Deep learning based visual navigation in indoor environments

Derin öğrenme yöntemleri son yıllarda çeşitli alanlarda kullanılmaktadır. Derin öğrenme ve pekiştirmeli öğrenme kombinasyonu ile yapılan son çalışmalarda oldukça verimli sonuçlar elde edilmektedir. Derin öğrenmeye dayalı pekiştirmeli öğrenme, özellikle navigasyon gibi karmaşık robotik görevler için güçlü çözümler sunmaktadır. Mobil robotlar, Derin Pekiştirmeli Öğrenme (DPÖ) ile yeni beceriler kazanmaktadır. Bu tezde, kapalı ortamlardaki karmaşık navigasyon görevlerine derin bir pekiştirmeli öğrenme yaklaşımı önerilmiştir. Ajan olarak insansız bir kara aracı seçilmiş ve gerçek dünya kamera göntüleri ile görsel navigasyon simülasyonu gerçekleştirilmiştir. Proksimal Politika Optimizasyonu (PPO), Çok Katmanlı Sinir Ağları (ÇKSA), Aşırı Öğrenme Makineleri (AÖM), Kalıntı Sinir Ağları (KSA) ve Nöral Diferansiyel Denklem Ağları (NDDA) gibi en iyi işlev yaklaşımlayıcısını bulmak için çeşitli sinir ağ modellerini araştırdık. Bilgimize kadar, DPÖ ile NDDA navigasyon uygulamalarında birlikte kullanılması literatürde önerilmemiştir. Sonuçlar, NDDA tabanlı DPÖ algoritmasının iyi performans gösterdiğini ve iç ortamdaki ajana navigasyon yeteneği kazandırdığını göstermektedir.