Geri Dön

Otonom mobil robotlarda doğruluk ve hız odaklı lokalizasyon algoritmalarının geliştirilmesi, uygulaması ve karşılaştırmalı analizi

Development, implementation, and comparative analysis of accuracy and speed-oriented localization algorithms in autonomous mobile robots

  1. Tez No: 942778
  2. Yazar: OZAN VAHİT ALTINPINAR
  3. Danışmanlar: PROF. DR. VOLKAN SEZER
  4. Tez Türü: Doktora
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 260

Özet

Son yıllarda, otonom mobil robotların günlük yaşantımıza olan olumlu etkileri önemli ölçüde artmıştır. İnsanların hayatını kolaylaştıran bu olumlu etkiler; temizlik ve hizmet sektöründen lojistik sektörüne, sağlık sektöründen akıllı fabrikalara kadar birçok alanda net bir şekilde kendisini göstermektedir. Bu robotların, kendilerine verilen görevleri düzgün ve eksiksiz bir şekilde yapabilmeleri, hedef noktasına hem en kısa yoldan hem de güvenli bir şekilde varabilmeleri için otonomi alanında kullanılan birtakım algoritmanın birbiriyle uyumlu ve koordineli bir şekilde çalışması gerekir. Bu algoritmalardan en temel olanları; rota planlama, engelden kaçma ve lokalizasyon (pozisyon tahmin) algoritmalarıdır. Otonom mobil robotlar dış mekânda çalışıyorlarsa GNSS (Global Navigation Satellite System) gibi uydu sistemleri, yüksek doğrulukta konum bilgisi sağlayabildiklerinden çok kullanışlı sistemlerdir. Ancak, bu otonom mobil robotlar hastane, fabrika ve ev gibi kapalı alanlarda çalışıyorsa GNSS pek tercih edilmez; çünkü ağaçlar, bina malzemeleri, vb. GNSS sinyallerinin iç mekâna düzgün bir şekilde ulaşmasını engelleyebilir. Bu nedenle, konum bilgilerinin daha doğru bir şekilde elde edilebilmesi için dayanıklı ve yüksek doğruluğa sahip iç mekân lokalizasyon algoritmaları tercih edilir. Tam bir lokalizasyon problemi üç alt problemden oluşmaktadır: lokal lokalizasyon (öz-pozisyon takibi), global (küresel) lokalizasyon ve kaçırılmış robot problemleri. Lokal lokalizasyon probleminde, robotun başlangıç konumunun bilindiği varsayılmaktadır. Bu problemi çözen algoritmanın yapacağı iş, bu noktadan itibaren robotun pozisyonunu yüksek doğrulukta tahmin etmektir. Global lokalizasyon problemi ise lokal lokalizasyon problemine göre nispeten daha zordur; çünkü bu problemde robotun başlangıç konumu bilinmemektedir. Global lokalizasyon problemini çözecek algoritmanın önce robotun konumuna doğru bir şekilde yakınsaması daha sonra da düzgün bir şekilde robotu takip edebilmesi gerekmektedir. Kaçırılmış robot problemi ise robotun çevresel şartlardan dolayı kayması, çukura girip çıkması gibi ani pozisyon değişimlerinde oluşan pozisyon hatasını algılama problemidir. Bu problemi çözebilme kabiliyetine sahip algoritmanın gücünü test etmek için hem simülasyon hem de gerçek ortamda dışardan müdahale ile robotun pozisyonu aniden değiştirilebilir. Literatürde en popüler global lokalizasyon algoritmaları parçacık filtre tabanlı Monte Carlo lokalizasyon (MCL) algoritmaları iken, lokal lokalizasyon problemini ise hem parçacık filtre hem de Kalman filtre tabanlı lokalizasyon algoritmaları çözebilir. Bu tez kapsamında ilk olarak, lokal lokalizasyon problemini iki boyutlu ızgara haritalarda hem hızlı hem de yüksek doğrulukta çözebilen dayanıklı bir lokalizasyon algoritması geliştirilmiştir. Öncelikle, ızgara haritalarda kenar ve köşe gibi doğal özellikleri çıkarmaya gerek kalmadan harita üzerine sanal dinamik nokta landmark veya işaretçi atayıp önceden belirlenmiş kurallara göre gerçek LiDAR ölçümlerini kullanarak özellik çıkarmaya yarayan bir algoritma geliştirilmiştir.“Sanal Dinamik Nokta Landmark (İşaretçi): SDNL(İ)”atama ve çıkarma algoritması olarak adlandırılan bu algoritma sayesinde, haritalarda köşe ve kenarlar sınırlı sayıda olsa bile az hatalı pozisyon tahminleri yapılabilmektedir. Bu algoritma özellik tabanlı genişletilmiş Kalman filtre (extended Kalman filter: EKF) lokalizasyon algoritmaları için geliştirilmiş olup çıkarılan sanal nokta işaretçilerinden alınan ölçüm eşleşmeleri EKF'nin ölçüm güncelleme veya düzeltme bölümünde kullanılmaktadır. Bu alanda ikinci yenilik ise yapısal hatalar ve gürültüler içeren ızgara haritaların pozisyon tahmini üzerindeki olumsuz etkisini gidermek ve bu hataları telafi etmek için EKF lokalizasyon algoritması modifiye edilmiştir. SDNL algoritmasını kullanan modifiye edilmiş EKF lokalizasyon algoritmasına da kısaca“MEKF-SDNL”lokalizasyon algoritması denilmiştir. Bu algoritma sayesinde daha doğru pozisyon tahminleri daha hızlı güncellenerek yapılabilmektedir. Ayrıca özellik bakımından sınırlı, düz duvardan oluşan haritalarda bile iyi performansta çalışabilmektedir. İkinci olarak, literatürde var olan ve global lokalizasyon problemini çözmede etkili“Kendinden Uyarlamalı Monte Carlo Lokalizasyon: KU-MCL”algoritmasında bulunan benzer enerji bölgelerini daha optimal bir şekilde belirlemeye yönelik geliştirmeler yapılarak yeni bir algoritma geliştirilmiş ve“KU*-MCL”olarak adlandırılmıştır. Benzer enerji bölgelerinin daha düzgün ve optimal belirlenmesi sayesinde sınırlı ve sabit sayıdaki parçacıkların robotun konumuna yakınsama hızı artmaktadır. Böylece daha az hataya sahip konum tahminleri yapılabilmektedir. Son olarak, geliştirilen MEKF-SDNL lokal lokalizasyon algoritması ile KU*-MCL global lokalizasyon algoritmasının hibrit olarak çalıştırılması sağlanmıştır. KU*-MCL algoritması global lokalizasyon problemini çözerken, parçacıklar robotun konumuna yakınsadıktan birkaç adım sonra yerini MEKF-SDNL algoritmasına bırakmaktadır. Problem lokal lokalizasyon problemine indirgendiğinde bu problemi çözmede daha kabiliyetli olan MEKF-SDNL algoritmasına yol verilmektedir. Böylece geliştirilen hibrit lokalizasyon algoritması kullanılarak tüm lokalizasyon problemleri çözülebilmektedir. Geliştirilen lokalizasyon algoritmaları adil koşullarda hem kendi aralarında hem de açık kaynak olarak erişilebilen ve literatürdeki en popüler algoritmalardan biri olan AMCL (Adaptive Monte Carlo Localization) algoritması ile karşılaştırılmalı olarak test edilmiştir. Performans deneyleri hem simülasyon ortamında hem de gerçek ortamda yapılmıştır. Simülasyon deneylerinin büyük bir bölümü MATLAB ortamında oluşturulan çevre ve haritalar kullanılarak yapılmıştır. Bunun yanında ROS ile çalışan ve gerçek dünyaya yakın deneylerin yapılmasına imkan sağlayan Gazebo simülatörü kullanılarak da deneyler gerçekleştirilmiştir. Gerçek dünya deneyleri ise İTÜ MUAM ve SASlab koridoruyla SASlab içinde oluşturulan platform içinde yapılmıştır. Laboratuvar koridorlarında yapılan deneylerde, otonom mobil robot olarak önceden tasarlanmış otonom sürüş kabiliyetine sahip tekerlekli sandalye kullanılmıştır. Platform içinde yapılan deneylerde ise Turtlebot3 burger ve waffle_pi model mobil robotları kullanılmıştır. Tekerlekli sandalye ile yapılan deneylerde algoritmaların pozisyon tahmin performanslarını belirleyebilmek için robotun geçtiği gerçek noktaları tespit etmek amacıyla laboratuvar ortamında bir yer gerçeği çıkarma cihazı icat edilmiştir. Geliştirilen lokalizasyon algoritmalarının tamamı MATLAB ortamında tasarlanmış ve kodlanmıştır. Gerçek zamanlı simülasyon ve gerçek ortam deneyleri, MATLAB ile ROS arasındaki bağlantı sağlanarak gerçekleştirilmiştir. Gerçek dünyaya yakın, gerçek zamanlı simülasyon deneyleri için ROS ile çalışan Gazebo simülatörü kullanılmıştır. Hem simülasyon hem de gerçek ortam deneylerini Rviz ortamında görselleştirebilmek için gerekli dönüşümlerin yapıldığı ROS düğümü, Python programlama dili kullanılarak oluşturulmuştur. Deney sonuçlarına bakıldığında, öncelikle MATLAB ortamında hazırlanan test düzeneğinde, haritaya belirli seviyelerde gürültüler eklenmiştir. Bu gürültülü haritalarda yapılan pozisyon takip deneylerinin tamamında en iyi performansa sahip algoritma MEKF-SDNL algoritması olurken, ortalama iki boyutlu pozisyon hatası 3 cm'nin aşağısındadır. Gerçek dünyaya daha yakın bir test platformu olan Gazebo simülatöründe yapılan gerçek zamanlı navigasyon deneyinde MEKF-SDNL algoritmasının ortalama iki boyutlu pozisyon tahmin hatası yaklaşık 3 cm olurken, AMCL algoritmasının ortalama pozisyon tahmin hatası ise 4.18 cm olarak kaydedilmiştir. Otonom sürüş kabiliyetine sahip tekerlekli sandalye kullanılarak yapılan pozisyon takip deneylerinin ilkinde MEKF-SDNL algoritmasının ortalama 2B pozisyon tahmin hatası yaklaşık 7 cm çıkarken, AMCL algoritması için bu hata 43.78 cm'dir. İkinci deneyde ise MEKF-SDNL algoritmasının ortalama 2B pozisyon tahmin hatası 9.72 cm iken AMCL algoritması için bu hata 18.64 cm'dir. MATLAB ortamında yapılan global lokalizasyon ve robot kaçırma deneylerinde ise KU*-MCL algoritması robotun gerçek konumuna 1.15 adımda yakınsarken, orijinal KU-MCL algoritması 1.27 adımda yakınsayabilmiştir. Bu sonuca göre, KU*-MCL algoritması robotun gerçek konumuna yaklaşık olarak 9.45% daha hızlı yakınsamıştır. Son olarak önerilen KU*-MCL+MEKF-SDNL hibrit lokalizasyon algoritmasının performansını test etmek için hazırlanan test platformunun içinde robot kaçırma deneyi yapılmıştır. Yapılan deney sonucunda, KU*-MCL+MEKF-SDNL algoritmasının 2B pozisyon hatası ortalama 5.66 cm iken bu hata KU*-MCL algoritmasında 7.31 cm, orijinal KU-MCL algoritmasında 31.02 cm'dir. Orijinal KU-MCL algoritmasında ortalama hatanın fazla olmasının nedeni ise robot 3. bölgeye kaçırıldığında eski yöntemle belirlenen benzer enerji bölgelerine atanan parçacıkların, robotun konumunu başta çok büyük hatayla tahmin etmesindendir. Ancak algoritma bir süre sonra robotun doğru konumuna yakınsayabilmiştir. AMCL algoritması ise robotun kaçırıldığı hiçbir bölgeyi zamanında doğru bir şekilde tahmin edememiştir. Bu nedenle AMCL'in lokalizasyon hatası oldukça fazladır. Sonuç olarak, lokalizasyon alanında üç farklı yenilik gerçekleştirilmiştir. Bunlardan ilki lokal lokalizasyon kısmında, kısaltması MEKF-SDNL olan, hızlı ve yüksek doğrulukta pozisyon tahmin performansına sahip yeni bir lokalizasyon algoritması literatüre kazandırılmıştır. İkincisi, literatürde var olan ve kısaltması KU-MCL olan global lokalizasyon algoritmasındaki parçacıklarının daha akıllı bir şekilde atandığı benzer enerji bölgelerinin daha düzgün ve optimal bir şekilde belirlenebildiği bir yöntem geliştirilmiş ve bu yöntemi içeren algoritmaya kısaca KU*-MCL denilmiştir. Son olarak, KU*-MCL ile MEKF-SDNL lokalizasyon algoritmalarının hibrit olarak çalıştığı ve bahsedilen algoritmalardan daha iyi lokalizasyon performansına sahip yeni bir global lokalizasyon algoritması önerilmiştir.

Özet (Çeviri)

In recent years, the integration of autonomous mobile robots into various aspects of daily life has exhibited a marked increase, particularly in domains requiring efficiency, precision, and autonomy. These systems have demonstrated tangible benefits across a wide range of applications, including cleaning and service industries, logistics, healthcare, and smart manufacturing environments. The successful execution of assigned tasks by autonomous robots—particularly in achieving target locations via the most optimal and safe trajectories—requires the seamless and coordinated operation of multiple algorithmic modules within the autonomy framework. Among these, core components include path planning, obstacle avoidance, and localization (position estimation) algorithms. In outdoor scenarios, Global Navigation Satellite Systems (GNSS) are extensively utilized due to their ability to deliver high-accuracy positioning data. However, in indoor environments such as hospitals, industrial facilities, and residential settings, the utility of GNSS is severely limited. This limitation arises primarily from signal degradation and blockage caused by structural elements like walls, ceilings, and dense materials, which obstruct satellite signal propagation. Therefore, in such environments, the development of robust and high-precision indoor localization algorithms becomes essential to ensure reliable positional awareness and effective autonomous navigation. A complete localization problem in autonomous mobile robotics can be decomposed into three subproblems: local localization (also known as position tracking), global localization, and the kidnapped robot problem. In the local localization scenario, the initial position of the robot is assumed to be known. The objective of an algorithm addressing this problem is to accurately estimate the robot's position over time, starting from the known initial state. In contrast, global localization is inherently more challenging, as it assumes no prior knowledge of the robot's initial location. An effective global localization algorithm must first converge accurately to the robot's true pose and subsequently continue to track its movement with high precision. The kidnapped robot problem refers to situations in which the robot undergoes abrupt changes in position due to external disturbances—such as slipping, drifting, being lifted and relocated, or traversing uneven terrain—resulting in a significant discrepancy between its estimated and actual position. Algorithms capable of solving this problem must be able to detect and recover from such unexpected localization errors. To evaluate the robustness of these algorithms, experiments can be conducted both in simulation and in real-world environments by artificially introducing sudden positional displacements. In the literature, the most widely adopted solutions for global localization are particle filter-based algorithms, particularly Monte Carlo Localization (MCL). On the other hand, local localization problems can be effectively addressed using both particle filters and Kalman filter-based approaches. The Bayesian filtering framework constitutes the theoretical foundation of a wide range of localization algorithms. This probabilistic approach enables the estimation of a belief state over the robot's pose, which can be represented either as a unimodal Gaussian distribution or a more general, potentially multimodal, probability distribution. For pose estimation under the assumption of a unimodal Gaussian distribution and nonlinear robot motion models, parametric methods such as the Extended Kalman Filter (EKF) and the Unscented Kalman Filter (UKF) are commonly employed. In contrast, non-parametric approaches such as the Particle Filter (PF) allow for the representation and estimation of arbitrary, multimodal distributions over the robot's pose, thereby offering greater flexibility in more complex and uncertain environments. In other words, while Kalman filter-based localization algorithms are well-suited for solving local localization problems with smooth and predictable state transitions, particle filter-based algorithms are capable of addressing both local and global localization tasks by effectively managing the inherent nonlinearity and non-Gaussianity of the belief space. Within the scope of this thesis, a robust localization algorithm has been developed to effectively solve the local localization problem on two-dimensional grid maps with both high accuracy and computational efficiency. Initially, a novel feature extraction algorithm has been proposed, which eliminates the need to detect natural features such as edges and corners in grid maps. Instead, the algorithm assigns virtual dynamic point landmarks (VDPLs) to the map according to predefined rules and extracts meaningful features by matching them with real LiDAR measurements. This process, referred to as the“Virtual Dynamic Point Landmark: VDPL”assignment and extraction algorithm, allows for low-error pose estimation even in environments where traditional structural features like corners and edges are sparse or poorly defined. The proposed VDPL algorithm is specifically designed to integrate with feature-based EKF localization frameworks, wherein the measurement updates (corrections) of the EKF rely on associations between observed sensor data and the virtual landmarks. The second major contribution in this domain involves enhancing the robustness of the EKF algorithm against structural inconsistencies and noise inherent in grid maps. To mitigate the negative effects of such artifacts on pose estimation, the EKF localization algorithm has been modified accordingly. The resulting algorithm, which incorporates the VDPL approach into a modified EKF framework, is referred to as the“Modified EKF with Virtual Dynamic Point Landmark”(MEKF-VDPL). This enhanced algorithm demonstrates improved accuracy in position estimation and offers faster update rates. Moreover, it performs reliably even in feature-scarce environments—such as maps consisting predominantly of flat, featureless walls—thereby expanding the applicability of EKF-based localization systems in structurally minimalistic indoor settings. Secondly, enhancements have been made to the well-established Self Adaptive Monte Carlo Localization (SA-MCL) algorithm—widely recognized in the literature for its effectiveness in addressing the global localization problem—with the aim of optimizing the identification of similar energy regions within the belief space. As a result, a novel variant has been proposed, referred to as SA*-MCL (KU*-MCL in Turkish), which improves the accuracy and efficiency of particle redistribution by more precisely and optimally detecting these high-probability regions. This refinement significantly accelerates the convergence of a fixed and limited number of particles toward the true robot pose, thereby enabling more accurate pose estimations with reduced localization error. Finally, a hybrid localization framework has been developed by integrating the proposed MEKF-VDPL algorithm for local localization with the improved SA*-MCL algorithm for global localization. In this hybrid system, the SA*-MCL algorithm initially handles the global localization phase by guiding the particle set toward the correct pose estimate. Once convergence is achieved within a few update steps, control is seamlessly transferred to the MEKF-VDPL algorithm, which is more suitable and efficient for solving the local localization problem. This transition ensures that each phase of the localization process is handled by the algorithm best suited for its characteristics. The developed localization algorithms have rigorously been evaluated under fair and consistent experimental conditions through comparative analysis, both among themselves and against one of the most widely adopted open-source algorithms in the literature—Adaptive Monte Carlo Localization (AMCL). Performance evaluations were conducted in both simulated and real-world environments to ensure comprehensive validation. A significant portion of the simulation experiments was carried out using custom-designed environments and maps developed in the MATLAB® simulation environment. In addition, experiments were also performed using the Gazebo simulator, which is integrated with the Robot Operating System (ROS) and allows for more realistic and physics-based simulation scenarios that closely mimic real-world conditions. Real-world experiments were conducted in the corridors of the Istanbul Technical University (ITU) MUAM and SASLab facilities, as well as within a structured experimental platform located inside SASLab. In corridor-based experiments, an autonomous wheelchair—pre-equipped with autonomous navigation capabilities—was utilized as the mobile robotic platform. For platform-based experiments, TurtleBot3 burger and waffle_pi mobile robots were employed as test agents. To accurately quantify the pose estimation performance of the algorithms during wheelchair-based experiments, a custom-designed ground truth acquisition device was developed in the laboratory environment. This device enabled precise tracking of the wheelchair's actual trajectory, thereby allowing for the calculation of localization error metrics and facilitating detailed performance comparisons across different algorithms. All of the proposed localization algorithms were designed and implemented within the MATLAB environment. Real-time simulations and real-world experiments were conducted by establishing an interface between MATLAB and the ROS, enabling seamless communication and data exchange between the two platforms. For realistic and real-time simulation experiments, the Gazebo simulator—natively integrated with ROS—was utilized to emulate physical environments with high fidelity. In order to visualize both simulation and real-world experimental results in the RViz visualization environment, a custom ROS node was developed using the Python programming language. This node performed the necessary data conversions and message transformations to ensure proper representation of localization outputs and sensor data within ROS-compatible visualization frameworks. In real-time navigation experiments conducted within the Gazebo simulator—a platform that more closely approximates real-world conditions—the MEKF-VDPL algorithm maintained its high accuracy, yielding an average 2D position estimation error of approximately 3 cm. In comparison, the widely used AMCL algorithm recorded an average positional error of 4.18 cm under the same test conditions. In the first position tracking experiment conducted using the autonomous wheelchair platform, the proposed MEKF-VDPL algorithm achieved an average two-dimensional (2D) position estimation error of approximately 7 cm. In contrast, the AMCL algorithm yielded a significantly higher average error of 43.78 cm under identical test conditions. In the second experiment, the MEKF-VDPL algorithm maintained robust performance with an average 2D positional error of 9.72 cm, while the AMCL algorithm exhibited a comparatively higher error of 18.64 cm. In the global localization and kidnapped robot experiments conducted within the MATLAB simulation environment, the proposed SA*-MCL algorithm demonstrated faster convergence to the robot's true pose, achieving convergence in an average of 1.15 steps. In comparison, the original SA-MCL algorithm required 1.27 steps on average to converge. These results indicate that the SA*-MCL algorithm achieves approximately 9.45% faster convergence relative to its original counterpart. To further evaluate the performance of the proposed hybrid localization framework, SA*-MCL+MEKF-VDPL, a kidnapped robot experiment was conducted within the custom-designed test platform. The results revealed that the hybrid algorithm achieved an average two-dimensional (2D) positional error of 5.66 cm, whereas the SA*-MCL algorithm exhibited an error of 7.31 cm, and the original SA-MCL algorithm produced a significantly higher error of 31.02 cm. The considerable increase in average error for the original SA-MCL algorithm is primarily attributed to its failure to adequately localize the robot when it was abruptly relocated to Zone 3. Specifically, the particles assigned to the similar energy regions—defined using the legacy method—initially yielded severely inaccurate pose estimates. Although the algorithm eventually converged to the correct pose over time, the initial estimation error substantially degraded overall performance. Furthermore, the AMCL algorithm failed to correctly and promptly estimate the robot's pose in any of the tested relocation scenarios, highlighting its limitations in handling abrupt state transitions characteristic of the kidnapped robot problem. Therefore, AMCL had a high localization error. In conclusion, three distinct contributions have been made in the domain of localization. The first contribution pertains to local localization, where a novel algorithm called MEKF-VDPL (Modified Extended Kalman Filter with Virtual Dynamic Point Landmark) has been introduced. This algorithm demonstrates high-accuracy and computationally efficient pose estimation performance, and represents a new addition to the state-of-the-art in feature-based localization. The second contribution involves a methodological enhancement to the well-established SA-MCL (Self-Adaptive Monte Carlo Localization) algorithm. A more principled and optimal mechanism was developed for defining similar energy regions, enabling more intelligent particle initialization and distribution. The improved variant incorporating this method is denoted as SA*-MCL. Finally, a hybrid localization framework has been proposed by integrating the SA*-MCL algorithm for global localization with the MEKF-VDPL algorithm for local pose tracking. This hybrid approach allows for seamless transition between global and local localization phases, thereby yielding a unified and robust solution capable of addressing the full spectrum of localization challenges in autonomous mobile systems.

Benzer Tezler

  1. Tez No

    657666

    A social navigation approach for mobile assistant robots

    Asistan mobil robotlar için sosyal bir navigasyon yaklaşımı

    HASAN KIVRAK

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HATİCE KÖSE

  2. Tez No

    933225

    Modeling and path tracking control of a four-wheel drive automated guided vehicle

    Dört çeker otonom aracın modellenmesi ve yol takip kontrolü

    ALPER DOĞRU

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. SENEM KURŞUN

  3. Tez No

    821593

    İnsan - endüstriyel mobil robot etkileşiminde yeni bir yaklaşım: derin öğrenme tabanlı kriter tespit ve analizi ile güvenlik önlem boyutu belirleme

    In human - industrial mobile robot interaction a new approach: safety measure size determination with deep learning based criteria detection and analysis

    TARIK ASLAN

    Doktora

    Türkçe

    Türkçe

    2023

    Mühendislik Bilimleriİstanbul Gedik Üniversitesi

    İş Sağlığı ve Güvenliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA YAĞIMLI

  4. Tez No

    856246

    Integrating computing vision with deep learning for autonomous robot navigation

    Otonom robot navigasyonu için derin öğrenme ile bilgisayar vizyonunu entegre etmek

    WALEAD KALED SLEAMAN

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ Ali HAMİTOĞLU

  5. Tez No

    350622

    Gesture imitation learning in human-robot interaction

    Taklit yolu ile hareket öğrenme ınsan robot etkileşimi

    ITAUMA ISONG ITAUMA

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. HATİCE KÖSE-BAĞCİ

Geri Dön