Otonom robotlarda, durumsal farkındalık temelli dinamik karar verme modeli ve yeni bir veri seti ile adaptif slam uygulaması

Otonom robotlar için çevredeki engelleri algılama ve doğru konumlandırma, çözülmesi gereken temel sorunlar arasında yer almaktadır. GPS olmayan ortamlarda, SLAM (Eş Zamanlı Konumlama ve Haritalama) algoritmaları, bu soruna en etkili çözümlerden biri olarak öne çıkmaktadır. SLAM algoritmaları, gerçek dünya koşullarında önemli başarılar elde etmiş olsa da, çevresel zorluklar ve değişken koşullar, bu algoritmaların etkinliğini sınırlayabilmektedir. Bu nedenle, daha kapsamlı ve etkili bir SLAM teknolojisinin geliştirilmesi gerekmektedir. Bu çalışma, SLAM algoritmalarına daha bütüncül bir yaklaşım getiren ve insanların durumsal farkındalık ve dinamik karar verme süreçlerinden esinlenerek tasarlanan "Adaptif SLAM Karar Modeli"ni sunmaktadır. Bu model, robotların çevresel engelleri algılama, doğru ivkonumlandırma ve değişen koşullara adaptif tepkiler verme yeteneklerini geliştirmektedir. Sistem, üretilen tepkilerin sonuçlarını değerlendirerek kendini geliştiren bir öğrenme sürecine sahiptir. Böylece, SLAM algoritmalarının zorlu çevre koşullarında daha sağlam ve güvenilir performans sergilemesi sağlanmaktadır. Modelin etkinliğini test etmek amacıyla Konya-Dataset 1 oluşturulmuştur. Bu veri seti, 2D Lidar, RGB-D ve Stereo kamera, IMU ve Leddar sensörleri gibi sensörlerle toplanan verilerden oluşmaktadır. Ayrıca, durumsal farkındalığı artırmak amacıyla bir ışık sensörü de sisteme dahil edilmiştir. Veri seti, yansıtıcı yüzeyler, farklı aydınlatma ortamları, çok katlı yapılar, özniteliksiz sahneler ve hareket bozulmaları gibi zorluklarla dolu çeşitli kapalı alanlarda toplanmıştır. Bu sayede, SLAM algoritmalarının sınırları zorlanmış ve algoritmaların hataya düştüğü durumlar tespit edilmiştir. Tespitlerimiz SLAM topluluğunun odaklanması gereken noktalar olarak ayrıca bir katkı sağlamıştır. Adaptif SLAM Karar Modeli, ORB-SLAM3 algoritması ile yapılan testlerde tespit edilen bozulmaları gidermek amacıyla uygulanmıştır. Durum farkındalığının kazandırıldığı ve sensör füzyonunun adaptif bir karar süreci ile yönetilerek elde edilen yörüngeler, Genişletilmiş Kalman Filtresi ve ORB-SLAM3 algoritmalarıyla elde edilen yörüngelerle karşılaştırılmıştır. Sonuçlar, Adaptif SLAM Karar Modeli'nin, zorlu çevre koşulları karşısında daha sağlam ve güvenilir bir performans sergilediğini göstermektedir. Bu model, SLAM algoritmalarını sadece bir haritalama aracı olarak değil, çevresel zorlukları ve görevle ilgili anlamlandırmayı içeren çok katmanlı bir sistem olarak ele almaktadır. Modelin yapay zeka ve derin öğrenme gibi yöntemlerle daha da geliştirilmesi, gelecekte daha yüksek performanslı ve güvenilir SLAM çözümlerine ulaşılmasını sağlayacaktır. Bu çalışma, adaptif SLAM teknolojisinin geliştirilmesinde sağlam bir temel sunmakta ve otonom sistemlerin performansını artırmak için önemli bir katkı sağlamaktadır.

One of the fundamental challenges in autonomous robotics is detecting environmental obstacles and achieving accurate localization. In the absence of GPS, SLAM (Simultaneous Localization and Mapping) algorithms are among the most effective solutions to this problem. Although SLAM algorithms have achieved significant success in real-world conditions, environmental challenges and varying conditions can limit their effectiveness. Therefore, there is a need to develop a more comprehensive and effective SLAM technology. This study presents the "Adaptive SLAM Decision Model," which introduces a more holistic approach to SLAM algorithms, inspired by human situational awareness and dynamic videcision-making processes. This model enhances the robot's ability to detect environmental obstacles, achieve accurate localization, and adaptively respond to changing conditions. The system undergoes a learning process that evaluates the outcomes of the generated responses, allowing it to improve over time. Consequently, the SLAM algorithms are enabled to perform more robustly and reliably under challenging environmental conditions. To test the effectiveness of the model, the Konya-Dataset 2 was created. This dataset comprises data collected using sensors such as 2D Lidar, RGB-D and Stereo cameras, IMU, and Leddar sensors. Additionally, a light sensor was incorporated into the system to enhance situational awareness. The dataset was collected in various indoor areas with challenges such as reflective surfaces, different lighting environments, multi-story structures, featureless scenes and motion distortions. Through this dataset, the limits of SLAM algorithms were tested, and the situations where the algorithms failed were identified. These findings also contribute to highlighting the areas where the SLAM community should focus its efforts. The Adaptive SLAM Decision Model was applied to address the errors and failures identified during tests conducted with the ORB-SLAM3 algorithm. The trajectories obtained by providing situational awareness and managing sensor fusion with an adaptive decision process were compared with the trajectories obtained with the Extended Kalman Filter and ORB-SLAM3 algorithms. The results demonstrate that the Adaptive SLAM Decision Model exhibits more robust and reliable performance in the face of challenging environmental conditions. This model treats SLAM algorithms not merely as a mapping tool but as a multi-layered system that incorporates environmental challenges and task-related comprehension. Further development of the model through methods such as artificial intelligence and deep learning is expected to lead to more high-performance and reliable SLAM solutions in the future. This study provides a solid foundation for the advancement of adaptive SLAM technology and makes a significant contribution to enhancing the performance of autonomous systems.