T Robot Olimpiyatlar 2008

T Kontrol ve Otomasyon Kulb'nn ilkini Nisan 2007'de dzenledii T Robot Olimpiyatlar serisinin ikinci yesi olan TRO 2008'de, Trkiye'nin drt bir kesinden niversite ve lise rencilerinin arlkl katlmlaryla 8 ayr kategoride yarmalar; zengin ierikli seminerler; robotik alannda baarl projelere imza atm olan rencilerle syleiler ve robotiin kurucusu saylan byk bilimadam El-Cezeri'nin otomatlarnn tantld bir de sergi yer alyor. TRO'nun douunun temelinde yer alan, Trkiye'de robotii gelitirme esasndan yola karak TRO 2008'de yarmalara Kendini Dengeleyen Robot ve Gelimi izgi zleyen kategorileri eklenmitir. Bununla yarmaclarn sahip olduklar robotik birikimini daha verimli deerlendirebilmelerine ve her aamada daha ar problemlere kar karya kalarak hem kendilerini gelitirebilmelerine olanak salamak hem de sreci daha heyecanl hale getirebilmek; bunun yannda projelerin gereklenebilirlii de gz nnde bulundurularak, katlmc lise ve niversite rencilerini aratrmaya, snlar zorlamaya tevik etmek hedefi gzetilmitir. Trkiye'de robotii gelitirmenin bu alana ilgiyi artrma; ilgilenenlere mevcut eitimlerin, almalarn yeterliliini sorgulama ve kendi projelerini ortaya koyabilme olana salamak ile mmkn olaca dncesinden hareketle, ekibinin tm ve hedef kitlesi rencilerden oluan TRO, uluslararas bir karaktere brnme hazrlklarn hz kesmeden srdrmektedir. Gerek endstride, gerek akademik dnyada, gerekse renciler arasnda gittike artan bir ilgiyle takip edilen ve her sene kendini biraz daha gelitiren T Robot Olimpiyatlar ile stanbul Teknik niversitesi rencileri, sorumluluklarnn bilincinde olduklarn ve bu lkenin geliim ihtiyacn ciddiye aldklarn gstermekte; herkesi bu deerli amaca hizmet etmeye davet etmektedirler. Aylar sren hazrlk aamasyla bu byk renci organizasyonu, grnen yznn dnda onlarca yeye sahip, tamam rencilerden oluan byk bir ekibin zverili almasnn rndr. Katlmclarnn yan sra, kendi ekip yelerine de kendilerini gelitirme, yeni bak alar kazanabilme olana sunmaktadr. TRO ekibi, Trkiye'nin geliimini bireylerin geliimleri olmakszn salayabilmenin mmkn olmadnn bilincindedir. T Robot Olimpiyatlar gcn bu ekipten almaktadr. Azimli ekibi ve byk sorumluluk bilinciyle T Robot Olimpiyatlar, akademik dnyadan, endstri temsilcilerinden ve en nemlisi bu lkenin gelecei rencilerinden ald destekle seneler getike glenecek ve beraberinde Trkiye'yi de glendirecektir.

ANA SPONSORLAR

SPONSORLAR

HZMET SPONSORLARI

MEDYA SPONSORLARI

DESTEKLEYEN KURULULAR

NDEKLER: Giri..........................................................1 Grnt leme ile Ynelim Tespiti.....................................................2-6 Yapay Zeka ve Turing Testi.......................................................7-9 Nanorobotik.......................................10-13 ROBOTST stanbul Teknik niversitesi Robot Takm.....................................14-15 Karmak evrelerde Kontrol Tabanl Olaslksal Hareket Planlama............16-21 Arka sspansiyon sisteminin dinamik denklemleri.......................................22-24 Otomatik Kontrol Trk Milli Komitesi.....25

TEKRAR MERHABA!
stanbul Teknik niversitesi'nin teknik iekli dergisi KONTROL ikinci saysyla ve zengin ierii ile tekrar sizlerle. Geen sayda da olduu gibi farkl alanlardan yazlar ile her seviyeden okuyucuya hitap etmekteyiz. Her sayda yapmay planladmz gibi akademisyenlerin yazlarna ve yurtdnda bulunan Trklerin yazlarna da bu sayda yer vermeye devam ediyoruz. Bu yl ikincisini dzenlediimiz T Robot Olimpiyatlar ve OTOKON'un yl ierisinde verilen eitimler ve yaplan teknik almalar derginin ieriinin olumas asndan ok nemli rol oynad. Bu almalarda deniyim ve birikim sahibi olanlar kazandklarn yazl olarak paylatlar. Teknik bilgi paylamn ve bunlar yazl olarak ortaya koymay ve paylamay temel prensip edinerek yola koyulduumuz KONTROL dergisinin ikinci saysnda da bu izgiyi koruduumuzu dnyoruz. Bilginin paylatka oaldn zaman getike daha iyi grmekteyiz. Dergimizde olduka byk bir organizasyon olan Otomatik Kontrol Trk Milli Komitesi'nin 50.si de ilki gibi T'de gerekleecek. TOK kapsamnda yaplacak almalara ve etkinliin ieriine de yer verdik. Bunun gibi gerekleen dier etkinliklere ve farkl alanlardan konulara da yer vermeyi istemekteyiz fakat byle byk bir dergiyi 24 sayfaya sdrabilmek gerekten ok zor. Umarz ki bu saylardan da beklediklerinizi bulabilirsiniz. Her saymzda kendimizi daha gelitirip daha iyi sunmaya alarak alamaya devam etmekteyiz. Sonraki saymzda daha zengin bir ierikle bulumak zere

T Kontrol ve Otomasyon Kulb KONTROL Dergisi

stanbul Teknik niversitesi Adna Yayn Sahibi: Prof. Dr. Erkin NASUF Genel Yayn Ynetmeni: Do. Dr. Yksel GVENLR Yayn Danman: Prof. Dr. brahim EKSN KONTROL Dergisi Ekibi: Alper YKSELEN, Baturalp AKSOY, Birol APA, Buse BAYCAN, Elif KKSAL, Hasan Murat AKINCI, Onur VAROL, zen ZKAYA, zcan NAN, Seda AL Bask: T Kontrol ve Otomasyon Kulb T Ayazaa Yerlekesi Elektrik-Elektronik Fakltesi Oda No: 2011 Maslak/stanbul otokon@itu.edu.tr http://www.otokon.itu.edu.tr

Kontrol

mays08

ROBOCUP SSL grnt leme Sistemi ve Ynelim Tespiti

Robocup SSL(Small Size League) iin, ROBOCUP yarma kategorileri arasnda gnmz futboluna en ok yaklalan kategoridir demek yanl olmaz sanrm. nk robotlarn hz, oyun ierisinde sergiledii hareketleri ve oyun zekas gnmz futboluna yakndr. Dier kategorilere gre ok daha hzl bir oyun gerekleir ve robotlarn mekanik tasarm, retilen oyun stratejilerinin gerekletirilmesine en elverili kategoridir. rnek vermemiz gerekirse mekanik olarak iyi tasarlanm robotlarla bu kategoride artma pas atmak ya da artma ut ekmek mmkndr. Projeye bu adan bakldnda gelitirenler olarak bu iten fazlasyla zevk aldmz syleyebilirim. Bu yaznn birinci blmnde, yartmz kategori olan SSL kurallar ve ana sistem biraz tantlp daha sonra grnt ileme sisteminin detaylarna inilecektir. kinci blmde ise grnt ileme sistemi iin rnek bir problem olan robotlarn ynelimlerinin tespit edilmesi ve bunun iin kurulan algoritma ile ilgili hata analizi yaplacaktr. SSL Oyun Alan ve Baz Kurallar 2008 yl kurallarna gre oyun, futbol sahas grnmnde 6100 x 4200 mm2'lik bir alanda her takmdan 5'er robotla ve golf topu byklnde turuncu bir topla oynanr. Robotlar 180 x 180 mm2 geniliinde ve 150 mm yksekliindedir. Her robotun zerinde anlaml renklerde ve eit alanl daire biiminde iaretiler bulunur. Robotlarn tam ortasnda takmn belirten sar veya mavi renkli, kenarlarda ynelimini ve takm ierisinde hangi robot olduunu belirten yardmc iaretler yer alr.

Robotun stten grnm

Her robotta topu srmek, tutmak ve vuru yapmak iin tasarlanm mekanik yaplar bulunur. Fakat bu mekanik tasarm stten bakldnda topun en az %80'i grnecek ekilde tasarlanmaktadr. Grnt ileme sistemi iin iki farkl seenek mevcut. Bunlar: Her robot zerinde yer alan kameralarla yaplan yerel grnt sistemi, dieri ise bizim de kullanmakta olduumuz kamerann sahann zerinde olduu global grnt sistemi. ANA SSTEME GENEL BAKI - Grnt leme Sistemi Oyun sahasnn 4 m stnde yer alan kameralar araclyla elde edilen grnt, grnt ileme sisteminde analiz edilir ve oyunun anlk bilgisi zmlenir. - Yapay Zeka Sistemi Grnt ileme sisteminden elde edilen bilgilerin yorumland ve oyunla ilgili stratejilerin retildii blmdr. Bu katmanda hcum ya da savunma kararlar, ut atma, hareket yn, hz gibi stratejik kararlar retilir.

Sahann ve robotlarn genel grnm

Kontrol

mays08

- Haberleme Sistemi Yapay zeka sisteminden alnan emirler RF (Radio Frequency) haberleme ile robotlara iletilir. - Robotlar Haberleme sisteminden alnan bilgilerin mikrokontrolrler ile yorumlanarak hareketleri gerekletiren motorlara aktarld elektrik ve mekanik sistemi ieren birimdir. GRNT LEME SSTEM Kameralar aracl ile elde edilen saysal grntnn yksek dorulukta analiz edilmesi oyun iin kritik neme sahiptir. Bu sistem bir bakma oyunun karar verici sistemler iin zlmesini ve oyun hakknda geri beslemenin elde edilmesini salar. Oyunun analizi ksmn biraz daha amamz gerekirse, grnt ileme sisteminin temel grevleri olarak unlar sralayabiliriz: * Oyun sahasn, saha elemanlarn ( izgiler, kaleler, santra noktas vb.) tespit etmek * Robotlar tespit etmek ve hangi takmn yesi olduunu belirlemek * Robotlarn konumunu, ynelimlerini ve hzlarn tespit etmek * Topu, topun konumunu, hareket ynn ve hzn belirlemek Grnt ileme ile ilgili btn ilemler kameradan gelen grntnn (40-50 fotoraf/saniye) belli aralklarla yakalanmas sonucu elde edilen saysal fotoraflarn matris almlar zerinden gerekleir. Renkli olarak alnan grntde her bir pikselin (fotoraftaki en kk birim) 3 boyutlu RGB(Krmz Yeil - Mavi) uzaynda bir deeri vardr. rnein siyah renk (0,0,0), beyaz renk (255,255,255), saf mavi renk (0,0,255) olarak deerlendirilir. LENECEK GRNTNN UYGUN FORMA GETRLMES Sistemin grevlerini gerekletirmesi iin RGB uzaynda elde edilen grnt matrisi zerinde eitli filtreler uygulanarak grnt istenilen forma dntrlr. Bunun nedeni grntnn kullanlmayacak iaretlerden ve grltlerden arndrlmasdr. Oyun yksek hzda devam ettiinden yaplan analizlerin de gerek zamandan minimum gecikmeyle gerekletirilmesi gerekir. Bu gereksinim de analiz iin gerekli ilemlerde kullanlan algoritmalar sonucu oluan hatalarn minimum olmasnn yannda sis-

temin hzl almasn salama gereksinimini de beraberinde getirir. rnein, saha ierisinde yksek hzda hareket eden topun konumunun ok yksek dorulukta elde edilmesi, eer algoritmamz yava alyorsa bizim iin deersizdir. Topun konumu doru tespit edilmitir; fakat konum tespiti ile ilgili hesaplamalarn sonuland anda top ok daha farkl bir yere gitmi olabilir. Ana sistemin grnt ileme sisteminden ibaret olmad, yapay zeka, haberleme, elektrik sistem ve mekanik sistemlerdeki gecikmenin de tepki sresini etkiledii hatrlandnda bunun nemi daha iyi anlalacaktr. Grnt ile ilgili ilemler srasnda kurallar ve teknolojik snrlamalardan kaynaklanan lme hatalar, bunun yannda bizim rettiimiz zmlerden kaynaklanan yntem hatalar sz konusudur. Dolaysyla, sonucu %100 dorulukta tespit olanamz yoktur.

Bu noktada bizim grevimiz toplam hatay oluturacak lme ve yntem hatalar arasnda, bunun yannda toplam hata ile alma hz arasnda optimizasyon yapmaktr. Yani yntem hatasn artrarak hzmz ykseltmek bizim tercihimizdir. Fakat bu hatay belli bir noktada snrlandrarak tespitteki doruluun eik deerinin altna inmemesini de salamamz gerekir. RNEK PROBLEM: ROBOTLARIN YNELMLERNN TESPT EDLMES Grnt leme sisteminin urat problemlerden bir tanesi her bir robotun oyun ierisinde hangi ynelimde bulunduklarn tespit etmektir. Robotlar ok ynl (omni-directional) hareket etmelerine ramen her robotun sadece bir tane top kontrol nitesi bulunur. Robotlar bu mekanik blmle topu tutabilir, srebilir ya da topa vurabilirler.

Kontrol

mays08

halinde elimizde bulunuyordu. Resimde grlecei zere robotun hareket yn olarak rahat olduunu fakat topu kontrol etmek istediinde kendi ekseni etrafnda dnme hareketi gerekletirmesi gerektiini syleyebiliriz. Robotlarn hareket ynlerini tespit ederken ardl zamanlarda alnan rneklemelerdeki konum bilgilerinden yararlanlabilir. Bu yazda hareket ynlerinin deil top kontrol nitesinin yn tespit edilecektir. Top kontrol nitesinin ynnn tespitindeki ana ama top kontrolne yneliktir. Bununla birlikte rakip robotlarn ynelimlerini bilmek onlardan nce topa mdahale etme, topu kontrol etmesi daha fazla zaman alacak rakip robot zerinden oyun stratejisi belirleme gibi faydalar salar. Ynelim Tespit Algoritmas Algoritmann detaylarna inecek olursak bize ipucu verecek veri ynelim iaretilerinin konumlar olabilir. Grld zere stten bakldnda ynelim iaretilerinin merkezinin renk iaretisinin merkezine ayn uzaklkta olduu fakat bunlarn birbiri arasndaki uzaklklarn robotun n tarafnda artt sylenebilir.

Grntye bakldnda O3 ve O4 arasndaki uzakln dier merkez uzaklklarndan daha fazla olduu grlr. Algoritmada merkezler arasndaki uzakl deil bu uzaklklardan kaynaklanan yaylarn alar zerinden hesaplama yaplacaktr. Robotun merkezinden belli bir uzaklktaki ember taranarak iki iareti arasndaki yayn as hesaplanacaktr.

rnein resimde grlebilecei iin kaleye ut atabilecek robotun topu hangi blgeye vuracann nceden kestirilmesi ve kaleci robotun bu bilgiye gre pozisyon almas ynelim tespitini zorunlu klar. Robotlarn ynelimlerinin tespitinde, robotun zerinde bulunan iareti renklerden yararlanldn BLM I'de sylenmiti. Ynelim iaretileri de belli renklerde olabilirler.(ak pembe ya da ak yeil) Ynelim tespiti iin gelitirilen zmde RGB renk bilgileri yerine robotun kendi rengi olan siyahla iaretiler arasndaki renk deiiminden yararlandk. Ynelim tespiti iin aklmza gelecek yollardan bir tanesi top kontrol nitesinin olduu taraftaki lineer d eperden yararlanmak olabilir. Fakat bu dorusallk top srlrken elde edilen grntde farkl k koullarnda ve robotun bulunduu pozisyona gre top tarafndan yok edilebilir. Ynelim tespitinde RGB renk bilgisi kullanlmad iin RGB uzayndan kurtularak S/B formda 0 255 aras tek bir deer skalas zerinde altk. Bu ekilde ilem saysn azaltarak sistemimizi hzlandrm olduk. S/B forma evirmek fazladan ilem gibi grlebilir fakat robotlarn tespiti iin bu resimler S/B
Kontrol

Resimde grlecei zere A3 yaynn as A1, A2, A3 yaylarndan belirgin bir ekilde fazladr. Merkezi O0(x0,y0) olan ve r yarapl emberi taramak iin; 360 derece boyunca dng ierisinde X, Y noktalarnda gezilir. Grnt matrisinin kartezyen koordinat sisteminde olduu ve gezinme ilemi iin polar koordinat sisteminde allmas gerektii unutulmamaldr.

mays08

X ve Y noktalarna ulamak iin aadaki eitlikler kullanlr.

X= X0 + cos()*r Y= Y0 + sin()*r

kolayca yakalamas asndan performansl bir zm olacaktr. Ynelim tespiti iin daha genel bir zm sunan iareti renkleri, byklkleri, konumlar gibi bilgilerle oluturulan matrise uygulanan diskriminant analizi yntemi de kullanlabilir. Fakat bizim izlediimiz yol performans artrmak amacyla ma banda ynelim iaretilerinin dizilim eklini tespit edip o dizilime zel algoritma koturmak olacaktr. HATA ANALZ Ynelim tespiti iin sunulan algoritmann sadece bir yaklam olduu, gelitirmelerle daha farkl bir hale gelebilecei kabul edilirse algoritmada yntemden ve lmlerden kaynaklanan hatalar ve yaplan ihmaller tarafna biraz eilmemiz iyi olacaktr. ncelikle yukarda anlatlan tespit algoritmasnn 2 boyutlu dzlem dnlerek anlatld sylenebilir. Biraz daha aklamamz gerekirse bu kamerann robotlarn tam zerindeymi gibi dnld demektir. Fakat oyunun kurallar gerei kamera oyun sahasnn tam zerinde ve (son kurallara gre) 4 metre yksekliktedir. Eer ynelimini tespit edeceimiz robot kameramzn tam altndaysa 2 boyutlu dzlem iin almamzda herhangi bir saknca yoktur. Fakat bilindii gibi sahann deiik blgelerine yaylm 10 tane robot vardr. Bu nedenle robotlarn kamera aracl ile elde edilen grntsnde tam stten grnne gre bozulmalar meydana gelir. Burada da kamerann sahadan yksekliine ve robotlarn kamerann bulunduu konumun izdmnden uzaklna bal olarak 3.boyut da hesaplamalarmzda dikkate alnmaldr. Yaplan hesaplamalarda 3.boyuttan kaynaklanan bozulmalarn (fazladan grnen ksmlar) maksimum boyutlar tespit edilerek ihmal edilip edilmeyeceine karar verilmitir.

Maksimum yay asn bulmak iin ilk nce rastlanan siyah pikselin X ekseni ile yapt a minAci, en son rastlanan pikselin yapt a ise maxAci deikenlerine atanr ve aradaki fark yayAcisi deikeninde tutulur. Bu ekilde ilem tekrarlanr ve maxAci ile minAci arasndaki fark yayAcisi deerinden byk olduunda yayAcisi deikeninin deeri deitirilir. maxAci ve minAci deerleri atanrken hangi deikene atanaca ise tutulan bayrak deiken tarafndan belirlenir. Eer bayrak deiken bo ise minAci, dolu ise maxAci deikenlerine atanr ve her atamada bayrak deikenin deeri deitirilir. Ynelim as ise ayn ekilde iterasyonlar srasnda bulunur. maxAci ile minAci arasndaki fark daha nceki yayAcisi deikeninden bykse ayn zamanda ynelim as da hesaplanm olur. Bunun iin maxAci ve MinAci arasndaki farkn yars minAci deikenine eklenir ve ynelim as deikenine atanr.

Ynelimi tespit edilmi robot grnts

Takmlarn byk bir ounluunun yukardaki ynelim notasyonunu kulland bilindiinden S/B formda alarak RGB uzaydakinden ok daha hzl bir ekilde ynelim tespiti yaplabilmektedir. Fakat baz takmlarn merkeze yerletirilen takm iaretisinin etrafnda daha farkl alarla ve daha farkl sayda yerletirdii ynelim iaretileri olabilmektedir. Belirlenen kurallarda robotlarn takm iaretisi dnda kullanacaklar ynelim iaretilerin saysna ve dizilimine snrlama getirilmemitir. Bu durumda RGB uzaynda kalnp renklerin dizilimlerinden hareketle ynelim tespit edilir. Bu yntemde de ayn ekilde takm iaretisinin merkezinden belli bir uzaklktaki emberi taramak ynelim iaretilerini

ekilde grlecei zere kameradan elde edilen grntde robotun yan yzeyinin grnts de

Kontrol

mays08

olacaktr. Genileme miktarn bulmak iin aadaki deerleri kullanabiliriz. , Kamerann saha izdm ile robot zerindeki izdm arasndaki a hr, Robotun ykseklii hc, Kamerann sahadan ykseklii pr, Fazladan grnen alann robot yksekliindeki uzunluu Yukardaki deerlerden , d'ye bal olarak deimektedir.

Robotun yan yzeyinin grntsnn yaratt genilemenin saha seviyesindeki deeri aadaki gibi hesaplanr.

DEERLENDRME VE ALIMALARIMIZ Yazda Robocup SSL kategori robotlarnn ynelimlerinin tespiti ile ilgili bilgi verilmeye allmtr. Elektriksel ve mekanik sistem, yapay zeka sistemi gibi yaplarla beraber alan grnt ileme sisteminin analizlerini olabildiince hzl yapmas beklenmektedir. Grnt ileme sisteminin elde ettii grntdeki deerler belli snrlar ierisinde olduundan( robot byklkleri, saha elemanlarnn konumlar vb.) matematiksel almlarla temellendirilmi baz ihmaller yapmak mmkndr. Belli snrlar ierisindeki sistem parametrelerine ramen yarma dzeneinin bulunduu yerin sahip olduu farkl k koullar btn sistemin baarmn etkileyebilmektedir. Bu nedenle gelitirilen sistemin k koullarndan minimum etkilenir bir ekilde kurulmas, dolaysyla sistem parametrelerinin adaptif olarak belirlenmesi gerekmektedir. Gelitirilen sistemde bu etken gz nnde bulundurulmaya allmtr. Hasan Murat Aknc Kontrol Mhendislii T Robotik Takm Yazlm Ekibi akinci@itu.edu.tr

Kameradan alglanan ksm ise bu genilemenin robotun st ksmnn seviyesindeki izdmdr.

Kurallarda belirlenen saha boyutlar, robot ykseklii ve kamerann sahadan ykseklii gibi bilgiler denklemlerde kullanlarak pr deeri hesaplandnda robotun sahada kameradan en uzak noktaya (korner kesi) gittiinde meydana gelen genilemenin robot yarapna yakn olduu grlmektedir. Bu nedenle robotun stten filtreler sonucu elde edilen grnts daire grnmnden uzaklamaktadr. Yazda anlatlan ynelim tespit algoritmas iin gereken orta noktann tespiti iin nc boyuttan kaynaklanan genilemeler nedeniyle RGB uzaynda takm iaretisinin ortas olarak bulunmutur. Yay alar llerek tespit edilen ynelim iin 3.boyuttan kaynaklanan bozulma ok yksek alarda yay alarnn da farkl olarak alglanmasna neden olmaktadr. Fakat saha snrlar belli olduundan (kamera as kk) yaplan hesaplamalar sonucu yay alarnn alglanndaki hata ihmal edilebilmektedir.

REFERANSLAR 1 - ROBOCUP Resmi Web Sitesi: www.robocup.org 2 - S. Umemura, K. Murakami, and T. Naruse, Orientation Extraction and Identification of the Opponent Robots in RoboCup Small-Size League, RoboCup 2006: Robot Soccer World Cup X

Kontrol

mays08

YAPAY ZEKA VE TURNG TEST

Yapay zeka nedir? Teknolojinin gnmzdeki hzl geliimi, hem gndelik hayatmz hem de endstriyel iletmeleri byk lde etkilemektedir. zellikle son yllarda bilgisayar, donanm ve yazlm alannda ok byk mesafeler kat edilmitir. Bu ilerlemeler sayesinde bir yandan hayatmz kolaylarken, endstriyel alanda da byk gelimeler salanmtr. Bu sre, insan gibi dnebilen sistemlere ihtiya duyulmasyla 50 yl akn bir sredir devam etmektedir. Yapay zeka olarak adlandrlan bu sistem, insan zekasn model edinen bir disiplin olduundan; psikoloji, nroloji, programlama gibi disiplinleri de kapsayan geni bir alma alanna yaylmtr. Her ne kadar yapay zeka, gzlemlenen bir sistemin bir anlamda taklidi olmas asndan yaplabilir gzkse de insan beyninin yapsnn tam zlememi olmas nedeniyle bu almalar tam anlamyla baarya ulaamamtr. Yapay zekann yaplabilirlii konusunda bilim insanlar farkl grlerdedir. Fakat, dnyann drt bir yannda insann dnce sistemini algoritmaya evirmek amacyla birok bilim insan eitli almalar yrtmektedir. Yapay zeka konusundaki ilk almalar McCulloch ve Pitts tarafndan yaplmtr. Bu almalar; nermeler mant, fizyoloji, yapay sinir hcrelerini kullanan hesap modeli ve Turing'in hesaplama modeline dayanyordu. Bu bilim insanlarnn yrtt almalar hesaplanabilir herhangi bir fonksiyonun yapay sinir hcreleri kullanlarak da yaplabileceini gsterdi. Bundan yola karak yapay sinir hcrelerinin "ve", "veya" gibi mantksal ilemleri gerekletirebilecei anlald. Bununla birlikte bilim insanlar bu yapay a yaplarnn uygun ekilde tanmlanmasyla renebilme yeteneini kazanabileceini ileri srdler. 1950'li yllarda yapay zeka adna eitli almalar balad. O dnemde Shannon ve Turing bilgisayarlar iin bir satran program yazyordu. Yine ilk yapay zeka temelli bilgisayar MIT'te Edmonds ve Minsky tarafndan yapld. Sonrasnda 1956 ylnda Dartmouth'da dzenlenen ve 2 ay sren bir altayda bu almalara McCarthy'nin nerisiyle yapay zeka ad verildi. Ayrca bu toplantda ilk mantksal kuram aklayan program olan Mantk Kuramcs (Logic Theorist) tantld. Sonrasnda ise insann dnme sistemini rnek edinen ilk program olan Genel Problem zc (General Problem Solver) yine Mantk Kuramcs'n yazan Newell ve Simon tarafndan yazld. Bundan sonraki yllarda yine yapay zeka almalar srekli artan bir ivmeyle devam etmi ve birtakm yapay sorunlar ve yapay dnyalarla bunlarn baarlar denetlenmitir. Ancak bu yapay dnyalar sonraki dnemde gerekle alakas olmayan oyuncak dnyalar olarak nitelendirilmi ve yapay zekann gerek dnyadaki sorunlar zmede baarl olamayaca ne srlmtr. Yapay zeka almalarnda pek ok problemle karlalmasnn, ve gln sonularla karlalmasnn en nemli nedenlerinden biri, yapay zekann olaya szdizimsel yaklamas ve konuyla ilgili bilgileri kullanamamasyd. Bu dnemde yazlan popler programlardan biri olan Eliza, karsndakiyle sohbet ediyor gibi grnmesine ramen, sadece karsndaki insann kurduu cmleleri alglayarak bunlarn zerinden baz ilemler yapyordu ve zaman zaman ok gln sonularla karlalabiliyordu. Bu olaylardan sonra bu tr almalara verilen destek azald. Daha sonra bilim insanlar genel problemleri zebilen robotlar yerine belirli bir alanda bilgilendirilmi yapay zekalar (uzman sistemler) zerinde alma fikri bu alandaki almalar iin yeni bir dnm noktas oldu. Fakat burada da ok sk karlalan sorunlardan biri de bir evin dekorasyonu iin nerilerde bulunan bir uzman sistem programnn, evin ne ie yaradndan haberi olmamasyd. Yine ayn dnemde genel sorun zmne ynelik farkl almalara da baland. nsanlarn iletiimde kulland Trke, ngilizce gibi dilleri anlayabilen programlarn dnya hakknda genel bilgiye sahip olmas ve bu bilgiyi kullanabilmesi iin genel bir yntem araynn olmas gerektii belirtilmekteydi. Uzman sistemlerin baarlar beraberinde ticari uygulamalar da getirdi ve bu yapay zekann bir endstri haline gelmesinde ok nemli bir rol oynad. DEC firmas tarafndan kullanlan ve mterilerine

Kontrol

mays08

Uzman sistemlerin baarlar beraberinde ticari uygulamalar da getirdi ve bu yapay zekann bir endstri haline gelmesinde ok nemli bir rol oynad. DEC firmas tarafndan kullanlan ve mterilerine siparie gre donanm seimi yapan uzman sistem olan R1, DEC irketine ylda 40 milyon dolarlk bir tasarruf salaynca yapay zeka bir anda birok lkenin odak noktas oldu. 1988 ylnda yapay zeka endstrisinin cirosu 2 milyar dolara ulat. Yapay zekann ticari hayattaki bu baars onu bir kere daha bilim insanlarnn odak noktalarndan biri haline getirdi. Bilim insanlar tm bu olaylar nda yapay zekaya birbirinden ok farkl yntemlerle yaklatlar. Bu yaklamlar yapay zekann amacnn tanmlanmasnda da birtakm eitlilikler oluturdu. Ancak gnmze kadar uzanan srete hala en ok tartlan konu yapay zekann tam anlamyla var olup olamayacadr. Bu aslnda yapay zekaya felsefi yaklamn ortaya kard bir sorudur. Yapay zekann gerekten var olup olmad sorusu felsefi olarak incelenirken, mevcut almalar iin de birtakm testler dnlmtr. Bunlardan en ok tartlp en popler olanlardan biri phesiz Alan Turing'in ortaya att Turing Testi'dir. Dartmouth konferansndan 6 ay nce, yani 1950'li yllarda Alan Turing, Mind dergisinde "Computing Machinary and Intelligence" adl makalesini yaynlad ve makinelerin dnebilecei iddiasn ortaya att. Turing'in bu fikirleri yapay zekann balangc olarak dnlebilir. Ayrca Turing Testi de bu yolda bir hedef olarak akllarda yer edinmeye balamtr. TURNG TEST, TAKLT OYUNU Turing'in amac bir makinann yapay zekasna deer biebilmek yani onu deerlendirebilmekti. Taklit oyunu, Turing'in bu hedefini uygulamaya dkme isteinin sonucu oldu. Taklit oyununun son halinin esinlendii nokta olan ilk aamasnda bir erkek (A) bir bayan (B) ve bir de soru soracak (C) kii bulunur. Soru soracak kiinin cinsiyeti bu aamada bir nem tamaz. Burada kiinin (C) sorduu sorulara kark olarak erkek (A) ve bayan (B) cevap verirler. Sorular sorann (C) grevi ise hangisinin bayan olduunu anlamaktr. Bu sayede bu testin sadece yazl iletiimle geilip geilemeyecei denenmitir. Sorularda herhangi bir konu snrlamas yoktu, hayal edilebilecek her trl soru sorulabilirdi. Turing Testi'nin ikinci aamasnda ise Turing, programlanan makineyi ilk aamadaki erkein (A)

yerine koymay dnd. Acaba sorular soran kiinin cevaplar ve bu cevaplarn doruluk yzdesi bu testte de, ilk testte olduu oranlarda olacak myd? Turing bu testte bir bilgisayarn yeterli bellee ve hza sahip klnp, uygun bir yazlmla uygun ekilde programlandnda, insann yerini alp alamayacan grmek istiyordu. kinci aamann ikinci blmnde Turing, bir makine (B) ve bir erkein (A) kadn gibi davranmasn istedi. Bu testle makinann insan gibi davrannn tesinde daha zel bir davran biimi olan kadn davrann gsterip gsteremeyeceini denemek istiyordu. Acaba sorular soran kii, makinenin kadn olup olmadn ilk testteki oranlara yakn isabet yzdesiyle anlayabilecek miydi? Yalnz bu aamada bir sorun ortaya kyordu, makine bir kadn gibi mi yoksa erkek gibi mi davranmalyd? Acaba testin ikinci blmndekilerden hangisi kullanlmalyd?

Bu belirsizliin cevapsz kalmasnn ardndan Turing, bu testte farkl bir yntem ileri srd. Ona gre yapay zekann asl ilevi erkek veya kadn gibi davranabilmekten ok, insan gibi davranabilmekti. nsan davranlarnn ne kmasyla Turing Testi cinsiyet kavramn geri plana itti ve bu testi, bir makine, bir insan ve bir sorgulayc insanla uygulanan bir test haline dntrd. Bu versiyonda sorgulayan kiinin hedefi, kimin insan olduuna karar vermekti. Akllara Turing'in Taklit Oyununu gelitirirken neden bu kadar ilgin bir yol izledii sorusu gelebilir. Ancak Turing bu aamalar yardmyla makineyi yava yava insann yerine monte ederek, daha doru bir deerlendirme mekanizmas elde edeceini dnmtr. Ona gre kadn veya erkek taklidi yapmak, yapay zekann ulamak istedii nokta iin yeterli bir

Kontrol

mays08

Akllara Turing'in Taklit Oyununu gelitirirken neden bu kadar ilgin bir yol izledii sorusu gelebilir. Ancak Turing bu aamalar yardmyla makineyi yava yava insann yerine monte ederek, daha doru bir deerlendirme mekanizmas elde edeceini dnmtr. Ona gre kadn veya erkek taklidi yapmak, yapay zekann ulamak istedii nokta iin yeterli bir seviye deildir. Ayrca ikinci aamann b ynteminden rnek verecek olursak, burada testin baars Turing'e gre aka belirsizdir. nk makine de erkek de bir bayan gibi davranmaya alyorlard, oysa ikisi de bayan deildi. Yani olmadklar bir ey gibi davranmaya alyorlard ve bir kadn gibi davranabilme konusunda her erkein baars farkl olacandan makinenin baars net biimde llemezdi. Peki, acaba Turing'in bu testi amacna uygun muydu? Yani gerekten "Makineler dnebilir mi?" sorusunun cevabn verebiliyor muydu, yoksa sadece makinelerin ne kadar iyi insan taklidi yapabildiklerini mi lyordu? Turing'e gre bu testin ald son hal, makinenin insan varl seviyesinde bilgi ve yarg zelliine ulap ulamadn iyi biimde lebiliyordu. Ama zaten insan gibi dnebilen sistemler retmekti, dolaysyla insan varlnn taklit edilmesinde bir saknca yoktu. Turing Testi'nin zaman iinde gittike daha da poplerlemesiyle, teste felsefi adan yaklaanlarn says da artmaya balad ve test hakknda birok eletiri yapld. Bunlardan biri taklit oyununun amacn ciddi anlamda sorgulayarak, bu teste giren bir makinenin testi gemesi iin, "Makineler dnebilir mi?" sorusunun deil; "Makineler taklit oyununu geebilir mi?" sorusunun cevaplamas gerektiini savundu. Bu, olayn bir anda insan gibi dndrebilme hedefinin yerine bir ekilde Turing Testi'nin geilebilmesi hedefine dnmesi anlamna geliyordu. Ve ama bu olunca oyunu bu kurallara gre oynamak gerekiyordu. Bu da istenmeyen uygulamalarn ortaya kmasna neden oldu. rnein bir bilgisayara herhangi bir matematiksel ilem sorulduunda, bilgisayar bunu bir insandan ok daha ksa bir srede cevaplayabiliyordu. Bu bilgisayarn insandan bir stnlyd, ama Turing Testi'nde sorgulayc kii bilgisayara matematiksel bir ilem sorup cevaplama sresinin ksaln grdnde kolaylkla bir makine olduunu anlaya-

biliyordu. nsanlar bunu nlemek amacyla gecikme algoritmalar yazmaya baladlar. Bu, insanlar taklit edebilmek urunda makinelerin geriye gtrlmesiydi ve bu istenmeyen bir uygulamayd. Hatta insanlar bu algoritmalarda biraz daha ileriye gidip, bilgisayar zaman zaman yanl cevap verecek ekilde programlyorlard nk insanlar da yanl cevaplar verebiliyorlard. Peki, yapay zekann gelmek istedii nokta bu muydu? Kimileri bunu hile olarak deerlendirdi; ancak kimilerine gre de bu sadece bir aldatmayd. Ve taklit oyunu zaten bir aldatma oyunuydu. Bir makine bu oyunda bir insan rahatlkla aldatabilecek seviyeye geldiyse, o insan benzeri cevaplar retebilmi, yani o seviyeye ulam demektir. Grld gibi insanlar yapay zekann ltn belirleyebilmek iin ok farkl fikirler ve yorumlar ortaya atm, bu zt grlerin nda Turing Testi ekillenmi ve her seferinde ald ekil uzunca tartlmtr. Bu gn insanlar hala yapay zekann varl ve Turing Testi konularnda net bir sonuca varm deiller. Ancak u tartlmaz bir gerek ki, Turing Testi uzun yllardr var olmakla birlikte, poplaritesini hala kaybetmemitir. Dileriz insanlar, insanla ve yapay zekann geliimine fayda salayacak projeler retirler. Aada bugne kadar Turing Testi'ne katlm baz programlarn, insanlarla olan diyaloglarn grebilirsiniz. Bu makinelerin performansn grmeniz iin daha faydal olacaktr. Hakem: Dn akam yemeinde ne yedin? unu bilmeni isterim ki ben sk bir vejeteryanm. Weintraub'un Program: Sana inanyorum ama bana sadece akam gece 7.33'te ne yediini syle. Banaz insanlar bir anahtar deliine iki gzle bakmaya alr. Senin aklndakiler de bu tr sorular m? Hakem: Dn, akam yemeinde ne yedin? Weintraub'un Program: Bir kadn daha ne yapabilir ki? Hangi cevap seni tatmin edebilir? Weintraub'un Program: Senin iin en neli ey ak mdr? Ak senin iin ne kadar nemli? (program konuyu deitiriyor) Hakem: Bende var olan, izofreni iin bir ilatr. Weintraub'un Program: Bir eyin gereklilii hakknda etkileyici bir rnekti bu. Var olan izofreni, gerekten etkileyici. zen zkaya
Elektronik Mhendislii ozkaya.ozen@itu.edu.tr
Kaynaklar -Saygn, Cicekli, Akman, Turing Test 50 Years Later, 2000. -CIN, smail Yapay Zeka ve Gelecek Korkusu, Mays 1995. -Anderson, A. (1964) Minds and Machines. -Dreyfus, H. (1992) What Computers Still Cant Do?

Kontrol

mays08

10

NANOROBOTK
Yaklak elli yl ncesine dayanan, maddelerin milyonda biri boyutlarnda maniple ederek yaplaryla oynamay amalayan nanoteknoloji, robotik alannda da almaya balad. Aslnda 1959 ylnda Amerikan Fizik Topluluu'nun yllk toplantsnda Richard Feynman maddenin kk leklerinde almann nemli bululara yol aacan vurgulamt. Feynman'a gre atomlar yan yana dizerek bir yap oluturmak fizik kanunlarna gre olduka mmknd ve pratikte bunun salanabilmesi nemli baarlar getirecekti. Nanoteknolojiyi tevik etmek amacyla kendi kiisel birikiminden pay ayrarak bunu nanoboyutlarda bir motor yapacak olan kiiye dl olarak koymasnn bugnk nanoteknolojik almalara n ayak olduu sylenebilir. Nanorobotlar; alglayabilen, veri depolayabilen otonom veya yar otonom olabilen ok kk boyutlardaki robotik yaplardr. Nanorobotik uygulamalar 20 -25 yllk gemii olan nanoteknolojiye paralel olarak gelimesi gz nnde bulundurulduunda, nanorobotiin gelimesi iin nnde ok uzun bir yol olduu grlr. Ama unu da atlamamak gerekir ki u aamada bile nanorobotiin yapabildikleri gelecek iin gerekten mit vericidir. Bir rnek verecek olursak; 1985 ylnda Rice niversitesi'nden Richard Smalley'in grafit kullanarak karbon atomlarnn 60'l gruplar halinde bir kre oluturabildiini bulmas gnmzde fulleren olarak adlandrlan bu krelerin nanorobotlarda tekerlek olarak kullanlmasn salamtr. Nanoteknolojide gelimeler elektronik alannda da ok nemli olan transistrleri etki l e m i t i r . Gnmzde 60 nm'ye 30 nm boyutlarnda transistorler retilmektedir. Nanoteknolojinin amac daha kk boyutlarn mmkn olup olmadn aratrmaktr. Maddelerin alldk zellikleri gz nnde bulundurularak eitli alanlarda kullanlmas mmkndr. Boyutlar kldke kuantum mekanik etkilerden dolay maddeler, bu allagelmi zelliklerinin yannda ok daha zel iletkenlik, gerilim, optik zellikler kazanabilmektedir. Bu nedenle nanoteknolojiden beklenenler ve bu alanda alanlarn says gn getike artmaktadr. Daha kk boyutlarda almak iin yeni teknolojiler gelitirilmelidir. Geleneksel silikon teknolojisinde kullanlan optik litografi yntemleri bu boyutlar ieren aygt yapmnda yetersiz kalacaktr. Bu durumda nanoyaplar retmek iin yeni fabrikasyon teknolojilerinin gelitirilmesi gerekmektedir. Optik litografi temelli silikon teknolojisinin 10 - 15 sene iinde yetersiz kalmas ile nanoyaplar ieren nanoelektronik temelli tmleik devreler yapmnda elektronik demet nanolitografi sistemleri kullanlacaktr. Elektron demet litografisi yntemi gnmzde nanoyaplarn retiminde en yaygn olarak kullanlan teknolojidir ve ileride hzla gelimesi beklenmektedir. Elektron dalga boyunun 0.1 - 1 nm mertebesinde olmas sayesinde elektron demetlerini 1 nm boyutlarnda odaklamak teorik olarak mmkndr. Elektron demet nanolitografi sistemleri nanoelektronik devrelerin retimi yannda nanofotonik, nanomagnetizma ve dier ekillendirilmi nanoyaplar gerektiren tm nanoteknolojilerde nemli bir temel teknolojidir. Bu ekilde daha k hedeflemede bir adm daha kat edilmitir. Peki, Feynman'n dedii gibi atomik boyutlara inebilir miyiz?

Kontrol

mays08

11

edilmitir. Peki, Feynman'n dedii gibi atomik boyutlara inebilir miyiz? Molekler yaplar kullanarak elektronik devreler kurma konusundaki almalar ilerlemektedir. Molekl kombinasyonlar kullanarak "mantk yaplar" oluturulabilmektedir. ekillerde grlen "VE" (AND) ve "VEYA" (OR) molekller kullanlarak

da bulunan balca maddelerdir. Organik nikel kullanlarak biyomolekler motor yaplmas da organik maddelerin kullanmlarna rnek verilebilir. Pek ok nanomakine tekerler pervaneler ve dililere ihtiya duyar.

ekil 1: VE kaps modeli

ekil 2: VEYA kaps modeli

oluturulmaktadr. Bu yaplar pek ok mantk devresinin yapmn nanoboyutlara indirebilecektir. Bu boyutlarda alan devrelerin yaplmas minyatrletirme alannda nemli gelimelerin nn aabilecektir. Peptidler (pek ok amino asitten oluan proteinler) ve DNA, RNA gibi nkleik asitler nanorobotikte kullanlmaktadr. Bu molekllerin canllarn en nemli vasf olan kendini oaltma zellikleri bakmndan ok nemli bir ileve sahiptir. Nkleik asitler, aminoasitler ve proteinler yardmyla yeni molekller sentezlenebilmektedir. Organik kkenli yaplarn dier yntemlere gre pek ok avantaj bulunmaktadr. skeletimizi oluturan kemiklerin grafitten daha salam olduu ve nronlarmzdaki elektriksel iletimin elektrik kablolarndan daha hzl olduu gerei bunu kantlamaktadr. Yaplan tm byk bulular ve teknolojik gelimelerin doadan ilham almasnn nedeni budur. Biyonanorobotlar da doadan esinlenerek yaplmaktadr ve organizmadaki biyolojik zararllara kar kullanlmaktadr. Organik yaplar kullanlarak oluturulan bu savalar normal robotlardaki gibi alglamaya yardmc sensrlere, hareket etmeyi salayc sistemlere sahip olabilmektedir. Ayrca bunlar organik yaplarla karlamaktadrlar. Canl sistemler tarafndan retilen maddelerin ilevlerinin anlalmas bu maddelerin nanorobotlarda da kullanlabilmesine olanak salamaktadr. Rodopsin enzimi ve s oklar geleneksel anlamdaki sensrlerin yerini tutmaktadr. DNA'lar, karbon nanotpler ve zar proteinleri biyonanorobotlarn yapsn-

Nanoyaplarn pek ou organik bileenlerden karbon, oksijen, azot ve hidrojenden bunlarn dnda baz metal iyonlarndan olumaktadr. Elektrostatik etkileim, kovalent balar ve hidrojen balar bu yaplarn olumasnda nemli bir role sahiptir. Bu makinelerin byk ounluu k, kimyasal etkiler veya mekanik etkilerle kontrol edilmektedir. Aktin ve miyozin moleklleri ATP sentezi gibi biyolojik ilemler srasnda molekller arasnda kimyasal balar ve elektrostatik ekim kuvvetlerinden dolay belirli etkileimler olumaktadr. Bu deer ok kk gzkmesine ramen nanoboyutlarda olduka yararl olmaktadr. Bu sayede nanomotorlarn yapmnda kullanlmaktadr. ekilde nanomotorlarn ATP sentezi srasnda kazand kuvvet sayesinde yapt hareketi grmekteyiz.

Nanorobotlarn olmazsa olmaz konumundaki elemanlarndan biri de evredeki verileri toplamaya yarayan sensrlerdir. Bu sensrler evredeki kimyasal veya fiziksel verileri alglayclar yardmyla

Kontrol

mays08

12

yardmyla alabilmektedir. Bu alglayclar kimyasal moleklleri veya organik kkenli molekllerden oluturulmaktadr. Bunlarn dnda nanoteknolojinin gelimesiyle elektronik alan da mikro boyutlarda alabilir duruma gelmeye balamaktadr. CMOS (btnleyici metal oksit yariletken) teknolojisi nanorobotik alannda kullanlmaya balamtr. Bunun yannda nanokablolarn da kullanmyla veri tanmas ile enerji tketiminde nemli bir kazan salanm ve kimyasal ve fiziksel deiimlere dayankl sistemler elde edilmitir. CMOS devreleri nanoboyutlarda alrken yeni malzemeler kullanlarak gelitirilmektedir ve gnmzde 45 nm'ye 90 nm boyutlarna kadar klm CMOS'lar kullanlmaktadr. Nanoboyutta altmzda her ne kadar CMOS gibi yaplar veya organik kkenli molekllerle alsak da belirli bir enerji harcamaktayz. Nanorobotlarn enerji tketimleri elektromanyetik enerjilerin dntrlmesiyle, scaklk deiimlerinden doan potansiyel deiimleri veya bir akkan ierisinde hareket eden nanorobotlar iin kinetik enerjiden enerji retilmesi gibi alternatifler dnlmektedir. Bunun yannda genellikle RFID (radyo frekansl tanmlama) sistemler bu tr durumlarda tercih edilmektedirler. Miliwatt dzeyindeki bu g yardmyla nanorobotun enerji ihtiyac giderilmektedir. Tbbi kullanmlar dnda ak bir evrede alan nanorobotlarda k da nemli bir enerji kayna olarak kullanlmaktadr. Nanorobotun evreyle etkileim iinde olmas bizim iin olduka nemlidir. Bu da evreden alnan verileri belirli yntemler dahilinde dar iletilmesiyle mmkn olabilmektedir. Nanorobotlarda veri aktarm alma ortamna gre farkl ekillerde olabilmektedir. Sv bir ortamdaki tbbi uygulamalarda damarlar gibi kollojen yap iinde alacamz dnldnde akustik, k, RF (radyo frekanslar), kimyasal uyarlar veri aktarm iin kullanlabilir yollar olarak grlmektedir. Kimyasal uyarlar yoluyla iletiim, grup halinde alacak robotlar iin olduka uygun gzkmektedir. Akustik uzun mesafede etkili olabilmektedir. Optik zelliklerin kullanlmas ve k yoluyla iletiim snrl enerji kaynamz bulunduundan dolay her ne kadar hzl olsa da pek tercih edilmemektedir. RFID sistemde almak enerji bakmndan da erim olarak da uygun olduundan daha sk tercih edilmektedir. RFID ve CMOS bileimli sensrlerin kullanlmas ise enerji asndan olduka ekonomiktir ve tbbi uygulamalarda 1 ila 20Hz aras deerlerin herhangi bir olumsuz etkisi bulunmamaktadr. rnek vermek

gerekirse byle bir sistemle 8Hz frekansta 3V gerilim ile 20 W tketimi olmaktadr ki bu enerji kaynaklarn verimli kullanmak asndan olduka nemlidir. Nanorobotik sistemlerin tasarmnda gz nne alnmas gereken pek ok sorun vardr. Enerji kullanm, veri aktarm, fiziki artlar bunlardan sadece birkadr. Bu aamada nanorobotik sistemlerin tasarm kuantum molekler dinamikten, kinematik analize kadar pek ok alan kapsamaktadr. Nanorobotikte baary yakalayabilmek iin ilk adm biyonanomalzemeleri anlamaktan geer. Eer molekler yaplarn ileyilerini iyi anlarsak bunlar kolaylkla maniple ederek istediimiz ilevleri kazandrabiliriz. Rodopsin, ATP gibi molekller, kimyasal zelliklerinin anlalmas sayesinde gnmzde sensr ve hareketi salayc ilevler

Sekil 3: Molekler motor modeli

kazanrlar. Dier aamada ise bu yaplar programlamak ve kontrol etme problemi devreye girer. Nanorobotlarn beraber koordineli olarak alarak yerine getirmeleri gereken grevleri olduunu da gz nnde bulundurursak birbirleriyle olan etkileimleri ve evreden aldklar verileri yorumlayp hareketlerini bunlara gre planlamalarnn nemli byktr. Bu aamada veri saklama, veriyi ileme ve verinin tanmas gibi problemler ortaya kmakta ve bunlarn her birini nanoboyutlarda zmemiz gerekmektedir. Bir sonraki aamada ise bu robotlarn otomatik retimleri devreye girmektedir. nk nanorobotlarda genellikler var olan organik malzemeleri kullanmay amalamaktayz. Bu ekilde daha kolay elde edilebilir sistemler oluturabiliriz. Nanorobotik sistemlerin kontroln i kontrol ve d kontrol olmak zere iki snfta toplamak mmkndr. kontrol biyokimyasal sensrlerin evreyle etkileimi sonucu molekllerin ekillerindeki

Kontrol

mays08

13

mmkndr. kontrol biyokimyasal sensrlerin evreyle etkileimi sonucu molekllerin ekillerindeki deiimin nanorobotta hareket amal kullanlmasna dayanmaktadr fakat bu pasif kontrol trnn dezavantaj bu hareketlerin ortamda bulunmas umulan zel molekllere gre dzenlenmesi ve bir kez oluturulduktan sonra deitirilmesinin mmkn olmamasdr. Bunun yan sra aktif kontrol sistemlerinde ise belirli bir yazlm ve donanm mmkn hale gelmitir. Yaklak 10 yllk bir sredir DNA'lar yazlm olarak hesaplama yapmak gibi ilemlerde kullanlabilir durumdadr. Enzimler yardmyla alnan kararlar harekete dntrlmektedir. Ksaca enzimler donanm ilevi grmektedir. Bunun haricinde gelitirilen algoritmalar sayesinde ortamdan gelen verilere gre hareketlerini dzenleyebilir belirli kimyasallarn daha youn olduu blgelere ilerleyebilir. D kontrol sistemlerinde ise nanorobotlarmzn hareketlerine dardan mdahale etmemiz mmkn hale gelmitir. Bu sistemlerde MRI (manyetik rezonans grntleme) yardmyla deiken bir manyetik alan oluturulabilmekte ve bu sayede 3 boyutta nanorobotlarn kontrol mmkn hale gelmektedir.

olmalar sadece tp alannda deil daha pek ok alanda ihtiya duyulan aralar olacaktr. Nanorobotiin bu derece iyi olabilmesi bundan sonras iin mit verici grnyor. Nanoteknolojideki gelimelere paralel olarak nanorobotik de ilerlemesini srdrecektir. nsan vcudundaki zararl yaplar ortadan kaldrmakta nanorobotlar kullanmak bilimkurgu olmann tesine geecek gibi gzkyor. Ama bu yeni gelimekte olan alann nnde kat edecek daha ok yol olduunu da gz nnde bulundurmakta fayda var. Fakat Feynman'n 50 yllk ngrlerinin gereklemeye balamas ve onun hayal gcnn de tesinde bir hal almas ok yakn gibi gzkyor.

Onur Varol Elektronik Mhendislii varolo@itu.edu.tr

Nkleik asitlerin kendini onarma, kendini kopyalama gibi zellikleri de nanorobotlar zel yapmaktadr. Viral DNA ve RNA kullanlarak yaplan nanorobotlarn sarlk virsne baarl olduklar gzlenmitir. Genetik yapsyla oynanan virsler verilen grevleri kusursuz yerine getiren klelere dntrlebilmektedir. leride bu robotlar yardmyla hastalklara nceden tehis konmas ve kontrol altna alnabilmesi mmkn olacaktr. Az enerji kullanmalar, toplu halde alabilmeleri, ok kk boyutlarda

Kaynaklar * Adriano Cavalcanti*1,2 Bijan Shirinzadeh2, Robert A. Freitas Jr.3 and Luiz C. Kretly4 Medical Nanorobot Architecture Based on Nanobioelectronics Recent Patents on Nanotechnology 2007, 1, 1-10 * Adriano Cavalcanti Bijan Shirinzadeh Declan Murphy Julian A. Smith Nanorobots for Laparoscopic Cancer Surgery IEEE ICIS 2007 International Conference on Computer and Information Science * Ummat A., Sharma G., Mavroidis C., Dubey A. Bio-Nanorobotics:State of the Art and Future Challenges * M. Jagadesh Kumar, Molecular Diodes and Applications, Recent Patents on Nanotechnology 2007, 1, 51-57

Kontrol

mays08

14

Robotlar:Yeil Sahada: ROBOTST

www.robotist.itu.edu.tr 2050 ylnda dnya ampiyonu insan takmna kar, 90 dakika mcadele edecek ve kazanacak, tamamen otonom robotlardan oluan bir futbol takm oluturmak. ROBOCUP'n kendine koyduu bu hedef, Wright kardelerin ilk deneme uularyla, Apollo'nun Ay'a inii arasndaki yarm yzyl veya ilk bilgisayarn icadndan 50 yl sonra insan zekasn yendii gz nne alndnda hi de imkansz grnmyor. Robocup, amac yapay zeka ve robotik bilimini gelitirmek olan uluslararas bir aratrma ve eitim insiyatifidir. Bu amaca ynelik birok teknolojinin incelenip, iine dahil edilebilecei, tm dnyada yakndan izlenen "futbol"u aratrma alan olarak semitir. 1995in Austos aynda ilk Robot Futbol Oyunlar Dnya Kupas'nn Nogoya'da 1997'de gerekletirilecei duyurulmutur. 1997 yaznda yaplan bu ilk resmi kongre ve yarmay Paris, Stockholm, Melbourne, Seattle, Fukuoka/Buson, Podova, Lisbon ve 2007'de 39 lkeden 321 takmn katld Atlanta izledi. Robocup organizasyonu 3 ana kategoriden olumaktadr; 1.Robocup Rescue: Afet arama - kurtarma robotlar 2.Robocup Junior : Ortaokul - lise rencilerinin yaptklar robotlar 3.Robocup Soccer : Futbol oynayan robotlar Robocup Rescue, zorlu afet artlarnda birok sayda robotun haberleebilmesi, ortak strateji belirleyebilmesi, fiziksel artlara dayanabilmesi ve btn bunlarn yardmyla arama kurtarma almalar yapabilmesinin aratrlmas amacyla; genellikle niversitesi ncesi takmlarn yart Robocup Junior kategorisi ise genlerin robotie ilgilerini artrmak ve donanm, yazlm, mekanik gibi alanlarda tecrbe kazanmalarn salamak amacyla dzenlenmektedir. Robocup Soccer, tm akademik evreler ve dnya tarafndan merakla izlenen, futbol oynayan robotlarn yart kategoridir. eitli zelliklerde robotlarn yart bu alanda, her geen yl elde edilen gelimelerle 2050 hedefine daha da yaklalmaktadr. Robocup Soccer balnda takmlar 5 alt
Kontrol
mays08

kategoride yarmaktadr : Humanoid League: Bu kategoride mekanik olarak daha insans robotlar yarmaktadr. Mekanik problemlerden dolay daha emekleme aamasndadr. Standart Platfom: Bu kategoride 2007 ylna kadar Sony'nin rettii Aibo robotlarla yarlyordu. Yaplan bir deiiklik ile 2008'den itibaren Aldebran Robotics'in Noo robotlar ile yarlacak. Katlan ekipler hazr gelen platformun kontroln ve yapay zekasn gelitirir. Simlasyon Kategorisi: 2 ve 3 boyutlu sanal platformda futbol oynayan sanal robotlarn yart kategoridir. Middle-Size (orta boy): Boyu 50 cm'i amayan en fazla 4 robottan oluan takmlarla 12m - 8m sahada oynanan kategoridir. Small-size(kk boy)dan fark robot boylar ve genel grnt sistemleridir. Small-Size (kk boy): T ROBOTIST olarak katlacamz small-size kategorisinde15cm yksekliinde 18 cm apnda 5'er robotluk takmlar 4,9m3,4m boyutlarnda yeil bir sahada turuncu golf topuyla karlamaktadr. ROBOCUP ierisinde en dinamik ve en heyecanl yapya sahip bu kategoride yaran takmlar robotlarn mekanik, elektronik, yapay zeka ve grnt ileme fonksiyonlarnn her birini gerekletirecek sistemi oluturmakla sorumludurlar. Takmlarn mekanik tasarmlar her geen yl birbirine daha da yaklamakta olup,yarmalarda stnl yapay zeka gelitirmeleri salamaktadr. Yapay zekann tm dier sistem bileenleriyle koordine almak durumunda olduu unutulmamaldr. ROBOTIST olarak biz de btn bu fonksiyonlar gerekleyecek sistemi oluturmak iin 5 ekip olarak almaktayz: Yazlm Ekibi, kameralar ile oyun sahasndan gelen grntleri grnt ileme algoritmalar ile analiz edip, robotlarn ve topun konumunun tespiti bu bilgilere gre kurulan yapay zeka algoritmalar ile de gerek zamanl olarak taktik retilmesi, karar verilmesi gibi ilemleri yerine getirmektedir. Grnt ileme modl ile genel grnt, renk ve blob analizi ile topun ve robotlarn tanmlanmas yaplmakta; yapay zeka modl ile ise savunma ya da hcum arlkl

15

oyun, pas atlacak robotun tespiti, topa ynelecek robotun tespiti, rakip kaleye ut atma zamannn ve konumunun tespiti gibi kararlar verilmektedir. SmallSize kategorisinde grnt sistemi olarak yerel veya evrensel grnt sistemleri kullanlmaktadr. Yerel grnt sisteminde her bir robot kendi zerindeki grnt elemanndan grnt bilgisini alp ilemekte ve gerektiinde dier takm elemanlar ile paylamaktadr. Evrensel grnt sisteminde ise sahann, robotlarn ve topun grnts karlamann yapld platformun zerinde bulunan 2 adet yksek znrlkl kamera ile elde edilmekte, merkezi bir sunucuda ilenip robotlara iletilmektedir. Yazlm Ekibi olarak kullanacagimiz sistem daha verimli ve almalarmza uygun olan evrensel grnt sistemidir. Takmlar yapay zeka konusunda da her bir robotun zerinde datk sistem ya da merkezi sistem olmak zere iki ayr seenekten birini kullanabilmektedir. Datk sistemde her robot kendisine gelen grnt bilgisine gre kendi kararlarn vermekte ve en uygun hareketi yapmak iin dier takm elemanlaryla haberleebilmektedir. Bu ilemin her robot zerinde yaplmas byk bir ilemci yk getirmekte fakat en nemlisi bireysellii ve otonomluu n plana karmaktadr. Merkezi sistemde ise yapay zeka algoritmalar merkezi bir sunucuda almakta; verilen kararlar ise kablosuz olarak robotlara aktarlmaktadr. Elektrik Ekibi, robotlarn hareketini oluturacak bilgilerin, robotu hareketini salayacak mekanik ksm ile iletiimini salamaktadr. Bunu kameralardan gelip yapay zeka modlnde ilenen kablosuz olarak aktarlacak bilgi ile alglayclardan gelecek analog bilgi saysal bir kart zerinde birletirilerek gerekli hareketlerin yaplmasn salar. Kullanlacak yapay zeka sistemine gre robotlarn elektronik tasarmlar da farkllamaktadr. Datk yapay zeka uygulamas durumunda her bir robot zerinde yksek performansl ilemciler almak zorundadr. Ekip olarak her iki sisteme uygun tasarmlar aratrlmakta ve testler yaplmaktadr. Elektrik ekibi ayrca robotlar ile yapay zeka modlnn kablosuz haberlemesini salayacak haberleme modln kontrol etmektedir. Bu haberleme iin ISM band ve ZigBee protokol zerinden haberleme alternatifleri incelenmekte, modller zerinde performans testleri yaplmaktadr. Mekanik Ekibi, robotun hareketini salayacak mekanizmay tasarlamakta olup, robotun hareket edecek ksmlarndaki mekanik aksam temin etmektedir. Mekanik sistem drt ana balkta ele alnmaktadr: Robotun hareketi : Motorlarn seimi, robotlara her an her yne hareket edebilme zgrl salayan

ok ynl tekerlek(omni-wheel) tasarm Topun kontrol: Topu sren srcnn topu en iyi ekilde kontrol ederek srmesi iin gereken tasarm Pas ve ut : Robotun topa vuruunu salayacak "vurucu" tasarm ve vurucunun al arttrma vurular yapabilmesi iin gereken gelitirmeler Koruma : Robotun d kabuu tasarm

ROBOTIST takm olarak projeyi birden ok disiplinin bir arada bulunduu byk bir proje olarak grmekteyiz. Bu nedenle projeyi proje ynetimi, zaman ynetimi, bte ve risk ynetimi yaklamlaryla ynetmekteyiz. Organizasyon ekibi balang aamasnda projenin tantlmas, kaynak bulunmas ve bu sre boyunca da projenin dzenli bir ekilde ilerlemesi grevini yerine getirmektedir. T ROBOTIST TAKIMI Elektrik - Elektronik, Makine, letme ve Mimarlk Fakltesinde renimini srdren 2 yksek lisans, 10 lisans rencisinden olumaktadr. Takmmz, T Elektrik Mhendislii Blm, Kontrol ve Kumanda Sistemleri Anabilim Dalndan Dr. Murat Yeilolu danmanlnda, T Rektrl'nn de desteiyle 2009 Avusturya Dnya ampiyonas'na hazrlklarn son hzyla srdrmektedir. Bu yaplanmas ve mevcut motivasyonu ile 2009'da Trkiye'yi ve stanbul Teknik niversitesi'ni, disiplinleraras alma ve bilimi zmsemi bir ekip ile en iyi ekilde temsil edeceimize inanyoruz.

HEDEF 2009, GRAZ!

REFERANSLAR *www.robotist.itu.edu.tr *www.robocup.org *ROBOTIST proje dosyas,2007 "The Road Robocup 2050"IEEE *Robotics&Automation Magazine,3 Haziran 2002 *Robocup Atlanta 2007,Tantm Bror

Kontrol

mays08

16

Karmak evrelerde Kontrol Tabanl Olaslksal Hareket Planlama: Robot ve nsansz Aralarda Gerek-Zamanl Uygulanabilir Algoritmalar
Bir sistemin ana kontrol yaps incelendiinde katmansal bir ierii olduu grlecektir. Bu katmanlarn her biri bir grevi yerine getirmekle ykmdrler ve birbirlerine (ve evresel birimlere) belirli ynlerde haberleme alaryla baldrlar. Akll sitemlerin kontrol yaps iin de ayn durum sz konusudur. yi ayarlarnn yaplmas gibi ynergeler bu katman ierisinde zlr. Grev katmannda (mission layer); grev planlamas/yeniden planlanmas, grev optimizasyonu, acil durum cevaplar gibi yaplar alr. Bu yap (genellikle) hiyerarik bir yapdr ve her bir katman alt katmann alma yapsndan sorumludur. rnek olarak taktiksel katman, dzenleme katmannn verilerinin hatal olabilecei ya da belirli bir yzde payla hatal olabilecei bilgisi ierisinde almaldr. Bu sisteme grbz (robust) bir yaklam getirecektir. Her katmann mimarisinin olduu gibi sadece katmanlar arasndaki mimarinin deerlendirilmesinin dahi ok derin bir konu olmas nedeniyle bu yazda daha fazla deinilmeyecektir. Hareket planlama problemi bu yapnn taktiksel katmannda yer alr. Hareket planlama kendi ierisinde yine baz katmanlar ierir. ok genel olarak bunun yerel (local) ve genel (global) planlama olduklar sylenebilir. Yerel planlamada evresel alglayclardan alnan bilgiler ile evrenin belirli bir alan alglanarak planlama yaplr. Bu katmanda alglayclarn bileik almas (sensor fusion), hata paylarnn azaltlmas ve evrenin genel haritasnn karlmas problemlerine zm aranmaktadr. Genel planlamada ise evre neredeyse tamamen bilinmektedir (bu tanm tam olarak doru olmasa da genel ifadeyi iermesi asndan doru saylabilir; rnek olarak zamanla deiiklik gsteren dinamik evreler de genel planlama problemidir). Bu yaznn konusu, evrenin tamamen ya da byk olaslkla bilindii planlama problemleridir ve ileri konularda genel planlama problemi iin "hareket planlama" olarak bahsedilecektir.

ekil 1. a) nsansz Hava Arac iin akll yap mimarisi

bir rnek olarak insansz bir ara iin benzer yap aadaki gibi aklanabilir (Sastry, 1998). Dzenleme katman (regulation layer); yapnn dinamii ile evresel alglayclar arasndaki kontrol evrimlerini ierir. Bu bir insansz hava arac (HA) iin itki sistemlerinin denge konumu ve izlenilecek yrngenin takibi iin kontrol edilmesi gibi ilemlerdir. Taktiksel katmanda (tactical layer) sistemin izleyecei alma planlamas yaplr. Bir HA iin bunlar gvenli yrnge planlama, kontrol yaplarnn deiiminin yaplmas (melez kontrol yaplar iin) gibi ilemlerdir. Stratejik katman (strategic layer) sistemin dier yaplarla ilikisini salayacak ve taktiksel katman ynlendirecek yapy ierir. rnek olarak birden fazla HA'nn birlikte almas ya da bir kara arac ile ortak almas, hata durumlarnn ynetimi, silah

ekil 2. a) Yerel hareket planlama

Kontrol

mays08

17

yerinde olacaktr. Parametre uzaynda, robot bir nokta olarak ifade edilir ve robotun durumunu belirleyen her bir parametre, uzayn bir eksenini oluturur. ok dikkatli bir ekilde, robotun geometrik eklinin, noktaya indirgenmesi ile engelli alan (obstacle space) bu durumu karlayacak ekilde geniletilmelidir ve engele arpma denetimi (collision avoidance) srasnda bu deiim gz nnde bulundurulmaldr. Bu tr yntemler (Choset, ve dig., 2004) ierisinde grlebilir ve ilgili aratrmaclar iin dikkatlice incelenmelidir. Aadaki resimde basit bir araba-benzeri robotun parametreleri kendi alma uzaynda (work space) grlmektedir.
ekil. 2 b) Genel hareket planlama

Gerek zamanl alma problemlerinde hareket planlamasnn hzl bir ekilde yaplabilmesi gereklilii hayati derecede nemlidir. evrelerin karmaklna gre planlama ok zaman alan ve uygulanabilir olmaktan kan bir yapya dnebilir. Gerek sistemlerde genellikle birden fazla gvenli planlama zmnn hareket ncesinde kartlm olmas, olas durum deiikliklerine gre birbirleri arasnda geiler yaplabilecek olmas istenir. Hatta ou sistem alrken yeniden planlama gereksinimlerine cevap verebilmek zorundadr. Bu durum ok boyutlu, ok hzl oyun senaryolarna dntnde problemi sonsuza yaknsayan zamanlarda zme gidebilen bir yapya gtrecektir(rnek olarak binalar arasnda it-dala (dog-fight) oyunu oynayan iki adet HA iin yol planlamas). Bu denli zorlu olabilecek problemler iin denklemsel zmler kullanmak gerek zamanl cevap gereksinimleri iin gvenli olsa da ok yava kalabilmektedir. Bu amala gnmzdeki almalar olaslksak/rnekleme tabanl hareket planlama (sampling-based motion planning) zerine younluk gsterir. Bu durumdan cesaretle bu yazda, hareket planlama algoritmalarna deinirken dier bilinen denklemsel (deterministic) birok yntemden bahsedilmeyerek (kesinlikle incelenmesi nerilir) sadece olaslksal planlama algoritmalarna deinilecektir. HAREKET PLANLAMA PROBLEM Hareket planlama problemi, bir robotun balang durumundan son durumuna, nasl hareket ederek ulaabilecei sorusuna cevap aramaktr. Problem balangcnda bu durumlarn tanmlanmas gereklidir ve bu tr problemler iin parametre uzaynn (configuration space) kullanlmas olduka

Yol planlama problemlerinde, robotun kinematik yetenekleri dorultusunda zm bulunabilir. rnein, saa dnemeyen bir robotun olaslksal zm izlerinde saa dn grlmeyecektir. Bu durum sadece geometrik olarak probleme zm nerebilmektedir. Eer robot yeterince yava hareket ediyor ise srtnme kuvvetleri, ktle ekim etkileri ve hz gibi dinamik snrlar (dynamical constraints) gvenli bir ekilde gz ard edilebilir. Dinamik snrlar ieren yda zamanla deien evrelerde sregelen uzaylara odaklanldnda, problem sadece geometrik olmaktan kacak, robotun nasl kontrol edilecei ve engellerle kesimeyen olas yrngeler (feasible paths) (dinamik snrlarn izin verdii) retebilme sorunlarna zm aranmas gerekecektir. Bu konuya ileriki blmlerde deinilecektir. Son birka on yl gemeyen ksa bir zamanda, rneklemetabanl (samplingbased) hareket planlaekil 4. Ynlendirilebilir basit bir ara iin parametreler deikenlerinden olumaktadr. Bu durumda parametre uzay bu deikenlerden oluan eksenlerde 3 boyutlu olarak grlecektir

Kontrol

mays08

18

Son birka on yl gemeyen ksa bir zamanda, rnekleme-tabanl (sampling-based) hareket planlama yntemlerinin gelitirilmesi zerine ok fazla alma yaplmtr. Bu yntemleri geleneksel ifadelerle snflandrmak gerekirse; yol haritas-tabanl (roadmap-based) ve aa tabanl (tree-based) olarak ayrtrlabilir (Tsianos, ve dig., 2007). Yol haritas-tabanl planlayclar Yol haritas-tabanl planlayclar genellikle oklu-sorgu (multi-query) aramalar olarak kullanlrlar. Bu tr planlayclarda, daha nce oluturulmu yol haritas gruplar birbirlerine en yakn noktalardan balanrlar. Bu nedenle, renme aamas (learning phase) denilen ilk aamada, uzayn tamam zerinden engellerle kesimeyen belirli sayda rnekleme noktalar (milestones) alnarak bunlar kendi aralarnda yol haritalar kurarlar. Sorgulama aamas (querying-phase) denilen aamada ise bu yol haritalarnn birbirlerine engellerle kesimeden balanarak, balang noktasndan, hedef noktaya nasl gidilebilecei sorgulanr. Bu yntemle alan Olaslksal Yol Haritas (PRM; Probabilistic Roadmap) yntemi en bilinen yntemlerden biridir. Algoritmik yaps (Kavraki ve dig., 1996) kaynanda ayrntsyla grlebilir

gelerin snflandrlmas (bo, zor, kapal vb. gibi) prensiplere dayanr. Bunun yannda engellerin hacimlerinin kltlmesi ile gei blgelerinde rnekleme saysnn artrlmasn salayarak daha sonra oluan zmn onarlmas prensibine dayanan yntemler de (Small-Step Retraction Method) grlmektedir. Btn bunlarn melez kullanmlar da mmkndr. Ancak grlecei gibi bu yntemler planlama balangcnda ya da sonunda ayr fazlarda hesaplama gerektiren yntemlerdir. Planlama zaman ile ilgili bu al-veri iyi gzlenmelidir.

ekil 6. a) Gaussian-dalm yntemi b) Kpr-testi yntemi

ekil 7. Kat bir cismin hareket planlamas (Prof. Kavraki'ye ait eitli sunumlardan) ekil 5. a) evre ierisinden rnekleme yaplmas b) rneklenen noktalarn birbirlerine balanmas (Prof. Latombe'a ait eitli sunumlardan)

rnekleme stratejisini gelitirme PRM tabanl planlayclarda zmn baars olaslksal rnekleme baarsna dayandndan dar geit problemlerinde (doal olarak rastlantsal rneklemenin az oluaca alanlar) baarm artrmak iin birok yntem nerilmitir. Bunlar btn evrenin gaussian-dalmlarla izlenmesi ve engel blgelerinin daha fazla rneklenmesi (GaussianSampling Based Planning); engel ile akan rneklemelerden yaplan genilemelerle gei kprlerinin tespit edilmesi bylelikle geitlerin daha fazla younlukta rneklenebilmesi (Bridge-Test Sampling); batan rneklenen evrenin belirli byklkteki (ya da uyarl bir ekilde deien) kre alanlar ile taranarak engelle kesien rnekleme oranna bal olarak bl-

Aa-Tabanl planlayclar Aa-Tabanl planlayclarda seilen rnekleme artmsal olarak var olan aa zerine eklenerek yaplr. Bu tr planlayclar genellikle tekli-sorgusal (single-query) planlayclardr. Her zm evriminde zm aac artarak byr. Var olan aa zerindeki artrlacak yenin seilmesi yntemlerine gre farkllk gsterirler. rnek olarak Hzl-tarayc Rastlantsal Aa (RRT; Rapidly-exploring Random Tree) ynteminde, rastlantsal olarak uzay ierisinde seilen bir noktaya en yakn ye nokta ilerlenecek nokta olarak seilir. Bu nedenle hzl olarak yaylma zelliine

Kontrol

mays08

19

olarak; balang ve hedef noktalardan balayarak ikili-arama) balatlabilir. Bylelikle zm zamanlarnda azalma olduu grlecektir.

ekil 8. RRT aacnn yaylmas

Aa Tabanl planlayclarda ye bir zmn durum-uzaynda yeni yaylm bu kez sistemin giri kmesi (input set) ierisinde olaslksal seim yaplmas ile olur. rnek olarak bir araba-benzeri robotun dinamik denklemleri ve olas-gidilebilir yrngeleri aadaki gibi grlebilir. Seilen ye-durum (aa yesi nokta) sistemin giri-kmesi ierisinden rastlantsal arama ile artrlacaktr. Aada grld gibi robotun hz ve ynelim as giri deikenlerini oluturmaktadr. Belirli snrlar ierisinde (ynelim as kst gibi) rastlantsal seim ile bu deikenler seilecek, oluan yrnge herhangi bir engelle akmyorsa zm aacna seilmi giri deikenleri ile eklenecektir. Daha sonra yeni bir ye-durumun seimiyle balayan yeni bir evrim balayacaktr. Hedeflenen noktaya ulalncaya kadar algoritma srecektir.

ekil 9. RRT planlaycsnn iki-ynl zm

KONTROL-TABANLI HAREKET PLANLAMA Son yllarda rnekleme-tabanl planlama algoritmalarnn gelimesiyle kinodinamik kstlar da ieren planlama yntemleri gelitirilmitir. Bu yntemler daha nce parametre-uzay iin yaplan yol planlamasnn bu kez parametrelerin trevlerinin de eksen olarak eklendii durum-uzaynda yol planlamas yaplmas prensibine dayanr. Bylelikle planlanan yrngeler dinamik ve fiziksel kstlar birlikte ieren bir zm haline gelecektir. zm yrngeleri ierisinde hz kstlar da grlmeye balayacaktr. Ancak olas-gidilebilir (feasibility) problemi nedeniyle bu yntemlerde tekil sorgulama gereklilii grlr. Gidilebilirlik problemi bir A noktasndan B noktasna gidilebilir bir yol olduu halde, B noktasnda A noktasna gidilebilir bir yrngenin olmayabilecei problemlerdir. Yine benzer ekilde bir A noktasnda C noktasna gidilebilir bir yrnge olabilirken, A noktasndan C noktasna, bir B noktasndan geerek yrngenin olamayabilecei gibi problemler de grlebilir. Kinematik ve dinamik kstlar byle problemleri sklkla douracaktr. Bu balamda zmlerin artrmsal ilerlemesi gereklilii grlr. Bu nedenle kontroltabanl hareket planlama problemleri (Kinodynamic Motion Planning) tekil-sorgusal problemlerdir.

ekil 10. a) Araba-benzeri robotun deikenleri b) Araba-benzeri robotun dinamik denklemleri c) Araba-benzeri robotun olas-gidilebilir yrngeleri (Prof. Latombe'a ait eitli sunumlardan)

Kinodinamik zmlerde zaman uzayda yeni bir eksen olarak grldnde, zamanla deien evreler iin de zm salanabilecektir. Rahata grlebilecei gibi kinodinamik zmler gereki yaklamlar sunmas nedeniyle tercih edilir olsa da parametre-uzaynn iki kat (en az) boyutta bir uzayda allmas gereklilii domaktadr. Karmak evrelerde karmak sistemler iin (insansz hava arac gibi) kinodinamik zmler aramann uygulanabilir olmaktan kaca ve zm zamanlarnn gerek zamanl almaya imkan vermeyecek byklkte olaca grlecektir. Bu nedenle durum-uzay ierisinde zm aramak yerine, karmak aralar iin manevra zarflarn ayrklatrarak, bu yrnge-paralarnn parametreleri (modal inputs) ierisinden zm arayarak yaylm yaplabilecek yntemler gelitirilmitir (Koyuncu, Ure, Inalhan, 2008). Buna uygun kontrol yaps da melez hale getirilebildii gibi, planlama yaplacak uzay boyutu yarya inecek ve tekrar parametre uzay haline gelecek, ancak zm kinematik kstlar hala ierisinde barndrabilecektir. rnek olarak zel bir uu
Kontrol

mays08

20

barndrabilecektir. rnek olarak zel bir uu manevras olan Imellmann Turn ele alnrsa, bu manevrann dz uu (level-flight), burun kaldrma(pitch-up), kendi etrafnda dn(roll-turn) ve tekrar dz-uu eklinde daha nce belirlenmi uuparalarna blnebildii grlecektir. Hava aracnn yapabildii bu her bir uu-paras iin farkl kontrol yaps tasarlanabilir ve bu modlar aras geilerde kontrolcler modlara bal olarak seilebilir. Bu her bir uu parasnn parametre-uzayna karlk gelen deikenlerinin seimi ile (parametre-uzaynda ilerleyen yrngelerle) hareket planlamasnn yaplabildii grlecektir (Koyuncu, Ure, Inalhan, 2008). Bylelikle hesaplama zamannda kaydedilebilir lde bir azalma olduu grlecektir.

Emre KOYUNCU Kontrol ve Aviyonik Laboratuar stanbul Teknik niversitesi ekoyuncu@koyuncurobotic.com

KAYNAKLAR Cheng, P., Z. Shen, S.M. LaValle, (2001). RRT-Based Trajectory Design for Autonomous Automobiles and Spacecraft, Archives of Control Sciences, 11(3-4), 167-194. Frazzoli, E., M.A. Dahleh and E. Feron (2002). Real-Time Motion Planning for Agile Autonomous Vehicles, AIAA J. of Guidance, Control, and Dynamics, 25(1), 116-129. Hsu, D., R. Kindel, J.C. Latombe, S. Rock (2002). Randomized Kinodynamic Motion Planning with Moving Obstacles ,Int. J. of Robotics Research, 21(3), 233-255. Hsu, D., T. Jiang, J. Reif, and Z. Sun (2003). Bridge Test for Sampling Narrow Passages with Probabilistic Roadmap Planners, In Proc. IEEE Int. Conf. Robotics & Automation (ICRA), 4420-4426. Hsu, D., J.C. Latombe, and H. Kurniawati (2006). On the Probabilistic Foundations of Probabilistic Roadmap Planning, Int. J. of Robotics Research, 25(7), 627-643. Kavraki, L.E., P. Svestka, J.C. Latombe, and M. Overmars (1996). Probabilistic Roadmaps for Path Planning in High Dimensional Configuration Spaces, IEEE Transactions on Robotics and Automation, 12(4), 566-580. Koyuncu, E., Ure, N.K., G. Inalhan (2008). A Probabilistic Algorithm for Mode Based Motion Planning of Agile Unmanned Air Vehicles in Complex Environments, under rewiev version; Conference of International Federation of Automatic Control (IFAC'08) LaValle, S.M. (1998). Rapidly-exploring random trees: A new tool for path planning, Technical Report 11, Computer Science Dept., Iowa State University. LaValle, S.M., J.J. Kuffner (2001). Raandomized kinodynamic Planning, Int. Journal of Robotic Research, 20(5), 378-400. Lindemann, S.R., S.M. LaValle (2005). Current issues in sampling-based motion planning, Robotics Research: The Eleventh International Symposium, 36-54, Springer-Verlag, Berlin. Rodriguez, S., S. Thomas, R. Pearce and N.M. Amato (2006). RESAMPL: A Region-Sensitive Adaptive Motion Planner, Proc. Int. Workshop. on Algorithmic Foundation of Robotics (WAFR), New York City, NY. Saha, M., J.C. Latombe, (2005). Finding Narrow Passages with Probabilistic Roadmaps: The Small-Step Retraction Method, EEE/RSJ Conf. on Intelligent Robots and Systems, Edmonton, Canada. Sanchez, G., J.C. Latombe (2003). A single-query bi-directional probabilistic roadmap planner with lazy collision checking, Int. Journal of Robotics Researches, 403-407.

ekil 11. a) Immelman Turn manevrasnn ayrklatrlm uu-paralar

ekil. 11. b) Uu-paralar ile karmak bir evrede hareket planlamas

Tsianos, K.I., I.A. Sucan, L.E. Kavraki (2007). Sampling-based robot motion planning: Towards realistic applications. Computer Science Review, pp. (accepted for publication)

Kontrol

mays08

21

ARKA SSPANSYON SSTEMNN DNAMK DENKLEMLER

Sspansiyon; yaylardan, darbe emicilerden ve arac tekerleklere birletiren balantlardan oluan sisteme verilen isimdir. Sspansiyon iki amaca hizmet eder; iyi, aktif emniyet ve sr keyfi iin aracn yol tutuuna ve fren sistemine katkda bulunmak ile aracn iindekileri rahat; yoldaki seslerden, tmseklerden ve titreimlerden yaltlm tutmak. Bu almann ana amac, aracn yol tutuundan taviz vermeden sr konforunu gelitirmek iin duruma bal geri besleme yapan etkin bir sspansiyon kontrol sistemi tasarlamaktr. Arka sspansiyon sistemi iin dinamik denklemleri: ekil 1 modellenecek fiziksel sistemi gstermektedir. Modelin durum uzay formlasyonu: Dinamik denklemlerinden, sistemi tanmlamak iin en az 4 durum bulunmas gerektii grlebilir. Bu proje iin k verisinin sadece yayl ktlesinin ivmesi olduu varsaylmtr. Genel olarak bu sistem iin bir durum uzay modelide aadaki gibi yazlabilir.

Durum deikenleri iin durum-uzay denklemi aadaki gibi deiir:

Kontrol edilebilirlik ve gzlemlenebilirlik: Bir sistem tam rankl gzlemlenebilirlik ve kontrol edilebilirlik matrislerine sahipse gzlemlenebilir ve kontrol edilebilir olduu sylenir. Aadaki kod gzlemlenebilirlik ve kontrol edilebilirlii test etmek iin yazlmtr. ms = 290; % kg mu = 59; % kg bs = 1000; % N/m/s ks = 16182 ; % N/m kt = 190000; % N/m bt = 0; % N/m/s % Giri Fa ve ms (xsdotdot)nin ivmesi k % Durumlar zu, zs, zudot, zsdot A=[0 0 1 0; 0 0 0 1;-(kt+ks)/mu ks/mu -(bt+bs)/mu bs/mu; ks/ms -ks/ms bs/ms -bs/ms]; B=[0; 0; 1/ms; -1/mu];
Kontrol

ekil 1: Arka sspansiyon sistemi ve sistem zerine etki eden kuvvetler

Bu modelin dinamik denklemleri aada verilmitir.

mays08

22

C=[ks/ms -ks/ms bs/ms -bs/ms]; D=[1/ms]; W=[0 0;0 0;kt/mu bt/mu; 0 0]; %zrdot ve zr giriteki bozulardr. cont=rank(ctrb(A,B)) obser=rank(obsv(A,C)) Kodun sonucu aadaki gibidir: cont = 4 obser = 4 Durum geri beslemesi kontrol iin LQR: Aktif sspansiyon sisteminin kontrol bir takas problemidir. Sistem daha iyi yol tutuu iin veya daha ok konfor iin ayarlanabilir ya da ikisinden de daha az miktarlarda salayacak biimde dzenlenebilir. En iyi yol, gider fonksiyonunu en aza indirgeyen kontrolr bularak yaplan en uygun kontroldr. Genelde gider fonksiyonu kontrol sistemi iin bir zmdr. Bu zm her takastan ne kadar performans alnmas gerektiini tanmlar. Bu durumda H2 tekniinin zelletirilmi bir ekli olan LQR kullanlr. LQR tekniinin durum geri besleme kazan matrisini hesaplamada kullanlmas iin ilk varsaym sistemin tam durum knn olduudur. Daha sonra sistemin her durumuna ulamak iin bir gzlemci ortaya konacaktr. Aadaki gider fonksiyonu en aza indirgemek iin seilmitir. Gider fonksiyonu Rajesh Rajamani tarafn-

fonksiyonu stne temellendirilir. Q, N ve R matrisleri karlatrlarak u ekilde bulunur.

Kontrolr kazanc aadaki kod ile hesaplanr. Ana ama konforu en uygun seviyeye getirmek olduundan q2 ve q4 deerleri dierlerinden byk seilir. q1=0.3; q2=100; q3=0.3; q4=10; a1=(ks/ms)^2; a2=ks*bs/ms^2; a3=(bs/ms)^2; Q=[a1+q1 -a1 a2 -a2;-a1 a1+q2 -a2 a2; a2 -a2 a3+q3 -a3;-a2 a2 -a3 a3+q4]; R=1/ms^2; N=[-ks/ms^2;ks/ms^2;-bs/ms^2;bs/ms^2]; [K,S,E]=lqr(A,B,Q,R,N) Kod, verilen Q, R ve N matrisleri iin K kazan matrisi, E kapal dng sistemi matrisi zdeerlerini hesaplar. Seilen q deeri iin kodun sonucu aadaki gibidir. K= -1.525147554854315e+004 1.350000000000000e+004 8.636266441081983e+002 3.714400633192125e+002 E= -1.519524154075231e+000 +5.960901673508415e+001i -1.519524154075231e+000 -

dan Ara Dinamii ve Kontrol'nde farkl bir durum deikeni seti iin tantlana benzerlik gsterir. Hesaplamalar nceki blmde verilen deikenler iin sonu verecek biimde deitirilmitir. (sekil 1) LQR kontrolr aadakinin standart gider

ekil 1

Kontrol

mays08

23

5.960901673508415e+001i -2.738615482472113e+000 +1.581144591117809e+000i -2.738615482472113e+000 1.581144591117809e+000i Sspansiyon sapmas ve yayl ktlesi sratinin kapal dng ve ak dng iin sistem davranlarn gsteren Bode diyagramlar ekil 2 'de verilmitir.

L= -2.237098095956549e+001 1.194124604254907e+001 -9.977692253389766e+002 -1.561499999999996e+003 Kutuplar S dzleminde herhangi bir yere yerletirilebilir ama kkler sonsuza gittiinden L kazan matrisinin elemanlar daha byk olacaktr. Bu tm sistemin bant geniliini artrarak sistemi lm grltlerine hassas hale getirecektir. Yine, gzlemci iin kutup yerlemesi optimizasyon srasnda zlmesi gereken bir takas problemidir. Ayn zamanda H2 kontrolr tasarm teknii, verilmi bir optimizasyon prosedr iin gzlemci kazan matrisini bulur. Durum geri beslemesi yapan gzlemciye dinamik kompansatr ya da aadaki dinamiklere sahip dinamik durum geri besleme kontrolr ad verilir.

ekil 2: Kapal dng sistemi ve ak dng sisteminin karlatrmas

Bu, eer optimizasyon ilemi konfor zerinde odaklanrsa sspansiyon sapma davran ak dngl sistemden daha kt olacan akla kavuturur. q deerini deitirerek takas sistemi kontrol ihtiyalarna gre dengelenebilir. Gzlemcinin Tasarm: LQR tasarmnda sistemin tam durum k verisine sahip olduu varsaylr. Ama dier taraftan sistemin yalnzca bir k verisi vardr ki bu sistemin bir durumu deildir. Sistemin durumunu kontrol srasnda grmek iin bir gzlemci eklenmelidir. Gzlemci iin dinamik denklemi aada verilmitir:

Simlasyon sonular: Simulink zerine davrann grmek iin: kurulmu sistemin

apkal deerler tahmini deerlerdir. Burada L gzlemcinin dinamik davrann tanmlayan gzlemci kazan matrisidir. L matrisi tek girili tek kl (Single input single output, SISO) kutup yerlemesi Ackermann forml ile hesaplanabilir. Kapal dng kontrol sisteminin dinamik davrann etkilememek iin gzlemcinin kutuplar uzakta olmaldr. (5-10 kat byk) Aadaki kod gzlemci kutuplarnn, kapal dng kutuplarndan 10 kat uzakta olduu durum iin yazlmtr. P=E*10; L=transpose(acker(A',C',P))

ekil 3: Aktif sspansiyon sistemi iin simulink gerekletirilmesi.

Sistemin referans sfrdr yani kontrol yasas (u=-Kx)dir. Bant snrl bir grlt yolu taklit etmek iin kullanlr. Gzlemcinin etkisini grebilmek iin durumlarn balang koullar 0.1 deerine ayarlanr. Sistemin 4s iin sonucu ekil-4te verilmitir.

Kontrol

mays08

24

Sonu: LQR kontrolr tasarmndan grld zere uygun q deerleri seilerek dengeli bir sonuca ulalacaktr. Sistemdeki problem kontrol sisteminin zerinde hareket edemedii bir noktann varldr. Bu nokta her q deeri iin ve K geri besleme matris kazanc iin ayn tutulacaktr. Sistemin durumunu tahmin etmek iin bir gzlemciye ihtiya vardr. Sadece bu ekilde ie yarar bir geri beslemeli sspansiyon sistemi tasarlanabilir.

Kontrolr yayl ktle konumunu sfr deerinde baaryla dengeler.

Yusuf Grkaynak Illinois Institute of Technology eviren: Baturalp Aksoy Kontrol Mhendislii

Kaynaka: *Vehicle Control Systems Course Term Project, "Active Suspension Control", Yusuf Grkaynak *Vehicle Dynamics and Control, Rajesh Rajamani *Robust Control Systems: Theory and Case Studies, U. Mackeroth *Multivariable Feedback Control: Analysis and Design, Sigurd Skogestad, Ian Postletwaite

Kontrol

mays08

Tde yaplacak olan bu ylki TOK08 Toplants Otomatik Kontrol Trk Milli Komitesinin 50. kurulu ylna denk gelmesi ve bu kurumun kurucularndan olan Prof. M. Mnir lgrn ansna tertiplenecek olmas nedeniyle tm Trk kontrol camias iin ayr bir nem tamaktadr. TOK'08 Ulusal Toplants, lkemizde otomatik kontrol, otomasyon, akll kontrol ve kumanda sistemleri, mekatronik ve robot sistemler alannda gerek kuramsal, gerek uygulamal almalar yapan bilim adam, mhendis ve uygulamaclar bir araya getirme, en son kuramsal ve teknolojik gelimelerin tartlabilecei, fikir al-veriinin yaplabilecei bir ortam yaratma amacn gtmektedir. zgn aratrma bildirilerinin sunulaca bu toplantnn dili Trke olacak ve bildiriler toplant srasnda datlacak bir bildiriler kitabnda yaynlanacaktr. Toplantda yer alacak bildiriler ayrca deerlendirilerek uygun bulunanlar yaymlanmak zere eitli dergilere nerileceklerdir. Toplantya paralel olarak dzenlenecek sergide niversite ve firmalarn AR-GE rnlerine yer ayrlarak, yksek teknoloji ile gelitirilmi olan deney dzeneklerinin ya da aygtlarn sergilenmesine olanak salanacaktr. Bildiri Konular Alglayc Alarnda Kontrol Kimyasal Srelerde Kontrol Rastlantsal Sistemler Otonom Robot Koordinasyonu malatta Kontrol Ayrk Olay ve Melez Sistemler aret leme Ekonomik Sistemlerde Kontrol Geni lekli Sistemler Grme Tabanl Kontrol evresel Sistemlerin Kontrol Akll Kontrol Sistemleri Otomotiv Kontrol Sistemleri Otomasyonun Sosyal Etkileri Bulank Sistemler ve Kontrol Akll Otonom Aralar Kontrol Eitimi Hareket Kontrol Sistemleri Uu Kontrol Sistemleri Sistem Dinamii Modelleme ve Sistem Tanma Mekatronik Sistemler Motor Kontrol Sistemleri Kontrolr Tasarm lme ve Enstrmentasyon G Sistemlerinde Kontrol Dorusal Kontrol Sistemleri Endstriyel Otomasyon Akkan Gc Kontrol Dorusal Olmayan Kon. Sist. -Robotik Biyolojik Sistemlerde Kontrol Dayankl (Grbz) Kontrol Mikro/Nano Sistemler Biyomedikal Sist. Kontrol Optimal Kontrol nsan Makine Etkileimi Maden ve Metal l. Sreleri Uyarlanabilir ve renen Sist.

nemli Tarihler: Bildiri Son Teslim: 1 Temmuz 2008 Kabul Geri Bildirim: 1 Eyll 2008 Toplant Tarihleri: 8-10 Ekim 2008