Konumlandırma ve haritalama algoritmalarında makine öğrenmesi ve parçacık filtrelerinin kullanılması

Abstract

Zorlu ortam koşullarına dayanıklı olabilen, gelişmiş ve çeşitli algılayıcılar ile donatılmış robotlar, insanlara oranla daha hızlı karar verebilmeleri ve insanların ulaşamayacağı yerlere ulaşabilmeleri ve benzeri avantajlardan dolayı hem sivil hem de askeri görevlerin temelini oluşturmaktadırlar. İnsansız yapılmak istenen herhangi bir görevin temelini, bilinmeyen çevrenin haritasını çıkarmak ve çıkarılan haritada robotun kendi konumunun tespiti oluşturmaktadır. Kalman filtresi, genişletilmiş Kalman filtresi ve parçacık filtresi haritalama ve konumlandırma algoritmalarında en yaygın olarak kullanılan tahmin algoritmalarıdır. Parçacık filtreleri, herhangi bir durum-uzay modeline uygulanabilen, geleneksel Kalman filtreleme yöntemlerini genelleyen ardışık Monte Carlo yöntemleridir. Parçacık filtresinin performansı, durum boyutu arttıkça önemli ölçüde azaldığından, bu problemi çözmek adına Exact Daum-Huang filtresi tanıtılmıştır. EDH filtresinin, algoritmanın içerisinde paralel olarak yürütülen genişletilmiş Kalman filtresine fazla bağımlılığı bazı senaryolarda yetersiz sonuçlar vermesine neden olmaktadır. Localized Exact Daum-Huang filtresi, hesaplama maliyetinden ödün vererek bu problemi çözmüştür. Tez çalışmasında önerilecek olan sistem, LEDH filtresinin performansından ödün vermeden, makine öğrenmesi teknikleri kullanarak parçacıkların hata oranlarına göre kümelenmesini sağlayarak performans iyileştirmeleri sunmaktadır. Tez kapsamında kullanılan çok boyutlu konumlandırma problemi ile önerilen sistemin performansı kanıtlanmıştır.