Reinforcement learning based collision free path and motion planning algorithm for multi AGV systems
Çoklu AGV sistemleri için pekiştirmeli öğrenme tabanlı çarpışmasız yol ve hareket planlama algoritması
- Tez No: 849641
- Danışmanlar: PROF. DR. GÖKALP YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 101
Özet
Son yıllarda Endüstri 4.0 ve yapay zekadaki gelişmelerle birlikte insan müdahalesinin en aza indirilmesi ve öğrenme sistemlerinin süreçlere dahil edilmesi zorunlu hale geldi. Otomatik Yönlendirmeli Araçların (AGV) modern taşımacılık sistemlerine dahil edilmesi otomasyon sağlayarak verimliliği artırmakta ve maliyetleri düşürmektedir. Gelişen teknolojilerle birlikte sektörün talebi, değişimlere kolay uyum sağlayan, dinamik koşullara uyum sağlayan, karmaşık sistemlere uygulanabilen çözümler üretmektir. Bu nedenle, bu tez çalışmasında çoklu AGV taşıma sistemlerinde çarpışmasız yol ve hareket planlama problemi için Takviyeli Öğrenme (RL) tabanlı bir çözüm yaklaşımı önerilmektedir. Bu çalışmada, en iyi bilinen RL yöntemi olan Q-learning algoritması, AGV'nin bir başlangıç noktasından bir hedefe giden en kısa yolu harita üzerindeki engelleri ve dolu konumları dikkate alarak belirlemesi için kullanılmıştır. Başlangıç noktasından itibaren, AGV rota boyunca her adımda bir dizi algoritmik kontrol mekanizmasından geçer. Bir AGV, başka bir AGV gibi dinamik bir engelle karşılaştığında, öğrenme algoritması aracılığıyla mevcut konumundan yeniden yönlendirmeye karar verebilir veya bekleyebilir. Gerçek zamanlı kontrol prosedürü, AGV'lerin sistemdeki beklenmedik olaylara anında uyum sağlamasına olanak tanır. Önerilen yöntem bir simülasyon modelinde çeşitli senaryolarda test edilmiştir. Farklı AGV sayılarına göre değişen tutarlı performans ölçümleri gözlemlenmiş ve yorumlanmıştır. Önerilen yöntem, AGV'lerin harici bir kaçış alanı gerektirmeden, bir çarpışma durumunda sistemi durdurmadan veya manuel müdahale gerektirmeden çalışmasını sağlar.
Özet (Çeviri)
Artificial intelligence and Industry 4.0 improvements in recent years have made it necessary to minimize human intervention and integrate learning systems into processes. The inclusion of Automatic Guided Vehicles (AGV) in modern transportation systems provides automation, increasing efficiency and reducing costs. With the advancement of technology, the demand of the sector is to produce solutions that are easy to adapt to changes, adapt to dynamic conditions and applicable to complex systems. Therefore, in this thesis a Reinforcement Learning (RL) based solution approach is proposed for the problem of collision-free path and motion planning in multi AGV transport systems. In this thesis, the Q-learning algorithm, the most well-known RL method, is used for the AGV to determine the shortest path from a starting point to a destination, considering obstacles on the map. From the starting point, the AGV passes through a series of algorithmic control mechanisms at each step along the route. When an AGV encounters a dynamic obstacle, such as another AGV, it can either decide to reroute from its current position via learning algorithm or wait. The real-time control procedure enables AGVs to promptly adapt to unexpected events in the system. The proposed method was tested in various scenarios in a simulation model. Consistent performance measures were observed and interpreted, which varied with different numbers of AGVs. The proposed method enables AGVs to operate without requiring an external escape area, stopping the system in the event of a collision, or necessitating manual intervention.
Benzer Tezler
- Self-collision aware reaching and pose control in large workspaces using deep reinforcement learning
Büyük çalışma alanlarında derin pekiştirmeli öğrenme tabanlı kendi kendine çarpışma farkındalığına sahip erişim ve poz kontrolü
TUMUÇİN BAL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ AKGÜN
- Motion planning and control with randomized payloads using deep reinforcement learning
Derin pekiştirmeli öğrenme kullanarak rastgele yükler ile hareket planlama ve kontrol
ALİ DEMİR
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN SEZER
- High-speed trajectory replanning and trajectory tracking for collision avoidance
Çarpışma önlemek için yüksek hızlı rota planlama ve rota takibi
MEHMET HASANZADE
Doktora
İngilizce
2021
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE KOYUNCU
- Towards more reliable medium access control with data-driven spectrum allocation
Veri tabanlı spektrum tahsisi ile daha güvenilir ortam erişim kontrolüne doğru
UMURALP KAYTAZ
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SİNEM ÇÖLERİ ERGEN
- Nesnelerin interneti için adilliğe duyarlı derin pekiştirmeli öğrenme tabanlı GF-NOMA tasarımı
Design of fairness aware deep reinforcement learning-based GF-NOMA for internet of things
ABDULLAH BALCI
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. RADOSVETA İVANOVA SOKULLU