Definisjonen  av  begrepet  krig

Çoklu algılayıcı füzyonunun SLAM uygulamalarındaki etkilerini incelemek için USARSim üzerinde benzetim çalışmaları gerçekleştirilmiştir. USARSim farklı robot ve algılayıcı türlerini desteklediği için tercih edilmiştir.

4.2.1 USARSim ile Gerçekleştirilen Çalışmalar

USARSim [13] üzerinde gerçekleştirilen benzetim çalışmalarında, çoklu algılayıcı füzyonu tekniklerinin robotik haritalama uygulamalarındaki avantajlarının gösterilmesi amaçlanmıştır. USARSim ile iletişim MATLAB üzerinden gerçekleştirilmiştir. USARSim “Unreal Tournament” adlı oyunun yapısı üstüne kurulu olan bir benzetim platformudur. USARSim ticari ve deneysel robot modelleri, algılayıcı modelleri ve ortam modelleri içerir. Bunlar yanında harici kontrol desteği sağlayan sürücüler içerir. USARSim platformunda robotlar Player/Stage, MOAST, Pyro gibi farklı robot kontrol ve benzetim yazılımlarıyla kontrol edilebilmektedir. Gerçek saha çalışmalarında kullanılması planlanan “Corobot” USARsim tarafından desteklenmemektedir.

Benzetim çalışmasında DM-USAR_red adlı ortamda bir adet Pioneer P2-DX robot kontrol edilmiş ve SLAM işleminin gerçekleştirmek için yönetilmiştir. Şekil 4.13 Pioneer P2-DX modeli robotun gelişmiş bir versiyonu olan Pioneer P3-DX modeli robotu göstermektedir. Benzetim ortamındaki robot ile aynı ortamda iki benzetim çalışması gerçekleştirilerek robotun soncul değer belirsizlikleri incelenmiştir.

USARSim platformunda algılayıcı özelliklerinin gerçek modellerle aynı olmasına dikkat edilmiştir. Pioneer P2-DX robot üzerinde bulunan Sick LMS 200 lazer tarayıcı 180° tarama açısı, 1-0.25° arası açısal çözünürlük, 13-53 ms arası cevap süresi, 10 mm çözünürlük ve +/- 15 mm sistematik hata özelliklerine sahiptir ve benzetim ortamında bu değerler dikkate alınmıştır [14], [17]. Robot üzerinde bulunan PTZ kamera 26x optik ve 12x dijital yakınlaştırma özellikli, otomatik odaklanabilen renkli kameradır [18].

94

MATLAB üzerinde geliştirilen kontrol uygulaması üzerinden USARSim platformu ile bağlantı kurulmuştur. EKF tabanlı SLAM uygulaması MATLAB üzerinde yazılmıştır. USARSim platformundan elde edilen algılayıcı ölçümleri SLAM algoritmasına giriş olarak verilmiştir. Ayrıca USARSim platformundan elde edilen robot pozisyonu ve açısı da hata değerlerinin hesaplanmasında kullanılmıştır.

İlk benzetim çalışmasında ortam algılaması için lazer tarayıcı, ikinci benzetim çalışmasında ise robot üzerinde bulunan kameradan elde edilen görüntüler ile lazer tarayıcı kullanılarak çoklu algılayıcı füzyonu gerçekleştirilmiştir. Her iki benzetim 20 kez yürütülmüştür. Çoklu algılayıcı füzyonu yönteminde lazer mesafe bulucu ve kamera kullanılacağı için eşleştirme aşamasında her iki algılayıcının özellikleri göz önüne alınmıştır. Lazer tarayıcı ile edilen ölçümler genellikle çok başarılı sonuçlar verdiği için önce lazer mesafe bulucudan gelen gözlemler daha sonra kameradan gelen görüntülerden kenar tespit yöntemiyle elde edilen dikey çizgiler işleme alınmıştır. Görüntülerden kenar tespiti Canny, Sobel, Prewitt gibi farklı operatörlerle yapılabilmektedir. Bu çalışmada Prewitt operatörü tercih edilmiştir. Yatay çizgilerin eşleştirilmesi en küçük gözlem belirsizliği dikkate alınarak yapılmıştır. Bu yaklaşım özellikle küçük ve gerçek olmayan veya belirsiz bölümlerdeki eşleştirme başarısını artırmıştır. Tahmin ve gözlem adımlarındaki dikey çizgilerin eşleştirilmesinde filtrenin başarısını arttırmak için yegânelik prensibi kullanılmıştır. Dikey çizgilerin eşleştirilmesinde başarılı sonuçlar veren Mahalanobis mesafesi kullanılmıştır [160]. Lazer tarayıcıdan gelen veriler taranılan açılardan gelen mesafe bilgileri olup ölçüm sıklığı çok yüksek tutulmazsa işlem yükü düşüktür. Kamera verileri olan JPEG formatındaki resim dosyalarının işlenmesi zaman almaktadır. SLAM algoritmalarında kamera kullanılması durumunda işlem yükünün düşük tutulması için, hem gerçek saha çalışmalarında hem de benzetim platformlarında robotlar maksimum hızlar yerine düşük hızlarda ilerletilmektedir.

Konumsal sapma değerlerinin ortalamaları ile açısal sapmaların ortalaması Şekil 4.15, Şekil 4.16 ve Şekil 4.17’de gösterilmiştir. USARSim platformundan elde edilen gerçek robot pozisyonu ile kestirilen pozisyonlar arasındaki fark hesaplanarak grafikler elde edilmiştir. Grafiklerdeki mavi renkli çizgiler lazer tarayıcı kullanılması durumunda elde edilen hata sınırlarının ortalamalarını, kırmızı renkli çizgiler ise çoklu algılayıcı füzyonu

95

kullanılması durumunda elde edilen hata sınırlarını göstermektedir. Çizelge 4.6 genel hata sınırlarının ortalamalarını listelemektedir. Şekil 4.14’de gösterilen benzetim ortamı karmaşık olmamasına rağmen USARSim platformundaki robotun MATLAB üzerinden kontrolü dolayısıyla benzetim 400 saniye civarında sürmüştür. Grafiklerde ise sadece ilk 80 saniye gösterilmiştir.

Şekil 4. 13 Pioneer P3-DX robot

Şekil 4. 14 DM-USAR_red ortamı

Elde edilen sonuçlar çoklu algılayıcı füzyonu kullanılan SLAM işleminde tek bir lazer tarayıcı ile gerçekleştirilen SLAM işlemine göre daha başarılı sonuçlar elde edildiğini göstermektedir. Benzetim çalışmasındaki hata sınırlarının literatürdeki benzer çalışmalara göre daha yüksek olmasının nedenlerinden biri benzetim ortamının algılayıcı kalibrasyonuna izin vermemesidir.

96

Şekil 4. 15 Ortalama hata sınırları (x (cm))

Şekil 4. 16 Ortalama hata sınırları (y (cm))

97

Çizelge 4. 6 Genel hata sınırları (USARSim benzetiminde elde edilen) Hata sınırlarının

ortalama değeri

Lazer tarayıcı kullanılarak konumlandırma

Çoklu algılayıcı füzyonu ile konumlandırma

X 1.528 cm 1.277 cm

Y 1.572 cm 1.134 cm

Açı 1.61° 0.97°

4.2.2 Elde Edilen Sonuçlar Hakkında Değerlendirmeler

Gerçekleştirilen benzetim çalışmalarında elde edilen sonuçlar sıralı algılayıcı füzyonu tekniğine dayanan çoklu algılayıcı füzyonunun SLAM sürecinde konumlandırma hatalarını azalttığını göstermektedir. Sıralı algılayıcı füzyonu uygulanmasının nedeni lazer ve kamera görüntülerinin işlenmesi için gereken zaman arasındaki farktır. Kamera görüntülerinin işlenmesi için gereken işlem yükü ve bellek gereksinimi lazer ölçümlerine göre daha fazladır. Benzetim çalışmasındaki robotun konumlandırma hatalarındaki azalma SLAM sürecinin başarısının arttığının işaretidir. Bunun nedeni konumlandırmadaki ufak bir hata SLAM sürecinde gitgide daha büyük bir konumlandırma hatasına yol açacaktır.

Literatürdeki çalışmalar, SLAM süreçlerinde açısal hatanın yatay ve dikey eksenlerdeki hatalara göre daha büyük etkisi olduğunu göstermektedir. Benzetim çalışmaları çoklu algılayıcı füzyonunun açısal hatayı oldukça azalttığını ortaya koymuştur.