Mobil robotlarda engelden kaçınma için RGB+HHA verisiyle derin öğrenme tabanlı anlamsal bölütleme

Otonom mobil robotların iç mekanlarda güvenli bir şekilde hareket edebilmesi için robotun engellerden kaçınarak yön bulması önemli bir araştırma konusudur. Robotun engellerden sakınması büyük ölçüde etrafın doğru bir şekilde algılanmasına bağlıdır. Dolayısıyla robotun etrafını algılamak için kullandığı ham veri tipi ve bu veriden elde edeceği anlamlı bilgi engellerden sakınma performansını doğrudan etkilemektedir. Engellerden kaçınarak yön bulma konusunda derin öğrenme tabanlı anlamsal bölütleme mimarileri önemli bir potansiyel taşımaktadır. Ancak, literatürde bu konuda yapılan çalışmalar henüz yeterince kapsamlı değildir ve kullanılan görsel veriler özellikle geometrik bilgilerin eksikliği nedeniyle sınırlı sonuçlar vermektedir. Bu tez çalışmasında, yalnızca imge verisi (RGB) değil aynı zamanda yatay farklılık, yerden yükseklik ve yer çekimi açısı (HHA) gibi geometrik öznitelikler kullanılarak anlamsal bölütleme mimarilerinin başarılarının arttırılması amaçlanmaktadır. Bu yaklaşım, sahnenin geometrik özelliklerini daha doğru bir şekilde modellemeyi ve böylece hem anlamsal bölütleme doğruluğunu hem de robotun engellerden kaçınma yolunun kalitesini iyileştirmeyi hedeflemektedir. 6 kanallı RGB+HHA veri tipini kullanabilmek için ileri düzey anlamsal bölütleme mimarileri uyarlanmıştır. Ayrıca, robotların engellerden kaçınmasını sağlamak amacıyla oluşturulan yerel yol planında küresel yol planlama yaklaşımlarından olan A* algoritması ile Genelleştirilmiş Voronoi Çizgesi (GVD) birlikte kullanılarak en verimli yerel planın yapılması amaçlanmaktadır. NYU Depth V2, SUN RGB-D ve Koridor veri kümeleri kullanılarak elde edilen RGB, RGB+Derinlik (RGB+D) ve RGB+HHA veri tipleri ile yapılan testler anlamsal bölütleme doğruluğu, yerel yol plan kalitesi ve bir sahneyi bölütlemek için gerekli süre kriterleri kullanılarak değerlendirilmiştir. Deneysel sonuçlar, tüm veri kümelerinde RGB+HHA veri tipinin diğer veri tiplerine göre anlamsal bölütleme doğruluğunu (ACC) en az %1 oranında artırdığını ve kesiştirilmiş bölgeler ölçütünün ortalaması (MIoU) değerinde %3'lük bir iyileşme sağladığını göstermektedir.