TEKNİK DETAYLAR

Bu projede gerçekleştirilecek çalışmalara; öncelikle sistemin modelini ve örnek bir test alanını bilgisayar ortamında gerçeklemekle ve tekerlekli sandalye için gerekli yarı-otonom algortimanın bu simülasyon ortamında geliştirilmesiyle başlanmıştır (Şekil 1 ). Simülasyon ortamında kullanıcıdan geleceğini varsaydığımız sürüş komutları, gerçek uygulamada olması beklendiği gibi gürültülü ve kısmen hatalı olarak modele iletildiği için öncelikle bu hatalı komutların tekerlekli sandalyenin hareket modeline ne gibi etkileri olduğu gözlenecek, sonrasında gözlemlenen sonuçları iyileştirmek için FGM (Sezer ve Gökaşan, 2012a) tabanlı bir lokal planlayıcı modele entegre edilecek ve sonuçlar tekrar gözlemlenecektir. Projede lokal planlayıcının geliştirilmesi esnasında ilk denemeler simülasyon ortamında gerçekleştirilecek daha sonra gerçek sistem üzerine geçilecektir (Şekil-2 ).

Projenin diğer safhasında ise deneysel çalışmalar yer almaktadır. Deneysel çalışmaların ilk aşamasında ise, kafa hareketlerinin x-y-z eksenlerindeki dönme açılarını ölçebilen (Şekil-3) UM-7 sensörü yardımıyla alınan veriler, sürüş komutlarının anlamlandırılması için tasarlanan mimik tanıma algoritmasından geçirilmek üzere bilgisayara gönderilecektir.

 









Şekil-3’de gösterilen UM-7 sens.rü oldukça kü.ük boyutlara sahiptir ve içerisinde yer alan ivme ölçer, cayro ve magnetometre sensörlerinden aldığı verileri Kalman filtresiyle birleştirerek her eksene ait açı bilgisini doğru olarak vermeye çalışmaktadır. Sensör statik durumda +/- 2 derece dinamik durumda +/- 4 derece hata yapabildiği için, kullanıcı kafasını mükemmel olarak hareket ettirse bile doğru .l.üm alınamadığından tekerlekli sandalye bundan k.tü etkilenmektedir. Tasarım sürecinde olan yarı-otonom sistem bu gibi durumlarda oldukça önem kazanmaktadır. Yönelim sens.rü, kullanıcının kafasına ayarlanabilir bir kask (Şekil-4 ) yardımı ile yerleştirilir. Sürüş komutları bu sayede elde edilmektedir.



Projenin diğer deneysel kısmını ise tekerlekli sandalye üzerindeki gerçek çalışmalar oluşuracaktır. Projede geliştirilecek yarı otonom sistem, kafa hareketlerinden gelen sinyal ile çevresel ölçümlerini birleştirip, tekerlekli sandalyeye uygun komutları gönderecektir. Yönlendirme sinyalleri uygun filtreler yardımıyla gürültüden arındırılacaktır. Bunun yanı sıra, her kafa hareketinin sürücü komutu olarak anlaşılması doğru olmayacaktır. Dolayısıyla sistemin devreye alınması, devreden çıkarılmasına yönelik kafa hareketleri de sisteme tanıtılmalıdır. Bu sebeple kafa üzerindeki 3 eksen takımından alınan ölçümlerin, mimik tanıma algoritması yardımı ile, sistemi devreye alan, devreden çıkaran, komutların işlenmeden tekerlekli sandalyeye iletilmesini sağlayan veya sürücüye destek olan farklı modlar arasında geçiş sağlama amacıyla da kullanılmasına karar verilmiştir. Bu noktada, kafa hareketlerini tekerlekli sandalyenin yönlendirilmesi dışındaki modları anlamlandırmak için çeşitli işaretler (gesture) tanımlanmıştır. Örneğin “x ekseni etrafında saat yönünde yapılacak dairesel hareket sistemi aktive eder”, “ters saat yönündeki dairesel hareket sistemi kapatır” gibi toplam 4 adet mimik (gesture) kararlaştırılmıştır. Bu tanımlamaların algılanıp yorumlanması kısmında, hızlı fourier dönüşümü, dinamik zaman bükme methodu, saklı markov modelleri (Cho vd., 2007; Yang vd., 2008) yada kural tabanlı yaklaşımlar (Riad vd., 2014) gibi çeşitli yöntemler denenmektedir ve çalışmalar şu anda dinamik zaman bükme metodu üzerine yoğunlaşmaktadır. Sistemin planlanan çalışma prensibi en genel haliyle Şekil-5’te gösterilmiştir.


Projede yarı-otonom sistem için gerekli hesaplamaların yapılacağı birim olarak, üzerinde Robot Operatin System (ROS) yüklenebilen, taşınabilir bir bilgisayar satın alınmıştır (Şekil-6). ROS, son yıllarda robotik uygulamalar için standart haline gelen bir robot işletim sistemidir. Bu platformda yer alan hazır kütüphaneler, veri okuma prosesini ve algoritma geliştirme sürecini hızlandırmaktadır. Bunun yanında esnek mesajlaşma yapısı ve projeyi farklı programlama dilleri ile küçük parçacıklar halinde geliştirebilme özellikleri de önemli faydalarını oluşturmaktadır. ROS hakkında daha ayrıntılı bilgi (Quigley vd., 2009)’da bulunabilir.



Bahsedilen ROS bilgisayarının görevi, kendisine gelen kullanıcı komutları ve çevresel ölçüm verilerini işleyerek lokal bir planlayıcı çalıştırmak, içerisinde yer alacak “yönelim planlama” ve “hız planlama” modülleri yardımıyla açısal hız ve çizgisel hız komutlarını ROS paketleri olarak dışarıya vermektir. Çevresel algılama için, Şekil-7’de gösterilen 2 temel algılayıcı ihtiyaç dahilinde kullanılmaktadır, SICK firmasının LMS-151modelli LIDAR tarayıcı ve Banner firmasının QT500ULB modelli ultrasonik algılayıcılarından gelen veriler, tekerlekli sandalye etrafında lokal bir harita oluşturmak için kullanılmaktadır. Oluşturulan lokal haritalar ve kafa hareketlerinden gelen lokal hedef bilgisi beraber değerlendirilmektedir. Değerlendirme sonucunda, tekerlekli sandalyeye “açısal hız” ve “çizgisel hız” olarak 2 farklı referans sinyali gönderilmektedir. Projede global bir yörünge planlama yapılmayacağından, tekerlekli sandalyenin global bir haritaya veya bu harita üzerinde kendini konumlandırmasına ihtiyacı yoktur



Projede kullanılması planlanan tekerlekli sandalye ise, kendisine gelen ROS paketleriyle harekete geçebilen modifiye edilmiş akülü bir sandalyedir (Şekil-8).



Yürütücünün doktora tezinde geliştirmiş olduğu lokal planlama metodu (Sezer ve Gökaşan, 2012a) bu proje esnasında daha da geliştirilmiştir ve farklı bir platformda kullanım alanı bulmuştur. FGM metodu basit olarak, lokal hedef bilgisini, etrafındaki en güvenli boşluğun merkezine gidecek açıyla, tehlike faktörüne göre ağırlıklandırıp birleştirerek bir yönelim referansı oluşturmaktadır. Diğer metodlara göre daha güvenli yörüngelerle sonuçlanmakta, hareket kısıtlarını göz önüne alabilmekte ve lokal minimum gibi problemlerden bağımsız olarak çalışmaktadır (Zohaib vd. 2013). Şekil 9’da, FGM’nin tam otonom bir kara aracı üzerinde çalışırken ortaya çıkan gerçek bir örnek yörünge çıktısı yer almaktadır. Burada mavi ile gösterilen noktalar gerçek engel ölçümleri, kırmızı bölge hedef ve siyah kısım ise aracın yörüngesidir. Bu projede geliştirilen yeni engelden kaçma metodunda robotun hareket denklemleri diferansiyel sürüşlü birl robota göre tekrar düzenlenmiş ve FGM’nin orijinal halindeki gibi yalnızca dairesel engeller değil, örneğin koridorlar gibi çizgisel engeller için de sonuç verecek yeni bir formülasyon ortaya konulmuştur. Ayrıca engellerin özelliklerinin bulunduğu işlenmiş verilerle değil, doğrudan ham lazer verisi ile etraftaki boşluklar elde edilmiş ve metod buna göre revize edilmiştir. Ham lazer verisi ile tespit edilen boşluklar ve genişliği en büyük olan boşluğun orta noktası Şekil 1'de gösterilmiştir.



Kaynaklar : [1] Sezer V., Gokasan M., 2012a. “A Novel Obstacle Avoidance Algorithm: ‘Follow the Gap Method’ ” Elsevier-Robotics and Autonomous Systems, 60(9), 1123-1134. [2] Cho, I. Y., Sunwoo J., Son Y. K., Oh M.H., Lee C.H. , 2007, “Development of a Single 3-Axis Accelerometer Sensor Based Wearable Gesture Recognition Band”, Ubiquitous Intelligence and Computing , Springer Berlin Heidelberg, 4611, 43-52. [3] Yang S., Iyengar S., Sastry S. Bajcsy P, Kuryloski P., 2008, Jafari R., “Distributed segmentation and classification of human actions using a wearable motion sensor network”, Computer Vision and Pattern Recognition Workshops, 1-8. [4] Riad M. A., Elminir K., H., Shohieb M. S., 2014 Hand Gesture Recognition System Based on a Geometric Model and Rule Based Classifier, British Journal of Applied Science & Technology, 4(9), 1432-1445. [5] Quigley M., Conley K., Gerkey B., Faust J., Foote T., Leibs J., Wheeler R., Ng Y. A., 2009, ROS: an open-source Robot Operating System, ICRA workshop on open source software. [6] Zohaib M., Pasha M., Riaz R.A., Javaid N., Ilahi M., Khan R.D., 2013, “Control Strategies for Mobile Robot With Obstacle Avoidance”, Journal of Basic and Applied Scientific Research (JBASR), 3(4), 1027-1036.