Affiliation:
1. YILDIZ TEKNİK ÜNİVERSİTESİ
2. MARMARA ÜNİVERSİTESİ
Abstract
Otonom araçların (OA'lar) en temel özelliği otonom olmalarıdır. Ancak aracın dinamik çalışma ortamı nedeniyle kontrol algoritmaları kesin olmayan, yaklaşık ve güvenilmez kararlar verebilir. Bu nedenle, özellikle tutarlı engellerden kaçınma algoritmaları olmak üzere daha sağlam sürüş algoritmalarının oluşturulmasına ihtiyaç vardır. Bazen, engellerden kaçınmak için aracın tamamen durması gerekir. Bu durumda aracın motor freni kontrolü devreye alınabilir. Bu çalışmada, reostatik frenleme olarak bilinen elektrikli fren sistemi ile otonom kara taşıtlarını etkin bir şekilde frenlemek için bulanık bir model önerilmiştir. Reostatik fren sistemi (RFS) kullanıldığı için, tasarlanan bu modelleme için bulanık denetleyicinin giriş değerleri araç hızı ve zemin kayganlığı, çıkış değeri ise reostat direnç değeridir. Geliştirilen bulanık denetleyicide Mamdani çıkarımı ve Toplama yöntemleri kullanılmıştır. Bu iki yönteme ek olarak, bulanık denetleyici ayrıca kullanıcıya ağırlık merkezi, açıortay, maksimumun ortalaması, maksimumun en küçüğü ve maksimumun en büyüğü keskinleştirme yöntemlerinin çıktısını verir. Son olarak, Python programlama dilini ve Tkinter kitaplığını kullanarak, grafik kullanıcı arayüzü, kullanıcının girdilerinin dilsel ifadesini ve üyelik derecesini, nihai bulanık çıktı grafiğini ve tüm durulaştırma yöntemlerinden (GUI) kesin çıktıları görüntüler.
Publisher
Anatolian Science - Bilgisayar Bilimleri Dergisi
Reference18 articles.
1. Bao, D. Q., & Zelinka, I. (2019). Obstacle avoidance for swarm robot based on self-organizing migrating algorithm. Procedia Computer Science, 150, 425–432.
2. Castaneda, M. A. P., Savage, J., Hernandez, A., & Cosío, F. A. (2008). Local autonomous robot navigation using potential fields. In Motion Planning. IntechOpen.
3. Chen, X., & Li, Y. (2006). Smooth path planning of a mobile robot using stochastic particle swarm optimization. 2006 International Conference on Mechatronics and Automation, 1722–1727.
4. Chengqing, L., Ang, M. H., Krishnan, H., & Yong, L. S. (2000). Virtual obstacle concept for local-minimum-recovery in potential-field based navigation. Proceedings 2000 ICRA. Millennium Conference. IEEE International Conference on Robotics and Automation. Symposia Proceedings (Cat. No. 00CH37065), 2, 983–988.
5. Engedy, I., & Horváth, G. (2009). Artificial neural network based mobile robot navigation. 2009 IEEE International Symposium on Intelligent Signal Processing, 241–246.