Kestirim öğrenmeli bulanık denetimli otonom taşıtlar için doku benzersizliği kullanılarak stabilize yol belirleme

Abstract

Bu çalışmanın amacı, bulunduğu ortamdan aldığı görüntüleri değerlendirerek kendi kendine hareket eden bir otonom araba sistemi geliştirmektir. Geliştirilen otonom araba her türlü yol yapısmı değerlendirerek hareket etme özelliğine sahiptir. Yalnızca düzgün asfalt yollarda değil stabilize yollarda da güvenle hareket edebilmektedir. Bugüne kadar otonom arabalar için yol kenarları geleneksel kenar belirleme teknikleri ile bulunmaktaydı. Bu durum yol yapısmm düzgün olmasını yol kenarlarının çizgili olmasa bile çok belirgin olmasını gerektirmekteydi. Halbuki bu araba stabilize yollardan da gidebilmelidir. Bu tür yolların görüntüden eldesinde tek belirleyici bilgi doku özelliğidir. Dokuyla ilgili çalışmalar doku işlemenin uzun ve zor bir süreç olması nedeniyle başarısız kalmıştır. Bu tezde yol kısıtlaması olmaksızın dokuya dayalı kenar belirleme için bir yöntem geliştirilmiştir. Bu çalışmada Doku Benzersizlik ölçüsüne (DBÖ) dayalı yeni bir dilimleme yöntemi verilmektedir. Yöntem özellikle otonom arabaların stabilize yoldaki hareketine çözümler getirmiştir. Yöntem yalnız dokulu yüzeylerde değil dokusuz ve renkli yüzeylerde de aynı başarıyı göstererek renk bölgelerini dilimlemektedir. Bu yöntem gölge ve ıslaklığın cisim olarak algılanmasını gidererek hareket güvenliği sağlamıştır. Otonom arabanın bölge dilimlemeden sonra diğer önemli bir özelliği uzak ve yakın görüntüleri değerlendirerek arabayı bulanık mantıkla denetlemesidir. Bulanık kural takımının güncelleştirilmesi arabanın bulunduğu ortama uyumunu ve ileriki çerçevelerde yapacağı denetimin daha da güvenli olmasını sağlamıştır. Tezde sunulan diğer bir yenilik yaprak yöntemi olarak isimlendirilen özel bir çağrışımlı sinir ağı geliştirilerek cisimlerin tanınmasında etkin olarak kullanılmasıdır. Yöntem ZIP kod karakterlerde %98 başarıya sahipken diğer tanıma yöntemleri aynı başarı için daha fazla bellek alanı ve örüntü takımına ihtiyaç duymaktadır. Stabilized Road Recognition Using Texture Dissimilarities For Autonomous Vehicles with Fuzzy Control and Forecast Learning The aim of this thesis is to design an autonomous car which moves by observing its surrounding environment with a camera and processing the image taken. The car can move safely under every road condition on either asphalt road or stabilized roads. Until now the edges of road has been extracted from the images using conventional techniques such as gradient, Laplacian or moment methods. The success of these methods in finding find out road edges depends upon the road conditions, including road markers and/or contrast between the colours of the road surface and the road bank. In addition, the car is able to navigate on a stabilized road as well using only the texture primitive feature to effectively define the edges of such a road. Investigations on texture classification began many years ago, but none of the class methods have been succesraly indetermining road edges, due to high complexity in texture calculations and their inefficient processing algorithms. In this thesis a new method based on texture dissimilarity (TDM) is proposed to extract edges from road images without any constraint on road types. The proposed method is capable of dividing an area into subarea which differ significantly in texture primitives and their distributions. The method has been successful for not only textured surface but also coloured surfaces with no texture. Furthermore it also overcomes the shadowing and wetness problems which cause misunderstanding of a road environment. Another important feature included is the forecast learning technique, whereby that the car is controlled with fuzzy logic by processing far and near image segments. The fuzzy rule st is updated if necessary so that the car will be able to make appropriate decisions to easily avoid obstacles. Recognition of obstacles is implemented by a novel technique called leaf method which is a type of artificial neural network. The method when applies to character classification correctly classified 98% of previously unseen handwritten digits. This rate is greather that of its competitors.