Search

Otonom araçlarda genellikle şerit takibi, hız kontrolü, acil frenleme ve otonom park gibi bazı önemli özellikler bulunur. Teknolojideki ilerlemeye rağmen bu özellikler tamamıyla güvenilir değildir ve bazen sürücü kontrolüne ihtiyaç duyarlar. Bu çalışmada, park alanı haritaları önceden bilinen mekanlardaki otonom park üzerine odaklanıldı. Çalışma VREP uygulamasında, pioneer 3dx mobil robot kullanılarak test edildi. A-star yol planlama algoritması kullanılarak anlık pozisyondan, uygun en yakın park alanına yol oluşturuldu. Yol düzleştirme, keskin dönüşleri yumuşatmak için sisteme tanıtıldı. Yöntemi test etmek için oluşturulan çevrede mobil robot farklı boyutlarda olan park alanlarına paralel, düz ve geri olmak üzere farklı şekilde park etti. Simülasyondan çıkarılan sonuçlara göre robotun etkili bir biçimde uygun park alanlarına her hangi bir çarpışma yaşamadan park ettiğini gözlemledik.

Birçok durumda birkaç mobil robot —bağımsız ajan— tek bir robot için gerçekleştirilmesi zor veya imkânsız hedefleri elde etmek amacıyla ekip halinde bir araya gelebilirler. Bu mobil robotlar belli bir görevi yerine getirmek için iş birliği yapabilirler, bu, sürünün büyüklüğüyle tam bir karşılıklı ilişki halindedir. Tek tek her robot sensörlerini kullanarak yerel ortamla karşılıklı olarak etkileşir. Sürü açısından birincil endişe başlangıçtan hedef yere kadar güvenli bir yolun tanımlanması ve izlenmesidir. Literatürde bu hedefin gerçekleştirilmesiyle ilgili Neural Network (Sinir Ağları), Genetic Algorithms (Genetik Algoritmalar), Bacterial Foraging Optimization (Bakteriyel Besin Arama Optimizasyonu), Ant Colony Optimization (Karınca Kolonisi Optimizasyonu), Artificial Potential Field (Yapay Potansiyel Alan), v.b. gibi pek çok algoritma mevcuttur. Bunlar arasında Bacterial Foraging Optimization (BFO) algoritması çalışma ortamında bilinen tüm engelleri göz önüne alarak güvenliği ve hedefin bulunmasını sağlamaktaki etkinliği nedeniyle pek çok bilimcinin dikkatini çekmektedir. Ayrıca, belirlenen yolu keşfeder ve doğru olarak izler. BFO kümeleşme prensiplerini ve doğadaki sosyal davranışlar analojisini kullanan, ilhamını biyolojiden alan doğrudan yaklaşımlı ama güçlü bir optimizasyon yöntemidir.BFO yassı bir yüzey haritası üzerinde engellerin varlığında başlangıçtan hedef noktaya kadar optimal yolu başarıyla araştırır. Ancak bu algoritma, konveks olmayan engellerin işe karışması durumunda yerel asgari şartlara sıkışmak gibi bir zayıflığa sahiptir. Sürünün robotlarından herhangi birinin sıkışıp kalması durumu görevinin tamamının başarısızlığı olarak görülmektedir.Bu araştırma BFO algoritmasının hem konveks olan hem de olmayan niteliklerdeki engellerden başarıyla kaçınılmasını sağlayan iyileştirilmiş bir versiyonunu önermektedir. Önerilen algoritma engele zıt yöndeki belli bir mesafeyi kapsayarak robotun yerel asgari değerlerden kurtulmasına yardım eder. Sert bir açıyla karşılaşıldığında algoritma güvenli bir yol oluşturmak için görsel engeller oluşturmaya başlar. Daha sonra bu bilgi diğer robotlara aktarılarak onların da yerel minimumlardan kaçınmaları sağlanır.Önerilen algoritmanın etkinliğinin test edilmesi için mevcut BFO algoritmasıyla bir karşılaştırma yapılmıştır. Her iki algoritmanın performansı bilinmeyen dinamik ve statik ortamlarda test edilmiştir. Sonuçlara göre, önerilen algoritmanın yerel minimumlardan başarıyla kurtulduğu ve BFO'nun sıkışıp kaldığı gözlenmiştir. In many circumstances, several mobile robots —independent agents— team up to achieve goals that are hard or impossible for an individual robot. These mobile robots cooperate to perform any particular task, complexity of this cooperation is correlated with the swarm size. Each individual robot is to interact with the local environment using sensors. The primary concern for the swarm is to define and follow a safe route from initial to target location. To achieve this task, many algorithms exist in the literature, namely, Neural Network, Genetic Algorithms, Bacterial Foraging Optimization, Ant Colony Optimization, Artificial Potential Field etc. Among these, Bacterial Foraging Optimization (BFO) algorithm has attracted the attention of many scientists due to its effectiveness of finding the destination with the consideration of all known obstacles in the work space ensuring safety. Furthermore, it discovers and always follows the determined path correctly. BFO is a straightforward but strong bioinspired method of optimization using the analogy of swarming principles and social behavior in nature.The BFO successfully searches for an optimal path from start to goal point in the presence of obstacles over a flat surface map. However, the algorithm suffers from getting stuck in local minima whenever non-convex obstacles are encountered. In case of any of these robots from the swarm getting stuck is considered as the failure of the whole task. This research proposes an improved version of BFO algorithm that can effectively avoid obstacles, both of convex and non-convex nature. The proposed algorithm helps the robot to recover from local minima by covering a certain distance in an opposite direction to the obstacle. The algorithm will start generating virtual obstacles to generate a safe path when facing acute angle. This information is then passed onto other robots, so that they can also avoid local minima.To test the effectiveness of the proposed algorithm, a comparison is made against the existing BFO algorithm. The performance of both algorithms is tested in an unknown dynamic and static environments. Through results, it is witnessed that the proposed approach successfully recovers from the local minima, whereas, BFO gets stuck. 67