İç mekanlarda zemin yol modeli üzerinde derin öğrenme ile otonom araçların rota takibi

Üretim ortamlarında malzemelerin bir yerden başka bir yere insansız olarak taşınması yıllar boyunca önemli olmuştur. Malzemelerin insansız olarak taşınması için otonom araçlar geliştirilmiştir. Bir otonom araç zeminde bulunan sabit çizgileri, bakır kabloları takip ederek ilerleyebildiği gibi dolaşım için mıknatıs, lazer, radyo dalgası ve görüş kamerası da kullanmaktadır. Otonom araçlarda kendi kendine dolaşım temel bir konudur. Zaman içinde otonom araçlar geliştikçe ve kullanımları arttıkça çözülmesi gereken çeşitli sorunlar ortaya çıkmıştır. Gerçek zamanlı rota takibi, endüstriyel tesislerde kullanılan otonom araçlar için önemli bir araştırma konusudur. Bir otonom aracın hedefine giden rotayı takip ederken rotası üzerindeki diğer nesne veya araçlarla çarpışmaması, rotasında ilerlerken rotasının dolu olması durumunda dinamik olarak başka bir rota seçebilmesi çözülmesi gereken problemler arasındadır. Yapay zekanın gelişmesi ve özellikle derin öğrenmenin ortaya çıkışından sonra otonom araçlarda araştırmalar farklı bir boyuta taşınmıştır. Derin öğrenme mimarilerinden olan evrişimli sinir ağları kameradan alınan ve farklı açılardan elde edilmiş görüntüleri başarılı bir şekilde sınıflandırarak aracın rota takibini yapmasına ve konumu belirlemesine yardımcı olmaktadır. Bu çalışmada, otonom araçların hedeflerine gitmeleri için en kısa rotanın bulunması, bu rotalar üzerinde otonom olarak nasıl ilerleyecekleri, rotalarda ilerlerken diğer bir araçla çarpışma sorunlarının çözümü için derin öğrenme tabanlı bir zemin yolu modeli ve algoritması geliştirilmiştir. Zemin yolu modeli araçların konumlarını da gösteren işaretçilerden (marker) oluşmaktadır. Araçların ilerleyeceği rotalar bu işaretçiler kullanılarak oluşturulmaktadır. Bir rota birbirinden faklı sayıda ve hedefe kadar ilerleyen çok sayıda işaretçi içermektedir. Çakışan kavşaklarda aynı işaretçiler bulunmaktadır. İşaretçilerin üzerindeki değerler artan veya azalan ardışık harf ve sayıdan oluşmaktadır. İşaretçilerden oluşan zemin yolu modeli vektör olarak bir merkezi sunucudan tüm araçlara gönderilmektedir. Görev verilecek araca sunucu tarafından hedef işaretçi adresi gönderilmektedir. Otonom aracın kendisinde yüklü olan algoritma ile hedefe giden tüm rotalar hesaplanarak en kısa olan seçilmektedir. Araç seçilen rotada ilerlemektedir. Araç ilerlerken rotadaki işaretçi görüntüleri aracın kamerası ile algılanmaktadır. Bu görüntülere görüntü işleme yöntemleri uygulanarak araca en yakın işaretçi bulunmaktadır. Elde edilen bu görüntü önceden eğitilmiş bir derin CNN modeliyle sınıflandırılmaktadır. Sınıflandırılan görüntü araca yüklenmiş hedef vektör ile aynı ise araç hedefe doğru ilerlemektedir. Aynı zamanda bu görüntü aracın konumunu belirlemek için sunucuya gönderilmektedir. Sunucudaki bu işaretçi adresi diğer araçlar tarafından bu aracın konumunu belirlemek için kullanılmaktadır. Bu adres araçların çarpışmasını engellemek için de kullanılmaktadır. Eğer bir araç bu işaretçiye yakın bir işaretçide ise diğer aracın ilerlemesini beklemektedir. Sınıflandırılan görüntü araca yüklenmiş hedef vektör ile farklı ise araç çevresindeki diğer işaretçileri aramakta ve bulunan işaretçileri sınıflandırarak algoritmayı sürdürmektedir. Otonom araçlar sensörlerden gelen çok fazla veriyi analiz ettiklerinden büyük veri ile uğraşmaktadırlar. Bu nedenle bu tezde kullanılan otonom araçlarda gerçekleştirilen veri işleme uç hesaplama (Edge Computing) ile yapılmaktadır. Sunucuya ise sadece az miktarda veri gönderilip alınmaktadır. Yapmış olduğumuz deneysel çalışmalar sonucunda araçların rota takibi başarı ile sağlanmıştır. Otonom rota izleme araçları için CNN derin öğrenme modeline dayalı geliştirilen zemin yolu modeli ve algoritması araçların çarpışmasını engelleyerek otonom rota takibini sağlayan bir iç mekân konumlandırma sistemidir. Araçlar, zemin yolu modelinde hedef konuma giden tüm rotaları hesaplayarak en kısa yolu seçmekte ve rotayı yüksek doğrulukla takip etmektedirler.