Akademik Veri Yönetim Sistemi
Erdal H. (Yürütücü), Doğan B., Tiryaki F.
Yükseköğretim Kurumları Destekli Proje, 2019 - 2020
Günümüzde robotik sistemler, otonom (insansız) görev uygulamalarında kullanılmaktadır. Kontrolcü, haberleşme modülü, batarya, eyleyici, algılayıcı, yapısal gövde, bunları birbirine bağlayan mekanik ve elektronik bileşenler robotik sistemi meydana getirmektedir. İnsansız Hava Araçları (İHA) robotik sistemlere örnek olarak verilebilir. Üzerlerine eklenen algılayıcılar yardımıyla İHA’lar askeri ve sivil amaçlı uygulamalarda, engelden kaçınma, nesne tanıma ve hedef bulma gibi özelliklere sahip olabilirler. Algılayıcılar duyu organlarına benzetilebilir. Programlanan görevlerin yerine getirilmesinde sisteme ait algılayıcılar, çevreden verilerinin elde edilmesini sağlar. Kamera ise çevre görüntülerinin yakalanmasında (capture) kullanılan bir cihazdır. Çevreden yakalanan görüntüler, önceden belirlenen özelliklerde nesnelerin bulunması, tanınması ve yorumlanması benzeri görevlerde kullanılmaktadır. Bu türden görevlerin gerçekleştirilmesi için görüntü işleme teknikleri olarak derin öğrenme ve makine öğrenmesi gibi algoritmalar yaygın olarak kullanılmaktadır.
Karar verme süreçlerinin geliştirilmesi önemli bir iştir. Yapay zekâ destekli uygulamalar, otonom sistemlerin karar verme süreçlerinin geliştirilmesine katkı sağlamaktadır. Bu türden uygulamaların çalıştırılmasında yüksek işlem gücüne ihtiyaç duyulmaktadır. Gerekli işlem gücünün karşılanması için ideal işlemci seçiminde performans, maliyet, enerji tüketimi gibi parametreler göz önünde bulundurulmaktadır. Yüksek işlem gücü, düşük maliyet ve enerji tüketiminin az olması verimliliği arttıran faktörlerdendir.
İHA’nın kontrolü, çevreden bilgilerin toplanması, yorumlanması ve karar verilmesi gibi otonom uygulamalarda mini-bilgisayarlar kullanılmaktadır. Mini-bilgisayar sistemlerine Raspberry Pi, Edison, BeagleBone vb. ürünler örnek olarak verilebilir. Mini-bilgisayarın çalışma hızı otonom karar algoritmalarının çalışma performansı ile doğru orantılıdır. Derin öğrenme uygulamaları, üzerlerinden çalıştırıldığı bilgisayarların işlemci hızı düşük ise, algoritma kodlarını daha yavaş yürütülmekte, böylelikle algoritma tarama periyodu uzamaktadır. Harici olarak bilgisayara bağlanabilen Movidius Görüntü İşleme Birimi (Visual Processing Unit – VPU) gibi donanımlar bu karar algoritmaları için mevcut bilgisayara ek işlem gücü sağlarlar. Derin öğrenme uygulamaları ile ilgili kodları kendi üzerlerinde çalıştırdıkları için, bilgisayar ana işlemcisine düşen yük azaltılır. İHA’lar gibi enerji tüketiminin kritik olduğu robotik uygulamalarda, düşük güç tüketimleri ve görüntü işlemedeki performansı misliyle arttırdıkları için Movidius gibi donanımlar tercih edilir. Günümüzde derin öğrenme yöntemleriyle nesne belirleme, hedef tanımlama gibi uygulamalarda yazılım tarafı için Python, C++, vb. programlama dilleri yaygın olarak kullanılır. Ayrıca bu dil platformlarında kullanılmak üzere TensorFlow, Yolov3, OpenCV, vb. gibi açık kaynak kodlu derin öğrenme kütüphaneleri mevcuttur.
Önerilen proje çalışmasında, uzakta hedef olarak seçilen bir nesnenin anlık Küresel Navigasyon Uydu Sistemi (Global Navigation Satellite System - GNSS) konumunu İHA üzerinden tespit edilmesini sağlayacak bir sistem tasarlanacaktır. İHA üzerinden elde edilen görüntü yardımıyla, belirlenen hedefe doğru yalpa (gimbal) sistemi konumlandırılacaktır. Sistem ucuna bağlı bulunan kamera ve lazerli mesafe ölçme modülünden elde edilen uzaklık ve yönelme açısı verileri kullanılarak hedefe ait GNSS koordinatları hesaplanacaktır. Hedef GNSS koordinatları hesaplanırken İHA’nın anlık ölçülen (5 Hz, saniye de 5 kez) koordinatları temel olarak alınacaktır. Geliştirilecek hesap algoritmasının başarımı da, hedef üzerine yerleştirilecek GNSS alıcıdan elde edilecek verilerin karşılaştırılması yoluyla ölçülecektir.