Sensör birleştirme teknikleri kullanılarak otonom robotik bir sistemin geliştirilmesi

Otonom robotların çalışma prensibi temel olarak, ortamda bulunan sensörlerden elde edilen verilerin robotlar tarafından işlenip anlamlandırılması ve anlamlandırılan bu verilere karşı tepki oluşturulmasına dayanmaktadır. Otonom yapıya sahip robotik sistemlerin insan, hayvan veya yük taşımacılığında kullanılan araçlara aktarılması ile otonom araçlar kavramı ortaya çıkmaktadır. Özellikle insan hayatı söz konusu olduğunda, karar verme yetisine sahip otonom sistemlerin veya araçların daha donanımlı, kararlı ve yetkin olması gerekmektedir. Dolayısıyla otonom eylemleri sağlayacak kararı verme hususunda, otonom araçlarda kullanılacak olan sensörlerin nitelikleri çok önemlidir. Öte yandan, sensörlerin birbirlerine göre avantaj veya dezavantaja sahip olmaları onların birlikte kullanımını gerekli kılmaktadır. Birden fazla sensörün sağladığı veriler birleştirilerek kullanıldığında daha olumlu sonuçlar verebilmektedir. Yapılan tez çalışmasında, araştırmalar sonucunda elde edilen bilgiler ışığında sensör birleştirme uygulamasının yapılabilmesi için yeni bir yöntem üzerinde çalışılmıştır. Yapılan uygulamalarda daha önce Massachusetts Teknoloji Enstitüsü (MTE) Otonom Yarış Aracı (OYT) projesi temel alınarak OpenZeka firmasının düzenlediği yarışmalarda kullanılan Otonom Araç Geliştirme Kiti'nden faydalanılmıştır. Araç üzerinde bulunan kamera ve lazerli görüntüleme algılama ve mesafe (LIDAR) sensör verileri arasında sensör birleştirme işlemi gerçekleştirilmiştir. Robotik-Otomasyon ve Kontrol Laboratuvarı (RAKLAB) bünyesinde araç kiti için bir parkur oluşturulmuştur. Bu parkurda, otonom araç kiti üzerinde bulunan kamera ve LIDAR sensörlerinden alınan verilerin birleştirmesinden önceki parkurda sergilediği performans ile birleştirildikten sonraki performansları değerlendirilmiş ve otonom sürüş sistemine olan katkısı irdelenmiştir. Öncelikle, parkurdan alınan kamera görüntüleri Derin Öğrenme (DÖ) algoritmalarından biri olan Konvolüsyonel Sinir Ağları (KSA) modelinde eğitilmiştir. Sonrasında, LIDAR sensöründen elde edilen nokta bulutundaki veriler gri seviyeli piksel değerlerini içeren görüntülere çevrilmiş ve eğitilmiştir. Son olarak, kamera ve LIDAR görüntüleri KSA ağ modelinin Tam Bağlı Katmanlarında (TBK) birleştirilerek eğitilmiştir. Yapılan birleştirme işlemi sonrasında elde edilen eğitim sonuçları kurulan parkurda gerçek zamanlı olarak otonom araç kiti ile denenmiştir. Tek başına kameradan ve tek başına LIDAR sensöründen kaynaklanan hatalar en aza indirilmiştir.