Kapalı Ortamlarda Otonom İnsansız Hava Sistemlerinin Geliştirilmesi

Abstract

İnsansı görevlerin robotlara yaptırılma ihtiyacı, tıpkı insanlar gibi, kendi kararlarını veren ve buna göre bir görev gerçekleştiren otonom mobil robot uygulamalarını ortaya çıkarmıştır. Bir otonom robot bulunduğu ortamın geometrik yapısını bilmeli, buna göre kendini konumlandırmalı ve son olarak bu bilgilere dayanarak görev noktasına doğru bir hareket yörüngesi oluşturmalıdır. İnsanlarla aynı ortamı paylaşan otonom robotlar geliştirmek için Küresel Konumlandırma Sistemi (Global Positoning System (GPS))'nin yetersiz olduğu iç ortamlarda, farklı sensörlerle mobil robotu konumlandırmaya yönelik Odometri ve Eşzamanlı Konumlandırma ve Haritalama (Simultaneous Localization and Mapping (SLAM)) çalışmaları mevcuttur. Son on yılda araştırmacılar, işlemci hızındaki gelişmeler nedeniyle, maliyet olarak düşük monoküler kameralar ile gerçekleştirilen Görsel Odometri (Visual SLAM (VO)) ve Görsel SLAM (Visual SLAM (VSLAM)) yöntemlerine odaklanmıştır. Ayrıca son zamanlarda, kameralara ek olarak, düşük maliyetli Atalet Ölçü Birimi (Inertial Measurement Unit (IMU)) sensörleri içeren VISLAM ve VIO çözümleri, konumlandırmaya sağladığı katkı nedeni ile sıklıkla tercih edilmeye başlamıştır. Şimdiye kadarki çözümler, genellikle geleneksel geometrik tabanlı çözümler içerirler. Bu klasik yöntemlerle gerçek karmaşık dünyanın iyi temsili çok zor olduğundan, genellikle güvenilir sonuçlar elde edilmez ve ayrıca elle ayarlanan özelliklere çok bağımlıdırlar. Bu nedenle günümüzde geleneksel çözümlerin yerini, farklı ortamlara uyarlanabilmesi ve uygulama kolaylığı sağlaması açısından Yapay Zekâ tabanlı çözümler almaktadır. Bu tez çalışması yukarıda bahsedilen bilgiler ışığında, GPS erişimi olmayan iç ortamlarda otonom bir İnsansız Hava Araçları (İHA) geliştirilmesi için üç farklı uygulama önermektedir. İlk uygulama iç ortamda hareket eden bir İHA'nın konumunu tahmin etmek için derin öğrenme tabanlı hibrit bir mimari ile görsel ve IMU bilgilerine dayalı bir çalışma sunmaktadır. İkinci uygulama IMU bilgisini görüntüye dönüştüren ve İHA'nın konumu yanında açı bilgisini de başarılı bir şekilde tahmin eden yapay zekâ tabanlı farklı bir VIO uygulamasını farklı bir füzyon tekniğiyle gerçekleştirmektedir. Son uygulama bir üç boyutlu ortamda, konum bilgisi bilinen bir İHA için yeni bir yol planlama yöntemi önermektedir. Üstelik yeni bir yol planlama yönteminin yanında, önerilen yöntem için optimizasyon ve Yapay Zeka tabanlı bir uygulama geliştirilmiş, ve sonuçta gerçek zamanlı bir yol planlaması sağlanmıştır. Üç uygulama da iç ortamda otonom bir İHA geliştirilmesi için yeni yöntemler sunmaktadır. Tüm yöntemler önceki çalışmaların büyük bir kısmına üstünlük sağlayacak performans gösterirler. Ayrıca gerçekleştirilen uygulamalar gerçek zamanlı sistemlerde çalışabilecek niteliktedir.

The need for humanoid tasks to be performed by robots has led to autonomous mobile robot applications that make their own decisions and perform a task accordingly, just like humans. An autonomous robot must know the geometric structure of its environment, position itself accordingly, and finally, based on this information, it must create a movement trajectory towards the task point. In order to develop autonomous robots sharing the same environment with humans, there are Odometry and Simultaneous Localization and Mapping (SLAM) studies to localize the mobile robot with different sensors in indoor environments where the Global Positioning System (GPS) is insufficient. In the last decade, researchers have focused on Visual SLAM (VO) and Visual SLAM (VSLAM) methods performed with cost-effective monocular cameras due to improvements in processor speed. In addition to cameras, VISLAM and VIO solutions, which include low-cost Inertial Measurement Unit (IMU) sensors, have recently been preferred because of their contribution to localization. Solutions so far often include traditional geometric-based solutions. Because the good representation of the real complex world is very difficult with these classical methods, reliable results are often not obtained and they are also very dependent on manually adjusted parameters. Therefore, nowadays, traditional solutions are replaced by Artificial Intelligence-based solutions in terms of adaptability to different environments and ease of application. In the light of the above-mentioned information, this thesis proposes three different applications for the development of an autonomous Unmanned Aerial Vehicle (UAV) in GPS-denied indoor environments. The first application offers a deep learning-based hybrid architecture and visual and IMU information-based work to predict the position of a UAV moving indoors. The second application implements a different artificial intelligence-based VIO application with a different fusion technique, which transforms the IMU information into an image and successfully estimates the angle information as well as the position of the UAV. The last application proposes a new path planning method for a UAV with known position information in a three-dimensional environment. Moreover, in addition to a new path planning method, an optimization and Artificial Intelligence-based application has been developed for the proposed method, resulting in real-time path planning. All three applications offer new methods for the development of an autonomous UAV in the indoor environment. All methods showed the performance to outperform most previous studies. In addition, the applications realized are capable of working in real-time systems.