MOBİL BİR ROBOTUN YAPAY ZEKA DESTEKLİ KENDİNDEN ÖĞRENEBİLİR SÜRÜŞ ALGORİTMASININ GELİŞTİRİLMESİ

Abstract

Mobil robotlar, günümüzde otomasyon ve yapay zeka teknolojilerinin giderek artan bir şekilde entegre edildiği önemli bir alan haline gelmiştir. Bu robotlar, hareket kabiliyetine sahip olmaları sayesinde çeşitli uygulama alanlarında kullanılmaktadır. Bu uygulama alanları arasında lojistik, tarım, inşaat, sağlık ve endüstriyel otomasyon gibi birçok sektör yer almaktadır. Mobil robotların etkin ve güvenli bir şekilde hareket etmelerini sağlayan temel bileşenlerden biri sürüş algoritmalarıdır. Geleneksel sürüş algoritmaları, robotların belirli durumlar için önceden programlanmış talimatlarla hareket etmelerini sağlar. Ancak, bu yaklaşım basit ve tekrar eden görevler için etkili olabilirken, karmaşık ve değişken ortam şartlarında robotların başarılı olmasını sınırlamaktadır. Yapay zeka teknolojilerinin robotlara entegrasyonu, mobil robotların çevrelerini algılamalarını ve deneyim tabanlı öğrenme sağlayarak sürüş algoritmalarını daha adaptif ve otonom hale getirmeyi amaçlar. Bu çalışmada, mobil bir robotun yapay zeka destekli kendinden öğrenebilir sürüş algoritmasının geliştirilmesi hedeflenmiştir. Algoritmanın adaptif öğrenme mekanizmaları, uyumluluk ve otonomi, öğrenme hızı ve performansı ile gerçek dünya uygulamaları açısından literatüre değerli katkılar sunması beklenmektedir. Bu amaçla çalışmada literatürdeki yaygın olarak kullanılan makine öğrenimi metodlarından olan pekiştirmeli öğrenme (DDPG, TD3, PPO, SAC, A2C) algoritmalarından faydalanılarak karmaşık ortamlardaki başarıları gözlemlenmiş ve karşılaştırılmıştır. Oluşturulan karmaşık ortamlar her sahnede değişecek şekilde hazırlanarak tek bir algoritmanın farklı karmaşık düzeylerine sahip ortamlardaki başarıları eğitilerek test edilmiştir. Elde edilen bulgulara göre TD3 %86.3, A2C %89,2 SAC %93.6, PPO %97.6 başarı sağlamıştır. Bu sonuçlar, mobil robot teknolojisinin gelecekteki gelişimi ve çeşitli sektörlerde etkin bir şekilde kullanılması için önemli bir adım olarak görülmektedir. Sonuç olarak, bu tez çalışması mobil robotların farklı senaryolarda güvenilir ve otonom bir şekilde çalışmasını sağlayarak çeşitli uygulama alanlarında kullanılabilirliğini artırmayı hedeflemektedir. Algoritmaların çevresel değişikliklere hızlı adaptasyon yeteneği sayesinde, robotların daha genel amaçlı ve esnek bir şekilde çalışması sağlanmıştır. Dinamik ortamlar ve kapsamlı analizlerle desteklenen bu yaklaşım ile, mobil robotların otonom hareket kabiliyetlerini geliştirirken, gelecekte karmaşık ortamlarda test edilmesi ve farklı veri kaynakları ile entegrasyonlarının sağlanması öngörülmektedir. Bu çalışmanın, otonom sistemler ve yapay zeka tabanlı robotik uygulamalar için önemli bir katkı sunacağı değerlendirilmektedir.

Mobile robots have become a significant domain where automation and artificial intelligence technologies are increasingly integrated. These robots, due to their mobility capabilities, are utilized in various application areas, including logistics, agriculture, construction, healthcare, and industrial automation. One of the fundamental components enabling the effective and safe operation of mobile robots is their driving algorithms. Traditional driving algorithms allow robots to operate with pre-programmed instructions for specific scenarios. However, while this approach may be effective for simple and repetitive tasks, it limits the success of robots in complex and dynamic environmental conditions. The integration of artificial intelligence technologies into robots aims to make driving algorithms more adaptive and autonomous by enabling mobile robots to perceive their surroundings and learn from their experiences. This study aims to develop an artificial intelligence-supported self-learning driving algorithm for a mobile robot. The algorithm's adaptive learning mechanisms, compatibility, autonomy, learning speed, and performance are expected to provide valuable contributions to the literature, particularly in terms of real-world applications. To achieve this goal, the study utilized reinforcement learning methods commonly used in the literature, including DDPG, TD3, PPO, SAC, and A2C, to observe and compare their success in complex environments. The complex environments were designed to change in every scene, allowing a single algorithm to be trained and tested under different levels of complexity. According to the findings, SAC achieved 93.6% success, TD3 achieved 86.3%, A2C achieved 89.2%, and PPO achieved 97.6% success. These results are seen as an important step for the future development of mobile robot technology and its effective use in various sectors. In conclusion, this thesis aims to enable mobile robots to operate reliably in different scenarios, thereby enhancing their applicability in diverse fields such as logistics, military operations, search and rescue missions, and domestic assistance tasks. The ability of the algorithms to rapidly adapt to environmental changes has facilitated the development of robots that can function more flexibly and for general-purpose use. This innovative approach, supported by dynamic environments and comprehensive analyses, has improved the autonomous mobility capabilities of mobile robots. It is foreseen that these algorithms will be tested in more complex environments in the future and integrated with various data sources and sensors. This study is expected to provide significant contributions to autonomous systems and artificial intelligence-based robotic applications.