Eş zamanlı konumlandırma, haritalandırma uygulamaları ve nesne tanıma tabanlı konumlandırma

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. Anahtar Kelimeler: 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)