Gezgin robotlarda eğiticisiz, sürekli ve aktif nesne öğrenimi

Bu tez, gezgin robotlarda otonom nesne kavrama konusu ile ilgilidir. Açık dünya ortamlarında temel sorun, yeni nesnelerin sık sık ortaya çıkması ve dolayısıyla etiketli verilerin mevcut olmamasıdır. Bu koşullar otonom nesne kavramasını mümkün kılan gözetimsiz ve sürekli öğrenme yöntemlerini gerektirir. Ayrıca, gezgin robotların doğasında var olan hareket kabiliyeti, onların nesne anlayışını geliştirmek için çevreyi keşfetmesine ve çeşitli duyusal bilgi toplamasına olanak tanıyarak aktif öğrenmeyi mümkün kılar. Bu tez, bu zorlukları ele almak için eğiticisiz, artımlı ve aktif öğrenmeyi tümleştiren bir yöntem önermektedir; böylece mobil robotlar açık dünya ortamlarında nesne temsillerini otonom olarak edinebilir, iyileştirebilir ve sürdürebilir. Robotun her gelen RGB-D çerçeveyi bölütleyebildiği, elde edilen bölütleri kareler arasında izleyebildiği ve izlenen her nesneyle ilişkili bölütleri biriktirebildiği varsayılmaktadır. Ayrıca robotun gerektiğinde gezinme yeteneğine sahip olduğu varsayılmaktadır. İlk olarak, nesne temsili ele alınmakta ve mevcut modellerin en iyi performansı sağlayanları belirlemek için kapsamlı bir değerlendirme yapılmaktadır. Ardından, mevcut tek sınıf sınıflandırıcılar öğrenme ve tanıma performansı açısından değerlendirilmektedir. Üçüncü olarak, nesnelerin denetimsiz ve artımlı öğrenimi, bir nesne belleğinin geliştirildiği bir yaklaşımla ele alınmaktadır. Son olarak, aktif nesne öğrenimi, robotun yeni nesneleri öğrenmek için topladığı veriler konusunda seçici olması yoluyla ele alınmaktadır. Önerilen tüm yöntemler, hem Gazebo simülasyon ortamında hem de gerçek dünya senaryolarında bir mobil robot ile kapsamlı olarak test edilmiştir. Bu çalışma, yeni ortamlarda uyarlanabilir, etiketsiz nesne anlayışını mümkün kılarak açık dünya robotik algısının ilerlemesine katkıda bulunmaktadır.