A Vision-Based Mobile Robot Obstacle Avoidance Algorithm Using Deep Learning
| العنوان بلغة أخرى: |
خوارزمية تجنب العقبات المبنية على الرؤية للروبوتات باستخدام التعلم العميق |
|---|---|
| المؤلف الرئيسي: | الجابري، خديجة (مؤلف) |
| مؤلفين آخرين: | Al Mashari, Ahmed (Advisor) , Saleem, Ashraf (Advisor) , Mesbah, Mostefa (Advisor) |
| التاريخ الميلادي: |
2018
|
| موقع: | مسقط |
| الصفحات: | 1 - 80 |
| رقم MD: | 971280 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة السلطان قابوس |
| الكلية: | كلية الهندسة |
| الدولة: | عمان |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
102
| المستخلص: |
يعد التنقل أحد أهم الأجزاء في تصميم وتطوير أي سيارة ذكية. البقاء في العمل مع تجنب الاصطدامات والبقاء في ظل ظروف آمنة هي أهم الأولويات في المركبات ذاتية التحكم. تجنب العقبة هي المشكلة الأساسية للروبوتات المتنقلة. الهدف منها هو السماح للروبوتات المتنقلة باستكشاف بيئة مجهولة دون الاصطدام بالأشياء. اعتمدت أكثر الأساليب التقليدية المستخدمة في هذا المجال على النماذج الهندسية حيث يتم بناء خرائط التكلفة المحلية، تعتبر هذه الأساليب ذات ذكاء منخفض المستوى، دون أي عملية إدراك. التعلم العميق نمى بسرعة في السنوات الأخيرة وذلك لحصوله على نتائج ممتازة للعديد من تطبيقات رؤية الكمبيوتر، مثل تصنيف الصور وكشف الكائنات. أحد الجوانب التي أدت إلى زيادة شعبية التعلم العميق هو القدرة على التخفيف من الحاجة للميزات اليدوية. يستلهم هذا العمل، المستوحى من مزايا الميزة التعلمية الهرمية للتعلم العميق، تطوير خوارزمية شبكة عصبية تلافيفية (CNN) لحل مشكلة تفادي عقبة الروبوتات المتنقلة في البيئات الداخلية. تأخذ الخوارزمية الصور الأولية واتجاه الروبوت كمدخل وتولد أوامر التحكم كخرج للشبكة. تتضمن أوامر التحكم: السير مباشرة للأمام، الانعطاف الكلي لليسار، الانعطاف الجزئي لليسار، الانعطاف الكلي لليمين، والانعطاف الجزئي لليمين. يتم جمع مجموعة بيانات تحتوي على صور عمق (RGBD) وبيانات اتجاهات الروبوت التي يتم الحصول عليها عن طريق وحدة القياس بالقصور الذاتي. (IMU) بالإضافة إلى ذلك، يتم تقييم أداء الخوارزمية من حيث خيارات التدريب، والمعلمات، ودقة الإخراج، ويتم تقديم التوصيات وفقا لذلك. أظهرت النتائج النهائية أنه يمكن تحسين الدقة من خلال تضمين اتجاه الروبوت في مجموعة البيانات، وزيادة حجم البيانات، وضبط المعلمات للشبكة. لقد أظهرت خوارزمية (CNN) إمكانات كبيرة للحصول على دقة تصنيف مسار عالية لتفادي العوائق للروبوتات المتنقلة. |
|---|
عناصر مشابهة
-
Cooperative Search and Rescue with Swarm of Robots Using Binary Dragonfly Algorithm
بواسطة: أبو عمر، لينة يزيد عبدالرحيم منشور: (2018) -
Development of an Intelligent Reinforcement Learning-Based Controller for Omni Wheel Mobile Robot
بواسطة: شحاتة، عمر راتب فتحي خميس منشور: (2024) -
A Fuzzy obstacle avoidance system for mobile robots
بواسطة: شكيب، مجد منشور: (2006) -
Predictive Control of a Mobile Robot
بواسطة: Oumaya, Mohieddine منشور: (2018) -
Trajectory Tracking Control of A 2-DOF Robot Arm Using Neural Networks
بواسطة: Al Ashi, Mahmoud M. منشور: (2014)
