Otonom Navigasyon ve Deneyim Tabanlı Robot Hareketi

0
54
otonom navigasyon
otonom navigasyon, credit: CSAIL

Otonom navigasyon ile robot hareketi

MIT (Massachusetts Teknoloji Enstitüsü) araştırmacıları otonom navigasyon sistemleri için Toyota- CSAIL işbirliği ile insanlar gibi deneyimlerden yararlanarak karar alma sürecini hızladınıracak bir model geliştirdiler.

Kalabalığın içinden bir yere ulaşmaya çalışırken,  insanlar genellikle boşluktaki güvenli yerleri çok fazla düşünmeye ihtiyaç duymadan tespit ederek yönlerini tayin edebilirler. Diğer insanların ya da nesnelerin davranışları aracılığı ile kaçınmaları gereken engelleri not edebilir ve öğrenebilirler. Öte tandan robotlar ise bizim yaptığımız bu basit gibi görünen hareketler için karmaşık süreçlerle navigasyonel sistemler ile mücadele etmek zorundadırlar.

MIT (Massachusetts Teknoloji Enstitüsü) araştırmacıları şimdi robotlara bu mücadelelerinde yardımcı olabilecek ve çevrelerinde dolaşırken daha fazla insanlar gibi davranabilmelerini sağlayacak yeni bir yol geliştirdiler. Yeni geliştirdikleri otonom navigasyon için hareket-planlama modeli ile robotlar bir hedefe giderken etraflarını nasıl keşfetmeleri gerektiğine karar verebiliyorlar. Yine bu sistemle çevrelerindeki diğer birimleri de gözlemleyebilip, benzer önceki durumlarda öğrendiklerinden yeni durumlarda da faydalanabiliyorlar. Buna bir nevi tecrübeleri kullanma da diyebiliriz. Bu yeni sistemin anlatıldığı araştırma yazısı, IROS 2018, Uluslar arası Akıllı Robotlar ve Sistemler Konferansında sunuldu.

Deneyimler ile otonom navigasyon

Genellikle popüler hareket planlama algoritmaları, otonom navigasyon için en uygun yolları bulana kadar, çeşitli dallara ayrılan bir muhtemel kararlar ağacı yaratıyor.  Örneğin bir oda içerisindeki robotun kapıya ulaşabilmesi için, öncelikle adım adım bir olası hareketler araştırma ağacı yaratması gerekiyordu. Daha sonra çeşitli engel ve kısıtlamaları da hesaba katarak kapıya ulaşan en iyi yolu seçiyorlardı. Bununla beraber yaşanan en büyük zorluk,  algoritmaların benzer durumlarda diğer birimlerin ya da kendilerinin nasıl hareket edebilecekleriyle ilgili bilgiyi nasıl geliştirebileceklerini öğrenememeleriydi.

MIT, CSAIL’ den araştırmacı Andrei Barbu: “Satranç oynarken olduğu gibi robotlar hareket edecek en iyi yolu bulana kadar bu olası kararlar ağacı dallara ayrılmaya devam ediyor.  Ancak satranç oyuncularının aksine robotlar, diğer birimler ve çevreleri hakkında bir şey öğrenmeden geleceğin nasıl olabileceğini tahmin etmeye çalışıyorlar. Bir kalabalığın içinden binince kez de geçiyor olsalar, her seferinde ilk sefer olduğu kadar zor ve karmaşık bir iş oluyordu.  Daima keşfediyorlar, nadiren gözlemliyor, ve geçmişte olanları asla kullanmıyorlardı.”

MIT araştırmacıları ise robotların planlama algoritmasını nöral bir ağ ile birleştirerek, en iyi sonuca ulaşan yolları tanımayı öğrenebilen, ve bu bilgiyi bir çevre içerisinde robotun hareketine rehberlik edebilmesi için kullanabilen bir sistem geliştirmeyi başardı.

Araştırma makaleleri “Planlama tabanlı örneklendirme için derin sırasal modeller” içerisinde, araştırmacılar, geliştirdikleri modelin avantajları iki başlık altında açıklıyorlar. Birincisi; dar geçiş yolları ve engellerle dolu bir odada hareket. İkincisi ise diğer birimler ile çarpışmadan kaçınılması gereken alanlarda hareket.

Toyota -CSAIL işbirliği

Bu konuyla ilgili otonom araba navigasyonlarına yardım eden oldukça başarılı çalışmalar var. Otonom araçlar, trafiğin akışına girmeden önce diğer birimlerin ne yapacağını hızlı bir şekilde değerlendirmek zorundadır. Toyota-CSAIL ortak araştırma merkezinde üzerinde çalışılan bu çeşit uygulamalar dünyadan tüm araştırmacıların dikkatini çekmektedir.

CSAIL’ den araştırmanın baş yazarı olan Yen-Ling Kuo: “İnsanlar gerçek dünya ile etkileşime girdiğinde, bu nesneyi daha önce de bir yerlerde etkileşime geçtikleri için nasıl davranmaları gerektiğini biliyorlar. Bu çalışmamamızın arkasında ana fikir de bu oldu. Geliştirdiğimiz sistemin geçmiş deneyimlerinden de yararlanabilerek daha etkin planlama yapabilmesini istedik.”

CSAIL uzman bilim insanlarından Boris Katz  araştırmanın eş yazarı olarak çalışmada görev almıştır.

Kuo: “Geleneksel hareket planlayıcılar, bütün bir alanı hızla kaplayacak olası hareket kararları ağacını genişleterek çevrelerini keşfediyor. Daha sonra robot, kapı gibi bir hedefe ulaşabileceği en iyi yolu bulmak için bu ağaca bakıyor”

Öğrenme süreci birkaç örnekle beraber başlıyor. Robot, benzer çevrelerde hareket edebilmek için birkaç farklı yolla eğitilmiş bu modeli kullanıyor. Nöral ağ,  robotun etrafındaki duvarın şekli, diğer birimlerin eylemleri ve amacın özellikleri  gibi, bu örneklerin nasıl okunursa başarılı olabileceğini öğreniyor.

Barbu: “Kısaca model, bir ortamda sıkıştığınızda ve bir kapı gördüğünüzde kurtulmak için kapıdan geçmenin iyi bir fikir olabileceğini öğreniyor.”

Geliştirilen model, önceki keşifsel davranış yöntemlerini bu öğrenilen bilgiyle harmanlıyor. Arka planda  MIT profesörleri Sertaç Karaman ve Emilio Frazzoli tarafından geliştirilen RRT (Rapidly-exploring Random Trees) isimli algoritmik planlyacı bulunuyor. Nöral ağ, robotun bir sonraki gitmesi gereken yerin olası ihtimallerini ve her bir adımı takip ederken, planlayıcı da bir araştırma ağacı yaratıyor. Nöral ağ, öğrenilmiş bilgiye dayanarak yüksek kesinlikle bir tahmin yaptığında, planlayıcı robota yeni bir yol bulmasında rehberlik ediyor. Şayet nöral ağ tahmini yüksek bir kesinlik içermiyorsa, bu durumda planlayıcı robotun geleneksel planlayıcılar da olduğu gibi çevreyi keşfetmesine izin veriyor.

Böcek kapanı simülasyonu

Araştırmacılar sistemi, “böcek kapanı” olarak bilinen bir simülasyon kullanarak tanıttılar. Kullanılan simülasyonda 2 boyutlu bir robot, merkezi bir tünelden geçerek dar bir çemberden kurtulmayı ve onu çevreleyen daha büyük bir odaya geçmeyi amaçlıyor. Bu simülasyonda robot, birkaç örnek üzerinde değişik böcek kapanlarından nasıl kaçacağını öğreniyor. Yeni bir tuzak ile karşılaştığında, tuzağın özelliklerini tanıyor ve daha büyük odaya geçebilmek için araştırmasına devam ediyor. Nöral ağ, robota tuzaktan kurtulmasını sağlayacak yolu bulmasına yardım ediyor. Bunu yaparken ayrıca çıkmaz sokakları tanımlıyor ve robota hedefine ulaşmasını sağlayacak çevresel bir algı kazandırıyor.

Diğer bir deneyse ise araştırmacılar modeli, birden fazla hareket eden birim kullanarak eğitip, test ettiler. Yapılan bu deney, özellikle kavşaklarda ve dolambaçlı yollarda ilerleyecek otonom araçlara uygun bir şekilde yapıldı. Simülasyona, bir engelin etrafından dolanan birkaç birim ekleniyor. Robotun amacı diğer birimlerle yaşanabilecek çarpışmalardan kaçınarak, dolanmış olduğu yoldan çıkıp, hedefteki konuma ulaşmak olarak tasarlanıyor.

Daha isabetli kararlar

Barbu: “Bu çeşit dolambaçlı yolları aşmak oldukça güç bir iştir. Burada her şeyden önce diğer birimlerin de sizin eylemlerinize karşı nasıl tepki vereceklerini ve bir sonraki hareketlerini tahmin etmek zorundasınız. Nihayetinde ilk hareketinizin bir kazaya neden olabilecek yanlış bir karar olduğunu anlıyorsunuz. Bu problemin getirdiği risk, karşılaştığınız araba sayısı arttıkça yükselmektedir.”

Araştırmanın sonuçlarına göre; geliştirilen model, diğer birimlerin olası davranışları hakkında yeteri kadar bilgiyi kaydettiklerinde, bu süreci zamanında tamamladıklarını ve hareket halindeyken halen iyi kararlar verebildiklerini göstermiştir. Bu şekilde yapılan planlamadan daha etkin sonuçlar alındığı ortaya konmaktadır. Modeli eğitmek için ihtiyaç duyulan tek şey ise birkaç farklı birimin bulunduğu bir dönemeçli yol örneği olmuştur. Barbu: “Robotlar tarafından diğer arabaların hareketlerini hesaba katarak yapılan planların en az insanların ki kadar isabetli olduğu görülmüştür.”

Kavşak ve virajlı yollar, otonom otomobillerin en çok zorlandığı senaryolar arasındadır. Bu çalışma bir gün arabaların, nasıl insanlar gibi değişik çevrelere, şoförlere adapte olarak davranmaları gerektiğini öğrenmelerini sağlayabilir

Barbu: “Herkes aynı şekilde davranmıyor ancak insanların çoğunluğunun kestirilebilir tipik özellikleri vardır. Sakin olan insanlar vardır. Saldırgan davranan insanlar vardır. Geliştirilen model, bunu çok hızlı bir şekilde ayırt edebiliyor. Bu nedenle de geliştirdiği otonom navigasyon planı, oldukça etkili bir şekilde işliyor.”

Robotikpedia, gelecekte görüşmek üzere…

Kaynak: Massachusetts Institute of Technology.  “Model helps robots navigate more like humans do” Yazar: Rob Matheson <http://news.mit.edu/2018/model-helps-robots-navigate-like-humans-1004>

CEVAP VER

Lütfen yorumunuzu girin
Please enter your name here

This site uses Akismet to reduce spam. Learn how your comment data is processed.