Otonom mobil robotlarda doğruluk ve hız odaklı lokalizasyon algoritmalarının geliştirilmesi, uygulaması ve karşılaştırmalı analizi

Abstract

Son yıllarda, otonom mobil robotların günlük yaşantımıza olan olumlu etkileri önemli ölçüde artmıştır. İnsanların hayatını kolaylaştıran bu olumlu etkiler; temizlik ve hizmet sektöründen lojistik sektörüne, sağlık sektöründen akıllı fabrikalara kadar birçok alanda net bir şekilde kendisini göstermektedir. Bu robotların, kendilerine verilen görevleri düzgün ve eksiksiz bir şekilde yapabilmeleri, hedef noktasına hem en kısa yoldan hem de güvenli bir şekilde varabilmeleri için otonomi alanında kullanılan birtakım algoritmanın birbiriyle uyumlu ve koordineli bir şekilde çalışması gerekir. Bu algoritmalardan en temel olanları; rota planlama, engelden kaçma ve lokalizasyon (pozisyon tahmin) algoritmalarıdır. Otonom mobil robotlar dış mekânda çalışıyorlarsa GNSS (Global Navigation Satellite System) gibi uydu sistemleri, yüksek doğrulukta konum bilgisi sağlayabildiklerinden çok kullanışlı sistemlerdir. Ancak, bu otonom mobil robotlar hastane, fabrika ve ev gibi kapalı alanlarda çalışıyorsa GNSS pek tercih edilmez; çünkü ağaçlar, bina malzemeleri, vb. GNSS sinyallerinin iç mekâna düzgün bir şekilde ulaşmasını engelleyebilir. Bu nedenle, konum bilgilerinin daha doğru bir şekilde elde edilebilmesi için dayanıklı ve yüksek doğruluğa sahip iç mekân lokalizasyon algoritmaları tercih edilir. Tam bir lokalizasyon problemi üç alt problemden oluşmaktadır: lokal lokalizasyon (öz-pozisyon takibi), global (küresel) lokalizasyon ve kaçırılmış robot problemleri. Lokal lokalizasyon probleminde, robotun başlangıç konumunun bilindiği varsayılmaktadır. Bu problemi çözen algoritmanın yapacağı iş, bu noktadan itibaren robotun pozisyonunu yüksek doğrulukta tahmin etmektir. Global lokalizasyon problemi ise lokal lokalizasyon problemine göre nispeten daha zordur; çünkü bu problemde robotun başlangıç konumu bilinmemektedir. Global lokalizasyon problemini çözecek algoritmanın önce robotun konumuna doğru bir şekilde yakınsaması daha sonra da düzgün bir şekilde robotu takip edebilmesi gerekmektedir. Kaçırılmış robot problemi ise robotun çevresel şartlardan dolayı kayması, çukura girip çıkması gibi ani pozisyon değişimlerinde oluşan pozisyon hatasını algılama problemidir. Bu problemi çözebilme kabiliyetine sahip algoritmanın gücünü test etmek için hem simülasyon hem de gerçek ortamda dışardan müdahale ile robotun pozisyonu aniden değiştirilebilir. Literatürde en popüler global lokalizasyon algoritmaları parçacık filtre tabanlı Monte Carlo lokalizasyon (MCL) algoritmaları iken, lokal lokalizasyon problemini ise hem parçacık filtre hem de Kalman filtre tabanlı lokalizasyon algoritmaları çözebilir. Bu tez kapsamında ilk olarak, lokal lokalizasyon problemini iki boyutlu ızgara haritalarda hem hızlı hem de yüksek doğrulukta çözebilen dayanıklı bir lokalizasyon algoritması geliştirilmiştir. Öncelikle, ızgara haritalarda kenar ve köşe gibi doğal özellikleri çıkarmaya gerek kalmadan harita üzerine sanal dinamik nokta landmark veya işaretçi atayıp önceden belirlenmiş kurallara göre gerçek LiDAR ölçümlerini kullanarak özellik çıkarmaya yarayan bir algoritma geliştirilmiştir. "Sanal Dinamik Nokta Landmark (İşaretçi): SDNL(İ)" atama ve çıkarma algoritması olarak adlandırılan bu algoritma sayesinde, haritalarda köşe ve kenarlar sınırlı sayıda olsa bile az hatalı pozisyon tahminleri yapılabilmektedir. Bu algoritma özellik tabanlı genişletilmiş Kalman filtre (extended Kalman filter: EKF) lokalizasyon algoritmaları için geliştirilmiş olup çıkarılan sanal nokta işaretçilerinden alınan ölçüm eşleşmeleri EKF'nin ölçüm güncelleme veya düzeltme bölümünde kullanılmaktadır. Bu alanda ikinci yenilik ise yapısal hatalar ve gürültüler içeren ızgara haritaların pozisyon tahmini üzerindeki olumsuz etkisini gidermek ve bu hataları telafi etmek için EKF lokalizasyon algoritması modifiye edilmiştir. SDNL algoritmasını kullanan modifiye edilmiş EKF lokalizasyon algoritmasına da kısaca "MEKF-SDNL" lokalizasyon algoritması denilmiştir. Bu algoritma sayesinde daha doğru pozisyon tahminleri daha hızlı güncellenerek yapılabilmektedir. Ayrıca özellik bakımından sınırlı, düz duvardan oluşan haritalarda bile iyi performansta çalışabilmektedir. İkinci olarak, literatürde var olan ve global lokalizasyon problemini çözmede etkili "Kendinden Uyarlamalı Monte Carlo Lokalizasyon: KU-MCL" algoritmasında bulunan benzer enerji bölgelerini daha optimal bir şekilde belirlemeye yönelik geliştirmeler yapılarak yeni bir algoritma geliştirilmiş ve "KU*-MCL" olarak adlandırılmıştır. Benzer enerji bölgelerinin daha düzgün ve optimal belirlenmesi sayesinde sınırlı ve sabit sayıdaki parçacıkların robotun konumuna yakınsama hızı artmaktadır. Böylece daha az hataya sahip konum tahminleri yapılabilmektedir. Son olarak, geliştirilen MEKF-SDNL lokal lokalizasyon algoritması ile KU*-MCL global lokalizasyon algoritmasının hibrit olarak çalıştırılması sağlanmıştır. KU*-MCL algoritması global lokalizasyon problemini çözerken, parçacıklar robotun konumuna yakınsadıktan birkaç adım sonra yerini MEKF-SDNL algoritmasına bırakmaktadır. Problem lokal lokalizasyon problemine indirgendiğinde bu problemi çözmede daha kabiliyetli olan MEKF-SDNL algoritmasına yol verilmektedir. Böylece geliştirilen hibrit lokalizasyon algoritması kullanılarak tüm lokalizasyon problemleri çözülebilmektedir. Geliştirilen lokalizasyon algoritmaları adil koşullarda hem kendi aralarında hem de açık kaynak olarak erişilebilen ve literatürdeki en popüler algoritmalardan biri olan AMCL (Adaptive Monte Carlo Localization) algoritması ile karşılaştırılmalı olarak test edilmiştir. Performans deneyleri hem simülasyon ortamında hem de gerçek ortamda yapılmıştır. Simülasyon deneylerinin büyük bir bölümü MATLAB ortamında oluşturulan çevre ve haritalar kullanılarak yapılmıştır. Bunun yanında ROS ile çalışan ve gerçek dünyaya yakın deneylerin yapılmasına imkan sağlayan Gazebo simülatörü kullanılarak da deneyler gerçekleştirilmiştir. Gerçek dünya deneyleri ise İTÜ MUAM ve SASlab koridoruyla SASlab içinde oluşturulan platform içinde yapılmıştır. Laboratuvar koridorlarında yapılan deneylerde, otonom mobil robot olarak önceden tasarlanmış otonom sürüş kabiliyetine sahip tekerlekli sandalye kullanılmıştır. Platform içinde yapılan deneylerde ise Turtlebot3 burger ve waffle_pi model mobil robotları kullanılmıştır. Tekerlekli sandalye ile yapılan deneylerde algoritmaların pozisyon tahmin performanslarını belirleyebilmek için robotun geçtiği gerçek noktaları tespit etmek amacıyla laboratuvar ortamında bir yer gerçeği çıkarma cihazı icat edilmiştir. Geliştirilen lokalizasyon algoritmalarının tamamı MATLAB ortamında tasarlanmış ve kodlanmıştır. Gerçek zamanlı simülasyon ve gerçek ortam deneyleri, MATLAB ile ROS arasındaki bağlantı sağlanarak gerçekleştirilmiştir. Gerçek dünyaya yakın, gerçek zamanlı simülasyon deneyleri için ROS ile çalışan Gazebo simülatörü kullanılmıştır. Hem simülasyon hem de gerçek ortam deneylerini Rviz ortamında görselleştirebilmek için gerekli dönüşümlerin yapıldığı ROS düğümü, Python programlama dili kullanılarak oluşturulmuştur. Deney sonuçlarına bakıldığında, öncelikle MATLAB ortamında hazırlanan test düzeneğinde, haritaya belirli seviyelerde gürültüler eklenmiştir. Bu gürültülü haritalarda yapılan pozisyon takip deneylerinin tamamında en iyi performansa sahip algoritma MEKF-SDNL algoritması olurken, ortalama iki boyutlu pozisyon hatası 3 cm'nin aşağısındadır. Gerçek dünyaya daha yakın bir test platformu olan Gazebo simülatöründe yapılan gerçek zamanlı navigasyon deneyinde MEKF-SDNL algoritmasının ortalama iki boyutlu pozisyon tahmin hatası yaklaşık 3 cm olurken, AMCL algoritmasının ortalama pozisyon tahmin hatası ise 4.18 cm olarak kaydedilmiştir. Otonom sürüş kabiliyetine sahip tekerlekli sandalye kullanılarak yapılan pozisyon takip deneylerinin ilkinde MEKF-SDNL algoritmasının ortalama 2B pozisyon tahmin hatası yaklaşık 7 cm çıkarken, AMCL algoritması için bu hata 43.78 cm'dir. İkinci deneyde ise MEKF-SDNL algoritmasının ortalama 2B pozisyon tahmin hatası 9.72 cm iken AMCL algoritması için bu hata 18.64 cm'dir. MATLAB ortamında yapılan global lokalizasyon ve robot kaçırma deneylerinde ise KU*-MCL algoritması robotun gerçek konumuna 1.15 adımda yakınsarken, orijinal KU-MCL algoritması 1.27 adımda yakınsayabilmiştir. Bu sonuca göre, KU*-MCL algoritması robotun gerçek konumuna yaklaşık olarak 9.45% daha hızlı yakınsamıştır. Son olarak önerilen KU*-MCL+MEKF-SDNL hibrit lokalizasyon algoritmasının performansını test etmek için hazırlanan test platformunun içinde robot kaçırma deneyi yapılmıştır. Yapılan deney sonucunda, KU*-MCL+MEKF-SDNL algoritmasının 2B pozisyon hatası ortalama 5.66 cm iken bu hata KU*-MCL algoritmasında 7.31 cm, orijinal KU-MCL algoritmasında 31.02 cm'dir. Orijinal KU-MCL algoritmasında ortalama hatanın fazla olmasının nedeni ise robot 3. bölgeye kaçırıldığında eski yöntemle belirlenen benzer enerji bölgelerine atanan parçacıkların, robotun konumunu başta çok büyük hatayla tahmin etmesindendir. Ancak algoritma bir süre sonra robotun doğru konumuna yakınsayabilmiştir. AMCL algoritması ise robotun kaçırıldığı hiçbir bölgeyi zamanında doğru bir şekilde tahmin edememiştir. Bu nedenle AMCL'in lokalizasyon hatası oldukça fazladır. Sonuç olarak, lokalizasyon alanında üç farklı yenilik gerçekleştirilmiştir. Bunlardan ilki lokal lokalizasyon kısmında, kısaltması MEKF-SDNL olan, hızlı ve yüksek doğrulukta pozisyon tahmin performansına sahip yeni bir lokalizasyon algoritması literatüre kazandırılmıştır. İkincisi, literatürde var olan ve kısaltması KU-MCL olan global lokalizasyon algoritmasındaki parçacıklarının daha akıllı bir şekilde atandığı benzer enerji bölgelerinin daha düzgün ve optimal bir şekilde belirlenebildiği bir yöntem geliştirilmiş ve bu yöntemi içeren algoritmaya kısaca KU*-MCL denilmiştir. Son olarak, KU*-MCL ile MEKF-SDNL lokalizasyon algoritmalarının hibrit olarak çalıştığı ve bahsedilen algoritmalardan daha iyi lokalizasyon performansına sahip yeni bir global lokalizasyon algoritması önerilmiştir.