Yapay Zekâya Dayalı Robot Kol ile Hareket ve Farklı Nesnelerin Sertlik Kontrolü

Abstract

Çalışmada 3D baskı teknolojilerinden Fused Deposition Modeling (FDM) yazıcı kullanılarak robotik kol üretilmiştir. Üretilen robot kolun görüntü işleme teknikleri ve makine öğrenme algoritmaları kullanarak dokunsal algılama ve hareket planlaması araştırılmıştır. Bu çalışmanın amacı, robotik kolun kontrolsüz kuvvet uygulamasını engellemek ve dokunsal kavrama sorunlarını çözmek için görüntü işleme teknikleri ve derin öğrenme algoritmaları kullanılarak yenilikçi yaklaşımların araştırılması ve uygulanmasıdır. Bu çalışmada, CAD programı ile tasarımı gerçekleştirilmiş parçaların FDM tipi üç boyutlu yazıcı kullanılarak katı modelleri alınmış ve montaj için uygun hale getirilmiştir. Montajı tamamlanan robotik elin kontrol sistemi ise temel olarak Raspberry Pi kontrol kartı, servo motorlar, basınç sesörleri ve kameradan oluşmaktadır. Robotik kola ait her parmak ucuna yerleştirilen basınç sensörleri ile ürünün sertliği ölçülerek dokunsal algılama işlemi gerçekleştirilmiştir. Raspberrry pi kontrol kartı kullanılarak sensörlerden alınan veriler işlenmekte ve servo motorlara uygun hareket ve kavrama basınç bilgisi gönderilmektedir. Kamera kullanılarak elde edilen insan elinin olası hareketleri ile robotik kol için referans bir veri seti hazırlanmıştır. Veri setine ait görüntüler üzerinde Gaussian filtreleme yöntemi kullanılarak görüntü işleme sağlanmıştır. Bununla birlikte veri seti üzerinde makine öğrenme algoritmaları kullanarak robotik kolun hareket açısal konumu optimize edilmiş ve HitNet, CNN, Kapsül Ağları ve Naive Bayes derin öğrenme modelleri kullanılarak robot kolun hareket planlanması %90 doğruluk oranı ile sınıflandırılmıştır. Performans değerlendirme kriterlerine göre başarıları kıyaslanan derin öğrenme modelleri arasında, robotik kolun hareket planlaması için; HitNET algoritması ile 97.23%, CNN ile 97.48%, Capsnet algoritması ile %98,58 ve Naive Bayes modeli ile %98.61 doğruluk oranı elde edilmiştir. Performans değerlendirme kriterleri sonucunda; Naive Bayes modelinin %98.61 doğruluk, %98.63 özgüllük, %98.65 duyarlılık, 1.39 hata oranı ve %68.64 F-ölçüsü değeri ile diğer modellere göre daha başarılı sonuç verdiği gözlemlenmiştir.