Dynamic obstacle avoidance using reinforcement learning

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: MUHARREM KÜÇÜKYILMAZ

Danışman: Erkan Uslu

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Çalışmanın temel amacı, Robot İşletim Sistemi (ROS) ile uyumlu Otonom Mobil Robotlar için derin takviyeli öğrenme (DRL) tabanlı bir lokal planlayıcı geliştirmektir. Deep Q-Network (DQN), DDPG ve TD3 gibi DRL yöntemleri, dinamik ortamlarda (örneğin, robotik navigasyon vb.) ve karmaşık durumlarda klasik yöntemlere kıyasla daha iyi performans göstermektedir. Bu yöntemler, doğrusal ve doğrusal olmayan özellikleri içeren karmaşık durumları öğrenme ve temsil etme yeteneğine sahiptir. DQN'in öğrenme süreci model bağımsızdır ve ayrık aksiyon uzayına sahiptir. Bu çalışmada, DQN yöntemini kullanarak geliştirilen model, klasik yöntemler arasında kabul görmüş TEB ve DWA gibi yerel planlayıcılarla karşılaştırılmıştır. Ayrıca, sürekli aksiyon uzayına sahip DDPG ve TD3 modelleri de geliştirilmiş ve bu modeller, DQN modeli ile karşılaştırılmıştır. Modeller, ortamda nerede olduğunu ve kısmen veya tamamen gözlemlenen ortamın haritasını anlama yeteneğine sahiptir. Modelin davranışı yol takip edebilme ve hem statik hem de dinamik engellerden kaçınımı açısından test edilmiştir. Modeller, engellerden kaçınabilmesi ve en kısa yoldan hedefe gidebilmesi için gereken hız kontrolünü öğrenmek için Müfredat Öğrenme yaklaşımı kullanılarak eğitilmiştir. Çalışmadan elde edilen umut verici sonuçlar dinamik ortamlarda bile başarılı daha genel bir lokal planlayıcı olasılığını yansıtmaktadır.