale getirerek operatör verimliliğinin artmasını sağlamıştır. Ayrıca operatörlerin önerilen teknik sayesinde aynı anda birden fazla robotu kullanarak verimliliklerini yüksek oranda arttırdığı gerçekleştirilen deneylerle gösterilmiştir.
Özet (Çeviri)
There has been great interest in teleoperation systems from many application fields for decades. Despite this interest, conventional teleoperation systems still have serious issues such as latency, lack of natural feedback, and inefficiency in operator performance. In this work, we introduced an end-to-end Stochastic Assistive Teleoperation System (SATS) enabling operators to perform teleoperation missions semi-autonomously to mitigate the problems of teleoperation. During teleoperation missions, SATS always stays in the loop, recognizes applicable actions along with their likelihoods, and generates visual scene predictions for each of these actions without any triggering by operators. Operators can manipulate remote robots and carry out teleoperation missions in a semi-autonomous manner by just choosing one of the suggested actions generated by SATS. The proposed system employs novel techniques incorporating ideas from Markov processes and recurrent neural networks to predict future sequences and scene configurations stochastically with feasible algorithms. We conducted experiments with a group of operators in real and simulated teleoperation scenes demonstrating that operators issue significantly fewer commands compared to alternative methods in the literature to complete teleoperation missions thanks to assistive control of teleoperation robots with SATS. Conducting teleoperation missions semi-autonomously with the help of SATS makes the negative effects of the latency and lack of natural feedback insignificant resulting in improved operator efficiency. In addition, we showed that our system further increases operator efficiency and productivity by allowing operators to control more than one robot simultaneously.
Benzer Tezler
- Learning to drive in a simulated environment using deep reinforcement learning
Derin pekiştirmeli öğrenme kullanarak simüle edilmiş bir ortamda araç kullanmayı öğrenmek
MUSTAFA CEMİL GÜNEY
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAKUP GENÇ
- The possibility of using machine learning to extract the user actions from the mobile devices data
Başlık çevirisi yok
HUDA ABDULWAHID ABBAS
Yüksek Lisans
İngilizce
2020
Bilim ve TeknolojiAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Uluslararası denizyolu taşımacılığı bağlamında liman etkinliği ve sektör performansının dış ticaret ile ilişkisi: 2035 yılı Türkiye dış ticaret projeksiyonu
The relationship of port efficiency and sector performance with foreign trade in the context of international maritime transportation: Turkey's foreign trade projection for 2035
HATİCE HANDAN ÖZTEMİZ
Doktora
Türkçe
2021
DenizcilikAlanya Alaaddin Keykubat ÜniversitesiUluslararası Ticaret Ana Bilim Dalı
PROF. DR. KEMAL VATANSEVER
- Bilişsel robotlar için öğrenme güdümlü sembolik planlama
Learning guided symbolic planning for cognitive robots
PETEK YILDIZ
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SANEM SARIEL TALAY
- Reinforcement learning for stock markets
Hisse senetlerı̇ için pekiştirmeli öğrenme
UĞUR HAZIR
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANER DANIŞMAN