Öz
Günümüzde mobil robotların hedef noktalara optimum maliyetle ulaşma problemi önemli bir çalışma sahası haline gelmiştir. Optimum maliyet çalışmalarda farklılık göstermekle beraber genel olarak, hedefe ulaşmak için geçen süre, mesafe, harcanan enerji veya bunların bir arada değerlendirildiği değişik kombinasyonlar olabilmektedir. Özellikle çok engelli karmaşık ortamlarda problemlerin çözümünün kabul edilebilir sürelerde gerçekleştirilebilmesi büyük önem taşımaktadır. Bu sürelerde çözümlere ulaşabilmek için algoritmaların daha hızlı çalışması gerekebilmektedir. Ancak bunun için genelde algoritma tarafında iyileştirmeler yapılmaktadır. Bu çalışmada ise problem tarafında iyileştirmeye odaklanılmıştır. Bu doğrultuda, statik engelli ve iki boyutlu ortamlarda engellerin kümelenmesiyle ortam karmaşıklığının azaltılması ve bu sayede optimizasyon algoritmalarının çalışma hızının artırılması amacıyla, parçacık sürü optimizasyonu (Particle Swarm Optimization, PSO) ve k-ortalamalar kümeleme algoritmalarının bir arada kullanıldığı yeni bir model önerilmektedir. K-ortalamalar kümeleme algoritması ile orijinal ortamdaki engeller kümelenip yeni bir ortam oluşturulmaktadır. PSO algoritması ile bu yeni ortamda optimum yol planlanmaktadır. Geliştirilen model çeşitli kümeleme oranları ile test edilmiş ve kümeleme yaklaşımının etkisi değerlendirilmiştir. Değerlendirme sonucunda, kümeleme oranı arttıkça en kısa mesafeli yol açısından küçük kayıplar elde edilmiş ancak algoritmanın çalışma hızı bu kayıpları fazlasıyla telafi edebilecek seviyede artmıştır. Ayrıca optimum çalışma hızı için kümeleme oranlarının orta seviyelerde belirlenmesi gerektiği de tespit edilmiştir. Sonuç olarak, rastgele dağılımlı çok sayıda engelin bulunduğu iki boyutlu ortamlar için yol planlama algoritmalarının çalışma hızı geliştirilen model sayesinde artırılabilir.
Anahtar Kelimeler
mobil robot yol planlama parçacık sürü optimizasyonu k-ortalamalar çalışma hızı
Kaynakça
- [1] Chen J. L., Liu J. S., Lee W. C., “A recursive algorithm for on-line clustering obstacles cluttered in dynamic environments,” Journal of Intelligent and Robotic Systems, 33: 209-230, 2002.
- [2] Ajeil F. H., Ibraheem I. K., Azar A. T., Humaidi A. J., “Autonomous navigation and obstacle avoidance of an omnidirectional mobile robot using swarm optimization and sensors deployment,” International Journal of Advanced Robotic Systems, 17 (3): 1-15, 2020.
- [3] Ajeil F. H., Ibraheem I. K., Azar A. T., Humaidi A. J., “Grid-based mobile robot path planning using aging-based ant colony optimization algorithm in static and dynamic environments,” Sensors, 20 (7): 1-26, 2020.
- [4] Kim C., Kim Y., Yi H., “Fuzzy analytic hierarchy process-based mobile robot path planning,” Electronics, 9 (2): 1-18, 2020.
- [5] Kim C., Suh J., Han J. H., “Development of a hybrid path planning algorithm and a bio-ınspired control for an omni-wheel mobile robot,” Sensors, 20 (15): 1-22, 2020.
- [6] Li X., Zhao G., Li B., “Generating optimal path by level set approach for a mobile robot moving in static/dynamic environments,” Applied Mathematical Modelling, 85: 210-230, 2020.
- [7] Dirik M., Kocamaz A. F., Castillo O., “Global path planning and path-following for wheeled mobile robot using a novel control structure based on a vision sensor,” International Journal of Fuzzy Systems, 1-12, 2020.
- [8] Zhong X., Tian J., Hu H., Peng X., “Hybrid path planning based on safe A* algorithm and adaptive window approach for mobile robot in large-scale dynamic environment,” Journal of Intelligent & Robotic Systems, 99: 65-77, 2020.
- [9] Jung J. H., Kim D. H., “Local path planning of a mobile robot using a novel grid-based potential method,” International Journal of Fuzzy Logic and Intelligent Systems, 20 (1): 26-34, 2020.
- [10] Wu M., Dai S. L., Yang C., “Mixed reality enhanced user ınteractive path planning for omnidirectional mobile robot,” Applied Sciences, 10 (3): 1-16, 2020.
- [11] Arango G. D., Leal H. V., Martinez L. H., Fernandez V. M. J., Jimenez A. H., Ambrosio R. C., Chua J. S., Cholula H. D. C., Mendez S. H., “Multiple-target homotopic quasi-complete path planning method for mobile robot using a piecewise linear approach,” Sensors, 20 (11): 1-47, 2020.
- [12] Wang X., Mizukami Y., Tada M., Matsuno F., “Navigation of a mobile robot in a dynamic environment using a point cloud map,” Artificial Life and Robotics, 1-11, 2020.
- [13] Elmi Z., Efe M. Ö., Yang C., “Online path planning of mobile robot using grasshopper algorithm in a dynamic and unknown environment,” Journal of Experimental & Theoretical Artificial Intelligence, 1-19, 2020.
- [14] Zhang L., Zhang Y., Li Y., “Path planning for indoor mobile robot based on deep learning,” Optik, 209: 1-17, 2020.
- [15] Li Y., Huang Z., Xie Y., “Path planning of mobile robot based on improved genetic algorithm,” 3rd International Conference on Electron Device and Mechanical Engineering (ICEDME), 691-695, 2020.
- [16] Ali H., Gong D., Wang M., Dai X., “Path planning of mobile robot with improved ant colony algorithm and MDP to produce smooth trajectory in grid-based environment,” Frontiers in Neurorobotics, 14: 1-13, 2020.
- [17] Zhao F., Hung D. L. S., Wu S., “K-means clustering-driven detection of time-resolved vortex patterns and cyclic variations inside a direct injection engine,” Applied Thermal Engineering, 180: 1-13, 2020.
- [18] Aytaç E., “Unsupervised learning approach in defining the similarity of catchments: Hydrological response unit based k-means clustering, a demonstration on Western Black Sea Region of Turkey,” International Soil and Water Conservation Research, https://doi.org/10.1016/j.iswcr.2020.05.002, 2020.
- [19] Rehman T. U., Mahmud Md. S., Chang Y. K., Jin J., Shin J., “Current and future applications of statistical machine learning algorithms for agricultural machine vision systems,” Computers and Electronics in Agriculture, 156: 585-605, 2019.
- [20] Tang Y., Zhou R., Sun G., Di B., Xiong R., “A novel cooperative path planning for multirobot persistent coverage in complex environments,” IEEE Sensors Journal, 20 (8): 4485-4495, 2020.
- [21] Peng Y., Qu D., Zhong Y., Xie S., Luo J., “The obstacle detection and obstacle avoidance algorithm based on 2-D lidar,” International Conference on Information and Automation, 1648-1653, 2015.
- [22] A. Ayari, S. Bouamama, “A new multiple robot path planning algorithm: dynamic distributed particle swarm optimization,” Robotics and Biomimetics, 4:8, 2017.
- [23] E. Chołodowicz, D. Figurowski, “Mobile Robot Path Planning with Obstacle Avoidance Using Particle Swarm Optimization,” Pomiary Automatyka Robotyka, 21 (3): 59 - 68, 2017.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Mühendislik |
| Bölüm | Makaleler |
| Yazarlar | |
| Yayımlanma Tarihi | 24 Mayıs 2021 |
| Gönderilme Tarihi | 22 Ekim 2020 |
| Kabul Tarihi | 21 Şubat 2021 |
| Yayımlandığı Sayı | Yıl 2021 Cilt: 36 Sayı: 3 |