Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2015
Tezin Dili: Türkçe
Öğrenci: HAYDAR ANKIŞHAN
Danışman: FİKRET ARI
Özet:Eşzamanlı konum belirleme ve harita oluşturma (Simultaneous Localization andMapping – SLAM) 90’lı yılların başlarında ortaya atılmış, bilinmeyen pozisyon veçevre koşullarında robot/özerk aracın pozisyonunun hesaplanması ve etrafınınharitasının oluşturulması için kullanılan bir yöntem olarak bilinmektedir. SLAMuygulamalarında, ölçüm gürültüsü minimizasyonu, etrafın haritası oluşturulurkenkarşılaşılan veri ilişkilendirme zorluğu, harita boyutu ve kullanılan yönteminkarmaşıklığına bağlı işlem yükü gibi temel problemler mevcuttur.Bu tez çalışmasında, SLAM uygulamalarında genel olarak karşılaşılan bu temelproblemlerin çözümü için, FastSLAM tabanlı iyileştirilmiş bir yöntem önerilmiştir.Literatürde var olan yaklaşımlardan farklı olarak, konvansiyonel FastSLAM yapısınaadaptif merkez fark Kalman süzgeci A-(CDKF) ile birlikte birleşik olasılıksal veriilişkilendirme (JPDA) algoritması uyarlanmıştır. Böylece, önerilen yeni FastSLAMyapısı sayesinde daha az sayıda parçacık kullanılarak, hem veri ilişkilendirmeproblemine çözüm sunulmuş, hem de daha az işlem yüküyle kestirim doğruluğu yükseksonuçlar elde edilmiştir. Bunun yanı sıra elde edilen sonuçlar, yine tez çalışmasıkapsamında geliştirilen doğadan ilham alan optimizasyon (DIAO) algoritmalarındanParçacık Sürü Optimizasyonu (PSO) ve farksal evrim (DE) ile iyileştirilen FastSLAMyöntemleriyle kıyaslanmıştır. Deneysel çalışmalar önerilen yöntemin, hem gerçekzamanlı uygulanabilmesi sayesinde DIAO tabanlı FastSLAM yöntemlerine üstünlüksağladığını hem de U-FastSLAM ve FastSLAM II yöntemlerinden az sayıda parçacıkkullanılarak işlem yükünü azalttığını ve gürbüz sonuçlar elde edildiğini göstermiştir.AbstractSimultaneous Localization and Mapping (SLAM), was introduced in the early 90s, isknown as a method for the building the map of the environment and simultaneouslyestimating the robot/ autonomous vehicle path in the unknown position information andunkown environment conditions. SLAM applications have some basis problems suchas; measurement noise minimization, complexity of the data association in case ofbuilding map of the environment, building the large environment map and methodcomplexity depending on the real time processing.In this thesis, to solve these basic problems encounterd in general practice SLAM, animproved FastSLAM based method has been proposed. Unlike the approaches that existin the literatüre, adaptive central difference Kalman filter A-(CDKF) and jointprobabilistic data association (JPDA) algorithms have been implemented inconventional FastSLAM structure. So, thanks to new structure of the FastSLAM, bothpresented as a solution for the problem of SLAM data association and obtained highaccuracy results with less processing time. As well as the obtained results have beencompared with the partical swarm optimization based and differential evolution basedfastSLAM approaches which has been again improved in thesis studies. Experimentalresults have shown that the proposed method has property of the real timeimplementation, both has provided superior than optimize based FastSLAM approachesand although having less particle, minimizing the processing time and obtaining robustresults than FastSLAM II and U-FastSLAM.