OTONOM HAREKET SSTEM

Halime USTA, Alper BAYKUT, Erkan ZKAN Arelik A.. ATGM Tuzla / ISTANBUL halime.usta@arcelik.com, alper.baykut@arcelik.com, erkan.ozkan@arcelik.com

zete
Gerekletirilen almada bilinmeyen, etraf duvarla evrilmi bir odada, odann her yerinin eit gezilmesine olanak tanyan ve istenilen yere en ksa yoldan gitmeyi salayan bir elektro-mekanik sistem ve yn gdm algoritmasnn gelitirilmesi hedeflenmitir. Gelitirilen Otonom Gezinen nite (OG); d dnyadan infrared uzaklk alglayclar ile veri edinmeyi salayan alglayclar, edinilen verileri deerlendiren ve eyleme dntren bir mikrodenetleyici devresi ve otonom hareket eylemini ynlendiren kontrol yazlmndan olumaktadr.

1 Giri
Akll denetim tekniklerinin otomotiv, beyaz eya gibi sektrlerin rnlerinde kullanlm iin yaplan aratrmalar son yllarda hzla artmakta ve bu tr rnler pazarda giderek daha fazla yer almaktadr. Dier sektrlerde olduu gibi ev eyalar sektrnde de, rnn ilevselliinin yansra kullanm kolayl, gvenlik, gvenilirlik ve enerji tketimi gibi unsurlar da kullanc tarafndan dikkate alnan ve talep edilen niteliklerdir. Bu tr beklentiler, reticilerin akll denetim teknikleri kullanan rnler tasarmlanmasna neden olmaktadr [1]. Bu almada Arelik A.. ATGM (Aratrma Teknoloji Gelitirme Merkezi)de yrtlmekte olan Otonom Hareket Projesi kapsamnda gelitirilen, otonom hareket sistemi anlatlmtr. Gelitirilen bu sistemle; bilinmeyen, etraf duvarla evrilmi bir odada, odann her yerinin eit gezilmesine olanak tanyan ve istenilen yere en ksa yoldan gitmeyi salayan bir otonom gezinen nite ve yn gdm algoritmasnn gelitirilmesi hedeflenmitir. Yukarda bahsedilen ilevleri gerekleyebilen otonom hareket sistemi; gzlemleme ve veri toplama iin alglayclar, edinilen verileri deerlendiren ve eyleme dntren bir mikrodenetleyici devresi ve otonom hareket eylemini ynlendiren kontrol yazlmndan olumaktadr. Otonom hareket sisteminde alglama iin infrared uzaklk alglayclar kullanlmtr. Bu amala PC kontroll, PC ile RF haberleen bir otonom hareket nitesi tasarmlanmtr. Bu bildirinin ikinci blmnde gelitirilen otonom hareket sisteminin yapsna deinilmitir. nc blmde yn gdm algoritmas gelitirmek iin tasarmlanan simlasyon programna, drdnc blmde gelitirilen yn gdm algoritmalar hakknda bilgi verilmi ve beinci blmde gelitirilen yn gdm algoritmalarnn karlatrlmasna yer verilmitir. Son blm ise yaplan almadan elde edilen varglar iermektedir.

2 Otonom Hareket Sisteminin Yaps

Otonom hareket sistemi; d dnyadan veri edinmeyi salayan alglayclar, edinilen verileri deerlendiren ve eyleme dntren bir mikrodenetleyici devresi ve otonom hareket eylemini ynlendiren kontrol yazlmndan olumaktadr. Bir otonom nitede en nemli elemanlardan birisi kullanlan alglaycdr. Kullanlan alglayc ile d dnyadan scaklk, nem, k, uzaklk vbgibi pek ok bilgi edinilebilir. Bir otonom hareket nitesi iin en nemli veri evresindeki cisime olan uzaklk verisinin edinilmesidir. Otonom gezinen nitede (OG) alglama iin Sharp GP2D02 kzltesi uzaklk alglaycs kullanlmtr. Sharp GP2D02 konum alglayan detector , kzltesi diyot ve sinyal ileme devresi iermektedir ve 20 cm. - 80 cm. alglama uzaklna sahiptir. Sharp GP2D02 optik verici ve alc kullanarak, uzakl 8 bit seri veri formatnda edinmektedir. OGnn herhangi bir engele uzakln bulmak iin kullanlabilecek farkl reticilere ait alglayclar mevcuttur, ancak GP2D02 kullanlabilecek en ucuz alglayclardan birisidir [3]. OGnn gereklenmesi iin bulunduu yerde 360 dnme kabiliyetine sahip, uzaktan RF kumandal bir tank alnm ve uzaktan kumandasnda deiiklikler yaplarak PC ile ynlendirilir hale getirilmitir. OG zerindeki uzaklk alglayclar sa ve sol yzeylerde tank sisteminin alt gvde yzeyine sabitlenmitir. nde kullanlan sensr ise tank namlusuna yerletirilmi olup, tank st gvdesinin (namlu blm) kendi ekseni zerinde hareket edebilmesi nedeniyle, bu sensre hareketlilik kapabilitesi de kazandrlmtr. Bu sayede 45 lik ileri ynlerden de sinyal alnabilmektedir. . OGnn zerine yerletirilen zel donanm ile 3 uzaklk sensrnden gelen sinyaller ilenerek PC tarafndan sorulduunda uzaklk veya var/yok bilgisi olarak cevap verilmektedir. PC zerinde o anda komakta olan algoritmann verdii yn karar da OGye iletilmekte ve simule edilmi algoritma gerel ortam koullarnda denenebilmektedir.

3 Algoritma Gelitirme Yazlm

Otonom hareket sisteminde OGye ait yn gdm algoritmas gelitirmek iin bir simlasyon program gelitirilmitir.Gelitirilen simlasyon program, mobil bir aracn zerinde var olan alglayclarn %100 alglad varsaylarak, olabilecek farkl algoritmalarn baarmlarnn denenmesine ve olas durumlarn gzlenilmesine imkan tanmaktadr. Gelitirilen simlasyon program, tasarmc iin farkl yn gdm algoritmalarnn, farkl oda ekillerinin ve engellerin seimine olanak tanyan bir kullanc arayznden olumutur. ekil1de gelitirilen yazlma ait kullanc arayz verilmitir. Otonom hareket sisteminin baarmn etkileyen farkl parametrelerin (oda ekli, oda ierisindeki engellerin yerleimi, kullanlan alglayc says, esas alnan hareket yn vbgibi) olabilecek etkilerin simlasyon ortamnda deerlendirilmesine imkan tanmaktadr. Tasarmc algoritmann denendii oda ekli, OGnn nereyi ka defa gezdii , OGnn performans, oda ierisinde hi gidilmeyen alanlarnn yzde oran, lokal algoritma altrlrken oda ierisindeki herhangi bir lokal alann OG tarafndan nasl gezindii, lokal alan boyutlarnn deitirilmesi vbgibi bilgileri yazlmn kullanc arayznden izleyebilmektedir. Tasarmlanan yn gdm algoritmas gelitirme program simlasyon amal kullanlabilecei gibi, OG ile emlatr olarak da kullanmak mmkndr.

ekil1. Yn gdm algoritmas gelitirmek iin tasarmlanan programa ait kullanc arayz.

4 Yn Gdm Algoritmalar
OGde hareket etme ynleri, zerine yerletirilen alglayc tipi ve saysna gre farkl, eiticisiz algoritmalar gelitirilmitir. Gelitirilen algoritmalarda bir hcrenin sa, sol, alt ve st olmak zere 4; veya apraz ynler de dahil edilerek hcrenin 8 ayr yn esas alnmtr (ekil 2).

ekil 2. Gelitirilen algoritmalarda kullanlan ynler.

Algoritmalarn gereklenmesi iin aadaki varsaymlarn salanmas gerekmektedir: 1. .OGnn mekanik sisteminin gelitirilmesi hedeflenmemitir. Bu nedenle istenilen beklentilere cevap veren bir lego tank kullanlmtr. OG 45 keskin dnler yapabilmektedir. 2. PC ile RF haberleerek alan OG de herhangi bir hafza kstlamas yoktur. Sistemin PCden bamsz gereklenmesi istenmesi durumunda yalnzca global algoritma iin harici hafzaya ihtiya vardr. 3. OG zerinde 3 adet Sharp GP2D02 kzltesi uzaklk alglaycs vardr. 4. OG hareket ettii blgedeki bal yer deiikliklerini kaybetmemekte ve yaklak 1000 yer deitirmeden sonra bile eski yerine geldiinde fazla kayma olmamaktadr.

5. OGnn hareket hz sabit ve yaklak 10 cm/sn. dir. Bu hz aslnda gidi ynndeki boluun uzun olmasyla arttrlabilir, fakat gezinme sresi bir kriter olarak alnmad iin bu en iyileme zerinde allmamtr. 6. OGnn enerjisi pil ile salanmaktadr ve OGnn herhangi bir kaynak ile kablolu balants yoktur. Bu almada OGnn enerji gereksinimi ile ilgili sorunlara odaklanlmamtr. 7. OGnn hareketli engel olmayan kapal bir oda ierisinde hareket ettii kabul ettii kabul edilmitir. 8. Bu almada asl odaklanma otonom hareket sisteminin hareket salamak iin gerekli alglama nitesi ve hareketi ynlendiren kontrol yazlmnn tasarmlanmasdr. Bu almada global, lokal ve bulank mantk temelli olmak zere deiik yn gdm algoritmas gelitirilmitir. Global ve lokal algoritmada OGnn oda ierisinde belirli bir baarm lt erevesinde her yere gitmesi ve mmkn olduu kadar gidilen yere bir daha gidilmemesinin eniyilenmesi amalanmtr. Bulank mantk temelli yn gdm algoritmasnda ise durumlu uzaklk kmesi ile alglayc bilgilerinin bulank mantk ile deerlendirilmesi esas alnmtr. Global ve lokal algoritmada balang yn olarak 1 nolu yn alnmtr ve saat dnme ynne ters olmak zere dier ynler izlenmektedir. OG hareketi sresince her yer deitirdiinde srasyla 1,2,3 ve 4 nolu ynlere bakar ve eer hafzasnda daha nce karlamad bir blge ise engel/bo alan olup olmadn alglar ve hafzasnda iaretler. Daha nce iaretlemedii blgeler iin eer bo ise 0, engel ise 255 olarak hafzasna kaydeder, daha nceden getii yerlerden geerken de urama saysn 1 arttrr. Bu alglama ilemi sonras nne, sana, soluna ve arkasna bakarak karar verir. Bu karar ara zerinde kullanlan alglayclarla salanmaktadr. Eer hareket yn bo alan ise oraya gider, bu hareket srasnda dier sensr bilgileri de saklanr. Ara engelle karlatnda, dier ynleri kontrol ederek hareket edebilecei uygun yne ynlenir. Tm ynlere daha nceden gidilmi veya engeller ile kapatlm ise; OG en yakn gitmedii veya bakmad yne doru gitmeye alr. Bu ynlenme aamasnda daha nceden gittii yerlerden en az uradklarndan geerek tm alann eit gezilmesi prensibini uygular. Global algoritmada OG iinde gezindii odann tm detaylarn gezdike hafzasnda tutmaktadr, bunun iin en fazla 30x30 cm2 lik bloklardan oluan 50x50lik toplam 225 m2 lik bir alan szkonusudur. Bu byklkte bir alann hafzada kaplad alan ise OGnn odann neresinden harekete balad bilinmedii iin 4x50x50=10KB lk bir dinamik RAM alanna ihtiya gstermektedir. Bu kadar byk dinamik bilgiyle PC zerinde ilem yapmak olas olmasna karn, sadece mikrodenetleyici bir sistem dnldnde bu olduka maliyetli bir sistem gerektirmektedir. Baarm kriterlerinin azalaca bilindii halde ,bu kstlar dnerek lokal algoritma gelitirilmitir. Bu algoritmada ise OG nceden bykl belirlenebilen ve en fazla 16x16=256 adet lokal 30x30 cm2 lik alanlardan toplam 8x8 adetini gezebilen bir sistem dnlmtr. Toplam hafza ihtiyac bilgi saklamak iin en fazla 256+64=320 Bytetr. Gezilebilen alan ise en fazla 1475 m2 olabilmektedir. Bu algoritmada OG lokal olarak kk alanlarn iindeki gidilebilecek heryere gittikten sonra bulunduu lokal alanda gidilecek yer kalmadna dair bilgiyi bir st seviyede tutarak yeni bir lokal alana gemeye almaktadr. Belli bir alma annda OG sadece iinde bulunduu lokal alanla ilgili gezerken oluturduu bilgiler tutmakta, lokal alann evresini duvar kabul etmektedir. Bu kstlardan dolay performans global algoritmaya gre dk olmasna karn, kk hafzal bir mikrodenetleyici ie gereklenebilir olmas bir avantajdr. OGnn yn deitirilmesi gerektiinde karar verirken sabit, rassal, uzman sistem/kural tabanl ve bulank mantk teknikleri kullanlmtr. Gelitirilen bulank kontrol tekniinde ham engel uzaklk bilgileri, gaussian fonksiyonlar ile durumlu uzaklk kmelerine ayrlarak (yakn-orta-uzak) kullanlmtr. Her hareket sonrasnda buradan elde edilen kme bilgileri bulank mantk kurallar dizinine sokulur, bu kurallar dizininden elde edilen sonuca gre otonom hareket nitesinin gitmesi gereken yne karar verilir. Burada

kullanlan bulank mantk kural dizini nceden eitli oda kombinasyonlarna gre yaplm simulasyon sonularndan elde edilmitir. Bu dizin yaklak olarak 20 farkl kuraldan olumaktadr. Yaplan denemeler sonucunda, otonom hareket nitesi bu algoritma ile karmak bir odada btn alan gezmektedir. Algoritmann iyiletirilmesi amac ile, bir noktadan fazla geme saysnn azaltlmas, algoritmaya zorlamal renme teknii ve potansiyel alan tekniinin katlmas almas srdrlmektedir. Bu iki teknik, otonom hareket nitesinin bir hareket alannda hareketlerini tekrarlamaya balayp, bir evrim iine girdii durumlarda, bu evrimden kmas iin kullanlacaktr. Bu sayede, OGnn oda ierisinde homojen bir hareket ile gezinmesi salanacaktr.

5 Algoritmalarn Karlatrlmas ve Varglar

Balang ynleri, dier ynlere ncelik vermeleri ve seme kriterleri farkllatrlarak global, lokal ve bulank mantk temelli olmak zere farkl yn gdm algoritmas gelitirilmitir. Gelitirilen yn gdm algoritmalarnn baarm toplam hareket says ve ayn yerden en fazla geme says verileri deerlendirilerek hesaplanmtr. Baarm deerlendirme iin simulasyon program kullanlm ve sonular gerel ortamda dorulanmtr. Gelitirilen ve denenen deiik algoritmalarn farkl oda ekilleri iin farkl sonular verdii, fakat ayn ynde gidilemediinde yn seiminin rassal olduu algoritmann performans deerlerinin standart sapmasnn en az olduu gzlemlenmitir.
Tablo1. Gelitirilen algoritmalara ait baarm sonular.
ODA1 Algoritma Global Alg Lokal Alg Fuzzy Alg. ODA2 Algoritma Global Alg Lokal Alg Fuzzy Alg. ODA3 Algoritma Global Alg Lokal Alg Fuzzy Alg. zaman 933 1743 1652 Konum1 max gei 2 4 5 Konum1 max gei 2 3 3 Konum1 max gei 3 3 3 zaman 967 1812 2332 Konum2 max gei 2 4 7 Konum2 max gei 2 3 3 Konum2 max gei 4 4 6 zaman 1138 1927 2252 Konum3 max gei 3 5 6 Konum3 max gei 2 4 4 Konum3 max gei 3 4 4

zaman 1015 1124 1268

zaman 1046 1218 1203

zaman 1038 1079 1450

zaman 1103 1497 1430

zaman 1211 1512 1496

zaman 1090 1388 1617

Tablo1de farkl algoritma iin az , orta ve ok sayda engel ieren farkl odada ve her bir odann farkl noktas balang alnarak OG hareket ettirilmitir. ayr algoritmadan global algoritmann ayn koullar altnda, odann tamamn dier iki algoritmaya gre daha ksa srede gezindii gzlemlenmitir. Ayn oda ierisinde bir gezinilen yerden en az gei yine global algoritmada gzlemlenmitir. Lokal algoritmann global algoritmadan fark, oda ierisinde belirli kk lokal alanlar dikkate alarak gezinmeyi salamasdr. Bu nedenle toplam gezinme ve ayn noktadan max gei sreleri global algoritmaya gre fazladr. Ancak almalarn PC kontrol olmadan, mikrodenetleyici ile yaplmas sz konusu olduunda

global algoritmaya gre daha az hafza gereksiniminden dolay lokal algoritma nem kazanmaktadr. Local algoritmann bir avantaj da ayn hafza kstnda, global algoritmaya gre daha fazla alan gezebilmesidir. Yaplan deneyler sonucu lokal algoritmada kullanlan lokal alan llerinin algoritma baarmn etkiledii gzlenmitir. 8x8lik bir lokal alan ile 16x16lk bir lokal alann kullanlmas durumunda OGnn odann tamamn gezinme sresi ve bir noktadan en fazla gei sresi deimektedir. Gelitirilen bulank mantk temelli algoritmada, zorlamal renme yntemi ile bulank mantk kurallarnn oluturulmasna allmaktadr. Gelitirilen eiticili algoritmann baarm daha da yksek olacaktr.

Kaynaka
[1] H. Usta, B. Sulamac, E.. Gler, Y. Eril, A. Baykut, Elektrikli Sprge Veri Toplama ve Denetim Sistemi, 7. Sinyal leme ve Uygulama Kurultay Bildiriler Kitab, 1999, s. 554-558. [2]S. H. Breheny, The Sharp GP2D02 IR Distance Measuring Sensor, Application Note, www.hobbyrobot.com. [3] K. L. Doty, S. L. Seed, Autonomous Agent Map Construction in Unknown Enclosed Environments, MLC-COLT94 Robot Learning Workshop, Rutgers, New Brunswick, N.J., 1994. [4] P.E. Agre, D. Chapman, What are Plans For Designing Autonomous Agents: Theory and Practise from Biology to Engineering and Back, Pattie Maes, Editor, 1990, s 17-34. [5] C. Ferrell, Robust Agent Control of an Autonomous Robot with Many Sensors and Actuator, MS Thesis, MIT AI Lab, May 1993. [6] J.L. Borenstein, H.R. Everett, L. Feng, Navigating Mobile Robots: Sensors and Techniques, A.K. Peters, Ltd., Wellesley, MA ,1998. [7] B. Jerbic, K. Grolinger, B. Vranjes, Autonomous Agent Based Reinforcement Learning and Adaptive Shadowed Network, Artificial Intelligence in Engineering, 1999, s. 141-157. [8] K. C. Ng, M. M. Trivedi, A neural-fuzzy controller for real-time mobile robot navigation, IEEE International Conference on Robotics and Automation, Minneapolis, Minnesota, Apr. 1996.