Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13091/579
Title: Eş zamanlı konumlandırma, haritalandırma uygulamaları ve nesne tanıma tabanlı konumlandırma
Other Titles: Simultaneous localization, mapping applications and object recognition based localization
Authors: Gültekin, Seyfettin Sinan
Erturan, Ahmet Murat
Keywords: Elektrik ve Elektronik Mühendisliği
Electrical and Electronics Engineering
Eş Zamanlı Konumlandırma ve Haritalandırma (SLAM)
Otonom Robotlar
Savunma Teknolojileri ve Savunma Sistemleri Entegrasyonu
Parçacık Filtresi (PF)
Monte Carlo Lokalizasyonu (MCL)
Derin Öğrenme
LIDAR (Light Detection and Ranging)
Simultaneous Localization and Mapping (SLAM)
Autonomous Robots
Defense Technologies and Defense Systems Integration
Particle Filter (PF)
Monte Carlo Localization (MCL)
Deep Learning
LIDAR (Light Detection and Ranging)
Issue Date: 2019
Publisher: Konya Teknik Üniversitesi
Abstract: Eş Zamanlı Konumlandırma ve Haritalandırma (SLAM) problemi, robotun bilinmeyen bir ortamın haritasını oluştururken aynı anda bu ortamda kendisini konumlandırması olarak tanımlanır. LIDAR (Light Detection and Ranging) sensörü gibi bir mesafe sensörü ve teker-açı değerlerinin alındığı odometri sensörü kullanılarak robot ortamın haritasını ve bu ortamda konumunu tahmin eder. Açık alanlarda konum bilgisi Küresel Konumlama Sistemi (GPS) ile yüksek doğruluk oranıyla belirlenebilirken kapalı ortamlarda GPS verilerinin alınamamasından dolayı konum bilgisi belirlenemez. Kapalı ortam konumlandırması özellikle savunma teknolojileri için önemli bir konudur. Robot kapalı bir ortamda sensör verilerini girdi olarak alır ve konum tahmini çıktısı verir. Bu tahmini çeşitli Bayes temelli tahmin yöntemleri kullanarak yapar. En sık kullanılan tahmin yöntemlerinden biri Gauss Dağılımı aranmayan Parçacık Filtresi (PF)' dir. PF temelli Monte Carlo Localization (MCL) yöntemi kullanılarak ortamda konum tahmini yapılır. Robot odometri sensör verisinde hata veya giderilemeyen bir gürültü olmadığı takdirde başarılı tahminler ortaya koyar. Ancak ortamda teker kayması, robot kaçırılması, engele takılma gibi bir problemde robot teker açı verilerini kaybederek konum tahminini yanlış yapar. Bu tez çalışmasında kapalı ortamlarda meydana gelebilecek bir teker verisi kaybında robotun konumlandırılması konusunda nesne tanıma tabanlı, yenilikçi bir yöntem önerilmiştir. Bir Derin Öğrenme modeli olan Faster R-CNN ile eğitilen veri seti sonucunda tanınan iki adet nesnenin konumuna göre robotun konumlandırılması amaçlanmıştır. Bu amaç doğrultusunda yapılan deneysel sonuçlar verilmiş ve robotun klasik tahmin yöntemlerinin başarısız olduğu hatalı teker verisi durumlarında başarılı konum tahmini gerçekleştirdiği görülmüştür. Tez içeriğinde ayrıca bir kapalı ortamın odometri verisi kullanılmadan haritalandırılması ve ölçeklendirilmesi uygulaması yapılmıştır. Eş Zamanlı Konumlandırma ve Haritalandırma (SLAM) konusunda literatürde en çok kullanılan iki yöntem olan Gmapping ve HectorSLAM yöntemleri uygulamaları yapılmış ve bu yöntemlerin avantaj, dezavantajları belirtilmiştir. Savunma teknolojileri ve savunma sistemleri entegrasyonunda önemli bir konu olan kapalı ortam konumlandırması ve kapalı ortam haritalandırması konuları ele alınmış ve önerilen yöntemlerin başarılı sonuçlar verdiği görülmüştür.
Simultaneous Localization and Mapping (SLAM) problem is defined as the robot positioning itself while simultaneously creating a map of an unknown environment. Using a distance sensor such as the LIDAR (Light Detection and Ranging) sensor and an odometry sensor from which the wheel-angle values are taken, the robot estimates the map of the environment and its location. Location information in outdoor environment can be determined with the Global Positioning System (GPS) with high accuracy, while indoor environment cannot be determined due to the lack of GPS data in indoor environments. Indoor environment localization is an important issue especially for defense technologies. In a indoor environment, the robot receives sensor data as input and outputs a position estimate. It makes this prediction using various Bayes-based prediction methods. One of the most commonly used estimation methods is the Particle Filter (PF), which is not required for Gaussian Distribution. PF based Monte Carlo Localization (MCL) method is used to estimate the location of the environment. Robot odometry makes successful predictions if there is no error or irreversible noise in the sensor data. However, in the event of a problem such as wheel slippage, robot hijacking and obstruction, the robot loses angle data and makes the position estimation incorrect. In this thesis, an innovative method based on object recognition has been proposed for positioning the robot in a loss of wheel data that may occur in closed environments. The Faster R-CNN, a Deep Learning model, aims to position the robot according to the position of two recognized objects. For this purpose, experimental results are given and it is seen that the robot performs a successful position estimation in case of faulty wheel data where classical prediction methods fail. In the thesis, mapping and scaling of a closed environment without using the odometry data was performed. Gmapping and HectorSLAM methods, which are the two most commonly used methods in Simultaneous Localization and Mapping (SLAM) in the literature, have been applied and advantages and disadvantages of these methods have been indicated. Indoor positioning and indoor mapping, which is an important issue in the integration of defense technologies and defense systems, were discussed and the proposed methods proved to be successful.
URI: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=4J_FzTwlrMCH4qBROpXPHxA-zKuEtAE9Tj8Q2QWoH2vAhQp14SI960T2njC41vSX
https://hdl.handle.net/20.500.13091/579
Appears in Collections:Tez Koleksiyonu

Files in This Item:
File SizeFormat 
615397.pdf7.76 MBAdobe PDFView/Open
Show full item record

CORE Recommender

Page view(s)

122
checked on Feb 6, 2023

Download(s)

18
checked on Feb 6, 2023

Google ScholarTM

Check


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.