Taşıtın Yanal Ve Doğrusal Kontrolü İçin Sürücünün Modellenmesi
Taşıtın Yanal Ve Doğrusal Kontrolü İçin Sürücünün Modellenmesi
dc.contributor.advisor | Ertuğrul, Şeniz | tr_TR |
dc.contributor.author | Delice, İ. İlker | tr_TR |
dc.contributor.department | Sistem Dinamiği ve Kontrol | tr_TR |
dc.contributor.department | System Dynamics and Control | en_US |
dc.date | 2005 | tr_TR |
dc.date.accessioned | 2015-06-09T12:12:39Z | |
dc.date.available | 2015-06-09T12:12:39Z | |
dc.description | Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2005 | tr_TR |
dc.description | Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2005 | en_US |
dc.description.abstract | Bu tez çalışmasının amacı, doğrusal ve yanal kontrolü bir arada gerçekleştiren bir sürücü modeli çıkarmaktır. Sürücünün taşıtla etkileşiminin karmaşıklığından, insan operatörlerin iç rasgeleliğinden ve yanlılığından ötürü modelleme zorlaşmakta ve bu durum, çalışmayı, verilerin içindeki bilginin kullanılmasına dayalı sistem tanılama yöntemlerine götürmektedir. Çalışmalara ilk olarak doğrusal parametrik model olan ARX (Auto Regressive with eXogenous input) ile başlanmış ve daha iyi performans vereceği düşünülerek doğrusal olmayan modeller (YSA Yapay Sinir Ağları) de denenmiştir. Uygun giriş-çıkış bileşenleri ve uygun ağ mimarisi seçilerek yapılan denemelerde YSA modelde gaz pedalı için %82.5, fren için %83.5, vites için %81.7 ve direksiyon açısı için %93.3 başarım elde edilmiştir. | tr_TR |
dc.description.abstract | Main objective of this study is obtaining a human driver model containing both lateral and longitudinal control of a vehicle. Human driver-vehicle interactions, human operators’ randomness and bias make the modeling difficult and system identification approach seems to be the only choice for modeling. Firstly, human driver was modeled using a linear parametric model structure, namely ARX (Auto Regressive with eXogenous input), then nonlinear model structures based on Neural Networks are also applied. Neural Network model outputs match the real data much more satisfactorily. For the best results, fitting percentages for accelerator pedal, brake, gear, steering wheel angle are 82.5%, 83.5%, 81.7%, 93.3% respectively. | en_US |
dc.description.degree | Yüksek Lisans | en_US |
dc.description.degree | M.Sc. | tr_TR |
dc.identifier.uri | http://hdl.handle.net/11527/4480 | |
dc.publisher | Fen Bilimleri Enstitüsü | tr_TR |
dc.publisher | Institute of Science and Technology | en_US |
dc.rights | İTÜ tezleri telif hakkı ile korunmaktadır. Bunlar, bu kaynak üzerinden herhangi bir amaçla görüntülenebilir, ancak yazılı izin alınmadan herhangi bir biçimde yeniden oluşturulması veya dağıtılması yasaklanmıştır. | tr_TR |
dc.rights | İTÜ theses are protected by copyright. They may be viewed from this source for any purpose, but reproduction or distribution in any format is prohibited without written permission. | en_US |
dc.subject | Taşıt Sürücüsünün Modellenmesi | tr_TR |
dc.subject | Lineer Parametrik Modelleme | tr_TR |
dc.subject | Yapay Sinir Ağları | tr_TR |
dc.subject | Sistem Tanılama | tr_TR |
dc.subject | Human Driver Modeling | en_US |
dc.subject | Linear Parametric Modeling | en_US |
dc.subject | Artificial Neural Networks | en_US |
dc.subject | System Identification | en_US |
dc.title | Taşıtın Yanal Ve Doğrusal Kontrolü İçin Sürücünün Modellenmesi | tr_TR |
dc.title.alternative | Human Driver Modeling For Lateral And Longitudinal Control Of A Vehicle | en_US |
dc.type | Master Thesis | en_US |