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
- Otonom araçlar için pekiştirmeli öğrenme tabanlı şerit değiştirme algoritması geliştirilmesi
Development of a reinforcement learning-based lane change algorithm for autonomous vehicles
ŞEYMA UYGUR
Yüksek Lisans
Türkçe
2025
Otomotiv MühendisliğiGazi ÜniversitesiOtomotiv Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH ŞAHİN
- Swarm fighter aircraft control with deep reinforcement learning approach
Derin pekiştirmeli öğrenme ile sürü savaş uçaklarının kontrolü
METİN SARI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Reinforcement learning for automatic ground collision avoidance system of fighter jets: sequential maneuver primitive approach
Savaş jetlerinin otomatik yer çarpışmasından kaçınma sistemi için pekiştirmeli öğrenme: sıralı manevra primitif yaklaşımı
FATİH EROL
Yüksek Lisans
İngilizce
2025
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAYRİ ACAR
- 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