Tez Arşivi

Hakkımızda

Tez aramanızı kolaylaştıracak arama motoru. Yazar, danışman, başlık ve özete göre tezleri arayabilirsiniz.


Boğaziçi Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Anabilim Dalı

A collaborative multi-robot localization technique for autonomous robots

Otonom robotlar için bir çoklu robot konuşlandırma tekniği

Teze Git (tez.yok.gov.tr)

Bu tezin tam metni bu sitede bulunmamaktadır. Teze erişmek için tıklayın. Eğer tez bulunamazsa, YÖK Tez Merkezi tarama bölümünde 200090 tez numarasıyla arayabilirsiniz.

Özet:

Bu şalışma bir otonom robotlar takımının dayanışmalı konuşlandırılması işincs s s cyeni bir yüntem onerir. Bu calışma aynı zamanda gürü ltü lü , onceden tahmin edilemezo ü şs u u uu üve yeterli algılama yapılamayan diğer iş mekan gerşek-zamanlı robot calışmaları işingc c şs cde uygundur.Tekli kendini konuşlandırma sorununu her robot işin bulunduğu cevreye ait yerels c gşalgı ve hareket bilgisi kullanılarak cüzmek işin Ters Monte Carlo konuşlandırması(R-şo c sMCL) isimli yeni bir yüntem tasarlanmıştır. R-MCL, Markov konuşlandırması(ML)o s sve Monte Carlo konuşlandırması(MCL) uzerine kurulan melez bir yüntemdir.s ü o Buyüntemde ML tabanlı bülü m robotun olması gereken bülgeyi bulur ve MCL tabanlıo ou obülü m bu bülgeden ornekler seşerek geometrik konumu yüksek şüzü nü rlü kle bulur.ou o ü c u co u u uCoklu robot konuşlandırması sorununda robotlar kendi yerel tahminlerini ve diğerş s gtakım arkadaşlarından gelen paylaşılan bilgiyi kullanarak kendilerini konuşlandırır.s s sYerel bilgi ve inanşları uygun olarak birleştirebilmek, catışmaları onlemek ve takımc s şs üelemanları arasında dayanışmayı desteklemek işin R-MCL'e dayalı yeni bir dayanışmalıs c sşoklu robot konuşlandırma metodu sunulmuştur. Robotlar birbirlerini algıladıklarındac s sbu güzlemi yansıtan ızgara hücrelerini paylaşırlar. Yüntemin gerşek gü cü melezliğindeno u s o c uu ggelir. Gerşek-zamanlı uygulamalarda kesin olarak olşulemeyecek güzlemleri ızgara ta-c ü cü obanlı yaklaşımla, kendini konuşlandırma sorununu ise daha kesin sonuş veren ürnek ta-s s c obanlı yaklaşımla, benzer şalışmalardan daha az ornek kullanarak cüzer.Her iki yüntems cs ü şo ode benzetim robotları ve gerşek robotlar ile denenmiş ve sonuşlar yüntemlerin hızlı,c s c osağlam, kesin ve hesap, hafıza ve iletişim masrafları aşısıdan ucuz olduğunu güstermiştir.g s c g o s

Summary:

This work proposes a novel method for collaborative global localization of a teamof soccer playing autonomous robots. It is also applicable to other indoor real-timerobot applications in noisy, unpredictable environments, with insufficient perception.A novel solution, Reverse Monte Carlo Localization (R-MCL) is designed to solvesingle self-localization problem using local perception and action about the surroundingenvironment for each robot. R-MCL is a hybrid method based on Markov Localization(ML) and Monte Carlo Localization (MCL) where the ML based part finds the regionwhere the robot should be and the MCL based part predicts the geometrical locationwith high precision by selecting samples in this region.In the multi-robot localization problem, robots use their own local position esti-mations, and the shared information from other team mates, to localize themselves. Tointegrate the local information and beliefs optimally, avoid conflicts and support collab-oration among team members, a novel collaborative multi-robot localization methodcalled Collaborative Reverse Monte Carlo Localization (CR-MCL), based on R-MCL,is presented. When robots detect each other, they share the grid cells representing thisobservation. The power of the method comes from its hybrid nature. It uses a gridbased approach to handle detections which can not be accurate in real-time applica-tions, and sample based approach in self-localization to improve its success, although ituses lower amount of samples compared to similar methods. Both methods are testedusing simulated robots and real robots and results show that they are fast, robust,accurate and cheap in terms of communication, memory and computational costs.