LEE- Kontrol ve Otomasyon Mühendisliği-Doktora
Bu koleksiyon için kalıcı URI
Gözat
Yazar "Temeltaş, Hakan" ile LEE- Kontrol ve Otomasyon Mühendisliği-Doktora'a göz atma
Sayfa başına sonuç
Sıralama Seçenekleri
-
Öge2-step indoor localization for "smart AGVs"(Graduate School, 2022-06-17) Yılmaz, Abdurrahman ; Temeltaş, Hakan ; 504142101 ; Control and Automation EngineeringWith the fourth industrial revolution, in other words, Industry 4.0 (I4.0), the transition from traditional mass production to personalized production started in factories. One of the components of the next-generation factories compatible with I4.0 is cyber-physical systems (CPSs). Smart manufacturing islands, smart warehouses, and smart material-handling vehicles are examples of CPSs. The material handling vehicles employed in today's factories, such as automated guided vehicles (AGVs), are not ready for use in smart factories, as the digital transformation has not been completed and the vehicles are not equipped with software to perform fully autonomous operations. In smart factories, it is aimed that the new generation AGVs will do all the planning themselves while performing a given task. Thus smart AGVs will be able to use the whole free space in the factory instead of being restricted to the routes reserved for them. With this development, it will be possible to increase flexibility and efficiency in production. There may be no physical difference between the traditional and smart AGVs, but thanks to the capabilities of the embedded software, smart AGVs will be able to operate autonomously. One challenging problem to be overcome for smart AGVs to effectively realize an assigned logistic task is localization. Although localization is an extensively studied topic for both indoor and outdoor environments, there are still open problems. Considering the logistics problem, the localization problem can be divided into three in the general sense. The first is global localization, which means determining where the smart AGV is in the environment at the time the vehicle wakes up. The second problem is position tracking, which means updating the pose information depending on the movements of the robot, while the instantaneous pose of the robot is known. The third and last problem is the kidnapped robot problem, which occurs when the robot is moved from one place to another without informing. Cases that reduce the reliability of the calculated pose, such as instantaneous skidding, slipping, and crashing an object, can also be addressed under this problem. The localization approach to be utilized in smart factories is supposed to overcome these three sub-problems. There are two main tasks in a logistic operation. The first is the docking stage, which covers the cases of taking a load to the smart AGV or dropping the load of the smart AGV. At this stage, the aim is to reach the target (destination) where the load will be taken or left with industrial standards. With I4.0, reaching the target with sub-centimeter precision has become a goal. Therefore, estimating the pose with high accuracy and precision is expected from the docking localization algorithm. The second is the delivery stage, which covers carrying the load to the destination in the fastest and safest way in the parts outside the docking region. It is not essential to follow the planned route exactly in this stage, so rather than the high accuracy of the localization approach, showing similar positioning performance in the entire operating field is more important. Within the scope of this thesis, different localization algorithms have been proposed for the delivery and docking stages. In addition, a probabilistic decision mechanism that determines the boundary between the delivery and docking stages is designed. A variant of the particle filter-based Monte Carlo Localization (MCL) approach, Self-Adaptive MCL (SA-MCL), is taken as the basis localization method for the delivery stage. The main reason for choosing SA-MCL is that it can solve all aforementioned sub-problems of localization. While performing the traditional SA-MCL global localization task, it uses energy maps and assumes that all range sensors are uniformly placed on the robot in energy map generation. However, this assumption is not valid for many real applications, such as AGVs with two-dimensional (2D) laser scanners front and rear. Moreover, three-dimensional (3D) sensing technology is developing day by day with the widespread use of autonomous vehicle technology. With the ellipse-based energy model proposed in this thesis, the energy map-generating part of the traditional SA-MCL has been updated to overcome both of these constraints. The pose estimation accuracy of the SA-MCL approach performs more or less the same across the entire environment, making it suitable for the delivery stage. However, since the pose estimation accuracy level is proportional to the grid dimensions of the occupancy map, it may not be possible to reach the expected sub-centimeter precision within the docking region in large areas such as factories. Therefore, it was decided to use a scan matching-based precise localization algorithm in the docking region, and for this purpose, the affine iterative closest point (ICP) algorithm was adapted to the localization problem. To make the developed method robust against factors such as noises, disturbances, and/or outliers, the correntropy criterion was utilized while constructing the cost function of affine ICP. As a result, an updated SA-MCL method with an ellipse-based energy model is proposed for the solution of global localization, position tracking, and kidnapped robot problems in the delivery stage. On the other hand, an affine ICP-based precise localization approach is presented for position tracking in the docking stage. However, the boundary between the delivery stage and the docking stage may not be clear. For example, limiting the docking stage to a zone very close to the target may require extra maneuvers to tolerate positioning errors during the delivery stage due to the physical constraints of smart AGVs. If a larger area is specified as a docking stage, it may not meet the expectations since the performance of the precise localization approach may decrease further away from the target. For this reason, there is a need for a switching mechanism that can be adapted specifically to the application and decides whether to switch from the delivery stage to the docking stage. Since the pose estimation performance of the SA-MCL-based localization approach is roughly similar on the entire map, the deciding factor in the transition to the docking stage is the performance of the precise localization method used in the docking stage. In the literature, it is emphasized that the amount of overlap between matched point sets is supposed to be above 50% for the scan-matching-based methods to yield successful results. Within the scope of the thesis, a correntropy-based similarity rate definition, which gives better results than the overlap ratio calculation methods in the literature, is presented and utilized as the decision parameter of the switching approach. To avoid instabilities, a gap is left according to Hysteresis curve behavior while switching from the delivery stage to the docking stage or vice versa. Within the scope of the thesis, the two-stage localization method developed for the next-generation AGVs to be used in smart factories has been experimentally tested on a differential drive mobile robot. First, the ellipse-based energy model addition to the SA-MCL method has been verified by field tests, and its superiority in global localization has been demonstrated. Then, the affine ICP-based localization method used in the docking stage has been tested over nine separate real-world scenarios and it has been shown that it is possible to compute pose with sub-centimeter precision and reach the target at industrial standards. In addition, an affine ICP method, which is not available in the literature, was proposed, and the point set matching performance was demonstrated over synthetic point sets. After validating its performance in point set registration, it was also used for precise localization. Finally, the whole system was tested together. The delivery was carried out with improved SA-MCL, and the switching point from delivery to the docking stage was determined by the decision mechanism. As seen through three different scenarios, it is possible to complete the localization tasks in the delivery and docking stages in the smart factories by using the proposed methods.
-
ÖgeActive slam with informative path planning for heterogeneous robot teams(Fen Bilimleri Enstitüsü, 2020) Akay, Mehmet Caner ; Temeltaş, Hakan ; İnsansız Hava Aracı'nı (İHA'yı) ve İnsansız Kara Aracı'nı (İKA'yı) bünyesinde bulunduran heterojen yapılı robot takımları, günümüzde gözetleme, takip, keşif, vb. farklı görevlerde kullanılmaktadır. Çevrenin haritalanmasını gerektiren keşif görevlerinde, heterojen robot takımlarının ortamı daha iyi anlayabilmesi adına, ortak bir haritaya ihtiyaç duyulmaktadır. Bu doğrultuda özel yaklaşımlarla, Lidar Odometre ve Haritalama (LOH) ile zorlayıcı yapıların bulunduğu ortamda, araçların kooperatif bir şekilde benzerlik metriklerini kullanarak ortak harita çıkarması sağlanmaktadır. Bunun yanı sıra, sınırları belirli bir alanın, heterojen robot takımları ile keşfini sağlamak adına sürekli olarak toplanan bilgiyi arttırıcı kontrolcü tasarımı kullanılmaktadır. Farklı tipte hareket denklemlerine ya da dinamik modellere ve/veya farklı sensör yapılarına sahip robotlardan oluşan robot takımlara heterojen yapılı robot takımları denmektedir. Diğer taraftan robot takımlarının eş zamanlı konumlama ve haritalama problemi ile bu takımdaki robotların yol planlamalarının eş zamanlı gerçeklemesi ise Aktif eş zamanlı konumlama ve haritalama (EZKH) problemi olarak adlandırılmaktadır. Buradaki eş zamanlı gerçeklemedeki amaç otonom robot araçları için planlanan yolların aynı zamanda EZKH'deki belirsizliği de minimize edecek şekilde gerçekleştirilmesidir. Diğer bir deyişle otonom robot araçları için bilgilendirici yol planlarının oluşturulmasıdır. Bu çalışmanın temel amacı heterojen yapılı robot grupları için bilgilendirici yol planlamaya dayalı bir Aktif-EZKH sistemi tasarlamaktır. Robot takımlarının farklı dinamik ve sensörlere sahip olması diğer bir deyişle heterojen yapıda olmaları, bu robot takımlarına avantajlar getirmektedir. Örneğin; hava robotları hızlı hareket edebilir, kara robotları daha ağır faydalı yükler taşıyabilir ve hedef nokta ile doğrudan etkileşime girebilirler. Karma bir araçlı bir yapı içerisinde yer alan İHA ile İKA oluşan bir robot grubu keşif, arama veya güvenlik amaçlı sınırları belirlene bir bölge içinde iş birliği yaparak ortam içindeki görevlerini insandan bağımsız bir şekilde otonom olarak gerçekleyebilir. Burada İHA ve İKA'ların birbirleri ile yer istasyonu aracılığı ile veri paylaşımında olduğu varsayılmaktadır. Komşuluk alanları içerisinde haberleşme ile harita paylaşımı ya da araç durum vektörü paylaşımı yapabilen robot birimleri kooperatif robotlar olarak gösterilmektedir. Bu çalışmada dış ortam sensörü olarak 360° ortam taraması yapabilen ve saniyede 300.000 adet noktanın mesafesini ölçebilen 3B LIDAR sistemi kullanılmıştır. Yüksek çözünürlüklü ölçüm avantajının yanı sıra bu kadar büyük miktardaki veriden optimum miktarda ve hızlı bir şekilde anlamlı veri üretip bunları robot konumlama, planlama ve koordinasyonunda kullanım da ayrı bir zorluk ortaya koymaktadır. Temel olarak, hareketli olan bir araçtan elde edilen nokta bulutunun coğrafik olarak yerleştirilmesi gerekmektedir. Bu işlem sadece Lidar sensörü kullanılarak da; farklı sensörlerin verilerinin ortak bir şekilde kullanılması aracılığıyla da yapılabilir. SadeceLidar ile toplanmış verilerin işlenerek nokta bulutunun coğrafik olarak yerleştirilmesi ve gözlem sırasında sensörün hareketinin elde edilmesi, bu çalışmada LOH ile sağlanmaktadır. Bu sayede; GPS ve IMU olmaksızın EZKH yapılabilmektedir. Buna ek olarak, sensörlere binen gürültülerden dolayı oluşabilecek kaymalar ve yanlış veri elde edilmesi engellenebilmektedir. Buna karşılık, GPS, enkoder ve IMU verileri ile Lidar verileri birleştirilerek Genişletilmiş Kalman Filtresi (GKF) konumlaması da sağlanabilmektedir. Burda sensör verilerinin olasılıksal yaklaşımlarla işlenmesi ile robotun konumu elde edilmektedir ve bu konum ile Lidar verilerinin coğrafik yerleştirme yapılması sonucunda da belirli bir orijine sabitlenmiş nokta bulutu çıktısı alınmaktadır. Sonrasında da bu nokta bulutu ile istenilen yöntem ile elde edilen odometre ve nokta bulutu verisi farklı haritalama yöntemleri kullanılarak ayarlanabilir özel görsel çıktılar sağlanabilmektedir. Bunlardan biri, sekizli ağaç yapıları kullanılarak elde edilen OctoMap olmaktadır. OctoMap yöntemi, tez çalışmasında kullanılmasının temel sebepleri olan, çözünürlük ayarlaması, doluluk olasılığı üst ve alt sınırları belirlenmesi ve 3B olarak sağlanabilmesi açısından faydalı bir araç olmaktadır. Bu yöntem ile, ortamın uyarlanabilir şekilde, ortamın 3B haritasının çıkarılması sağlanmaktadır. Lidar sensörlerinin havadan alınan nokta bulutları ile karadan alınan nokta bulutları farklı geometrik özellikler taşımaktadır. Ancak, hava ve kara Lidar görüntülemesinin birbirlerini tamamlaması bakımından oldukça büyük avantajları da mevcuttur. Hava aracı ve kara aracı tarafından yapılan ve birilerinin göremedikleri bölgelerin görüntülenebilmesi sağlanılmaktadır. Bu avantajı kullanabilmek adına farklı açılardan lokal olarak görüntülenen ortamın ortak bir haritada birleştirilmesi gerekmektedir. Harita birleştirme adımını gerçekleştirmek adına her iki robotun elde ettiği verilerden ortak olanını belirlemek gerekmektedir. Kuş bakışı veya yatay olması fark etmeksizin bir nesnenin yere göre yüksekliği; hem havadan hem karadan yapılan gözlemlerde sensörlerin görüş açısı sınırları içerisinde aynı olacaktır. Bu doğrultuda, yükseklik verileri üzerinden benzerlik metrikleri kullanılarak haritaların birleştirilmesi sağlanabilmektedir. Bu tez çalışmasında, İHA ve İKA tarafından elde edilen nokta bulutu ızgara haritasına benzer bir yapıda olan yükselti haritaları kullanılmıştır. Izgaralar ile bölünmüş hücrelerdeki en yüksek noktanın verisinin kullanılması ile 2.5D harita elde edilmesi sayesinde yükselti haritaları oluşturulmaktadır. Benzerlik metrikleri aracılığıyla ise bu haritadaki yükseklik bilgilerinin birbirine oturmasını sağlayacak konum ve yönelim farkı belirlenmektedir. Çalışmanın sonraki aşamalarında entropi teorisi kullanılması sebebiyle entropi temelli benzerlik metrikleri ile harita birleştirme yapılmıştır. Yedi farklı tipteki entropi metriği ile yapılan benzerlik karşılaştırması sonucunda "Jensen Divergence" entropi tanımının en az hata ile haritalar arasında dönme ve öteleme farkının belirlenmesini sağladığı, deneyler ile doğrulanmıştır. Ayrıca; haritanın dikey eksende katmanlara ayrılması ve bu katmanlar üzerinden yapılan yükseklik benzerlikleri hesaplaması ile optimum konum ve yönelim ( veya dönme ve öteleme) farklarının belirlenmesinin; katmanlara ayırma metodunun kullanılmasına göre daha avantajlı olduğu da gösterilmiştir. Her bir otonom araç "Harita Birleştirme" süreci sonrasında bu harita Aktif-EZKH süreci için kullanılarak hem harita bilgileri daha hassas hale getirilir hem de robotun gitmesi gereken yeni konumu tespit edilmiş olur. Yol planlaması, görevin etkin bir şekilde icrası için gerekli olan kritik adımlardan biridir. Enerji tüketim, elde edilen sonucun gerçekleşme süresi ve kalitesi uygulamanın ana kriterleridir. Bu nedenle, yol planlama algoritmaları etkin sistemler oluşturmak üzere kullanılmaktadır. Yol planlama algoritmaları farklı türde olabilir ama özelliklehedef işaretleme ve bilgi maksimizasyonuna dayalı yöntemler diğer yol planlama yöntemlerine göre belirgin üstün özelliklere sahip olanlarıdır. Hedef odaklı yol planlama algoritmalarında, birimlerin belirli bir hedefe ulaşabilmesi adına oluşturduğu kontrol eylemleri bulunmaktadır. Bilgi maksimizasyonu yaklaşımı; ortam, nesnenin diğer nesneler veya bir hedef hakkında daha fazla bilgi almak için bir doğrultu boyunca hareket etmesi olarak tarif edilebilir. Burada bağıl entropi teorisi, bilgi maksimizasyonu yaklaşımı olarak sunulmuştur. İlaveten, bağıl entropi, karşılıklı bilgi ile çevresel durum entropisiyle arasındaki farktır. Bağıl entropi kullanılarak, bilgi metrik olarak ifade edilebilmektedir. Çevresel durumlar ile gözlemler ile elde edilen durumlar arasındaki bağıl entropi üzerinden yaratılan amaç fonksiyonunun optimal çözümü sonucunda elde edilen hedef nokta, o bölgedeki bilginin belirlenen kriterlere göre istenilen seviyeye çekilmesini sağlamaktadır. Bu, EZKH ile etkileşimli çalışan yol planlaması temelli bir optimal kontrol yöntemidir. Bu yöntem çerçevesinde Bilgi Teorisinden faydalanılarak belirsizlik terimleri ile entropi terimleri arasında ilişki kuran bir Karşılıklı Bilgi terimi tanımlanır. Kulback-Liebler Mesafesi olarak da tanımlanan bu Karşılık Bilgi terimi maksimum değerine ulaştığında belirsizleri temsil eden entropi terimleri de minimize olurlar. Bu sebeple Karşılık Bilgi terimine dayalı bir amaç fonksiyonu oluşturularak bu fonksiyonu maksimize yapacak robot konum ve hareket vektörleri optimal kontrol yaklaşımı ile elde edilir. Bu elde edilen terimler heterojen robot takımında yer alan otonom robotlara uygulanarak onların hareketleri planlanmış olur. Amaç fonksiyonunu Lyapunov kararlı yapan bu noktalar ise bir hacimsel bölgenin merkezidir ve bu hacimsel bölgedeki bilgiyi maksimize etmek üzere belirlenmiştir. Bu noktaya ulaşmak için, robotlar belirlenen kurallar çerçevesinde hareket etmektedir. Bu kurallar ise İHA veya İKA'nın hedef noktaya hareketinin seçimi ve hedef noktaya ulaşım için engellerden kaçınmayı içermektedir. Bu yöntemin; özellikle farklı boyutlarda nokta bulutu ölçümü yapabilen hava be kara araçlı robot takımındaki uygulamaları literatürde mevcut değildir. Bu teorik çalışmaları ön plana alan çalışmaların çıktılarının özellikle arama-kurtarma, keşif ve güvenlik gibi robot takımı uygulamaları için büyük önem taşıyacağı değerlendirilmektedir. Önerilen yöntemde, ortamdan yapılan ölçümler ile araç hareketlerinde oluşabilecek belirsizliklerini etkilerini en aza indiren kara ve hava robotlarından oluşan heterojen yapılı robot takımlarının keşif amaçlı yol planlama algoritmalarının geliştirilmesi ve performanslarının test edilmesi hedeflenmiştir. Aynı zamanda, bu görevleri icra edebilmek adına belirli harita birleştirmenin de gerçekleştirilmesi gerekmektedir. Öncelikle; harita birleştirilmesi yönteminin doğrulanması adına üniversite kampüsünde belirli bir bölgede kara aracı olarak Clearpath Husky A200, hava aracı olarak ise DJI Matrice 600Pro ve bu araçlar üzerinde bulunan Lidar sensörü kullanılmıştır. Sonuç olarak; teorik çalışmalarda verilen benzerlik metriklerinden en optimum olanı deneyler aracılığıyla belirlenmiştir. Sonrasında; bilgilendirici yol planlama yönteminin doğrulanması amacıyla Robot İşletim Sistemi ("ROS") ve Gazebo temelli, karmaşık ancak günlük yaşantıda karşılaşılabilinen bir simülasyon ortamı kurulmuştur. Bu simülasyon ortamında altı farklı durum yaratılarak heterojen robot takımları için bilgilendirici yol planlamalı Aktif EZKH gösterilmiş ve parametre ayarlamaları ile uygulamaya göre değiştirilebilir bir yapı sağlanmıştır. ; 650277 ; Kontrol ve Otomasyon Mühendisliği Ana Bilim DalıRecently, heterogeneous teams consisting of unmanned ground vehicles and unmanned aerial vehicles are being used for different types of missions such as surveillance, tracking, and exploration, etc. Exploration missions with heterogeneous robot teams should acquire a common map for understanding the surroundings better. The unique approach presented in this dissertation with cooperative use of agents provides a well-detailed observation over the environment where challenging details and complex structures are involved. Also, the presented method is suitable for real-time applications and autonomous path planning for exploration. Lidar Odometry and Mapping with various similarity metrics such as Shannon Entropy, Kullback-Liebler Divergence, Jeffrey Divergence, K Divergence, Topsoe Divergence, Jensen-Shannon Divergence and Jensen Divergence are used to construct a common height map of the environment. Furthermore, the given layering method that provides more accuracy and a better understanding of the common map. All of the given similarity metrics are compared, and the advantage of utilizing the layering method is shown. The best similarity metric for constructing a heterogeneous robot team common map of the experimental area was obtained by using the Jensen Divergence similarity metric and layering method. Moreover, Extended Kalman Filter localization and OctoMap techniques are utilized to create an adaptive simultaneous localization and mapping infrastructure for informative path planning. Optimal parameter tuning for the specified simulation environment provides adjustable memory allocation and exploration performance, such as; duration, collected information and effort. The information seeking controller obtained with the use of relative entropy ensures exploration of the given area to minimize the uncertainty between observed states and environmental states. Robots move to the volumetric spaces' center under given rules and collect measurements by proprioceptive and exteroceptive sensors. With the use of heterogeneous robot teams, the measurements collected by the Lidar provide an advantage in perceiving complex details that can not be done by homogeneous robot teams. Constructing common map part of the theoretical approaches in this thesis are experimentally validated. In addition, the complete demonstration of this dissertation is done with six different cases by simulation studies. The theoretical background of active simultaneous localization and mapping with informative path planning for heterogeneous robot teams are validated, and the advantages of this study are remarked.
-
ÖgeDeep reinforcement learning for partially observable markov decision processes(Graduate School, 2022-07-19) Haklıdır, Mehmet ; Temeltaş, Hakan ; 504102110 ; Control and Automation EngineeringDeep reinforcement learning has recently gained popularity owing to its many successful real-world applications in robotics and games. Conventional reinforcement learning faces a substantial challenge in developing effective algorithms for high-dimensional environments. The use of deep learning as a function approximator in reinforcement learning is a viable solution to overcome this challenge. Furthermore, in deep reinforcement learning, the environment is often thought to be fully observable, meaning that the agent can perceive the true state of the environment and so act appropriately in the current state. Most real-world problems are partially observable and the environmental models are unknown. Therefore, there is a significant need for reinforcement learning approaches to solve these problems, in which the agent perceives the state of the environment partially and noisily. Guided reinforcement learning methods solve this issue by providing additional state knowledge to reinforcement learning algorithms during the learning process, thereby allowing them to solve a partially observable Markov decision process (POMDP) more effectively. However, these guided approaches are relatively rare in the literature, and most existing approaches are model-based, which means that they require learning an appropriate model of the environment first. In this thesis, we present a novel model-free approach that combines the soft actor-critic method and supervised learning concept to solve real-world problems, formulating them as POMDPs. We evaluated our approach using modified partially observable MuJoCo tasks. In experiments performed on OpenAI Gym, an open-source simulation platform, our guided soft actor-critic approach outperformed other baseline algorithms, gaining 7∼20% more maximum average return on five partially observable tasks constructed based on continuous control problems and simulated in MuJoCo. To solve the autonomous driving problem, we focused on decision making under uncertainty, as a partially observable Markov decision process, using our guided soft actor-critic approach. A self-driving car was trained in a simulation environment, created using MATLAB/SIMULINK, for a scenario in which it encountered a pedestrian crossing the road. Experiments demonstrate that the agent exhibits desirable control behavior and performs close to the fully observable state under various uncertainty situations.
-
ÖgeMulti-agent coverage control with adaptation to performance variations and imprecise localization( 2020) Turanlı, Mert ; Temeltaş, Hakan ; 637482 ; Kontrol ve Otomasyon Mühendisliği Ana Bilim DalıIn this thesis, an adaptive collaboration approach for a multi-agent system consisting of nonholonomic wheeled mobile robots is proposed. The positions of the agents are not known precisely but their locations are known to be within uncertainty circles. For the collaboration among the robots, the workspace partitioning algorithm is chosen as Guaranteed Power Voronoi Diagram (GPVD or GPD) which not only takes the localization uncertainty into account but also is capable of changing the regions of the generator points with respect to corresponding weight parameters. Also, the assumption is that the actuation capabilities of the robots are different from each other. The agents do not know those parameters related to their actuation performances beforehand. The contribution of the thesis is that the performance parameters of the agents are learned online by the proposed adaptive estimator algorithm and Hopfield Neural Network (HNN) estimator under localization uncertainty. The proposed algorithm is based on the coverage control which performs collaboration among the robots by assigning the regions from the workspace according to their actuation performances automatically. The definition of the actuation performances is different capabilities of the agents. The examples of strong actuation performances may include powerful motors and favorable terrain while wheel slip and weak motors can be counted as examples for the weak actuator performances. The proposed multi-agent collaborative coverage algorithm learns the performance parameters of the robots by using two approaches proposed in the thesis. The first approach is based on an adaptive estimator with a non-holonomic estimation model. The second method uses an HNN estimator. The theoretical proof, analysis and verification of the aforementioned methods are given in the related sections. After estimating the performance parameters, the weights are calculated using a neighbor based weight estimation algorithm. The weight variables are utilized in the GPD algorithm so that the workspace is partitioned according to the performance parameters of the agents in a guaranteed sense. At the end, the agents take regions from the workspace according to their actuation performances and achieve the optimal collaborative coverage so that the agents with strong actuators take larger regions from the environment than the agents with poor actuators. Thus, the collaborative coverage algorithm enables the robots to deploy themselves to an optimal configuration which minimizes the total coverage cost by taking imprecise localization into account. Moreover, a multi-agent coverage collaboration method with an energy-efficient optimal coverage control law and Hopfield networks is proposed in the related section. By using the algorithm a trade-off between coverage time and energy consumption among agents can be done. Meanwhile, the collaboration is achieved according to the actuation performances of the agents. The theoretical results are verified with MATLAB and ROS/Gazebo simulations and experiments that show the efficiency of the algorithm. The ROS implementation of the algorithm is explained. The experimental results are given in the related section.