Tez No	İndirme	Tez Künye	Durumu
597961		Konumlandırma ve haritalama algoritmalarında makine öğrenmesi ve parçacık filtrelerinin kullanılması / Localization and mapping algorithms using machine learning and particle filters Yazar:HALİT ÖRENBAŞ Danışman: DR. ÖĞR. ÜYESİ MUHARREM MERCİMEK Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı / Kontrol ve Otomasyon Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering ; Mühendislik Bilimleri = Engineering Sciences Dizin:Hedef konumlandırma = Target localization ; Kalman filtre = Kalman filter ; Makine öğrenmesi yöntemleri = Machine learning methods	Onaylandı Doktora Türkçe 2019 80 s.
Zorlu ortam koşullarına dayanıklı olabilen, gelişmiş ve çeşitli algılayıcılar ile donatılmış robotlar, insanlara oranla daha hızlı karar verebilmeleri ve insanların ulaşamayacağı yerlere ulaşabilmeleri ve benzeri avantajlardan dolayı hem sivil hem de askeri görevlerin temelini oluşturmaktadırlar. Insansız yapılmak istenen herhangi bir görevin temelini, bilinmeyen çevrenin haritasını çıkarmak ve çıkarılan haritada robotun kendi konumunun tespiti oluşturmaktadır. Kalman filtresi, genişletilmiş Kalman filtresi ve parçacık filtresi haritalama ve konumlandırma algoritmalarında en yaygın olarak kullanılan tahmin algoritmalarıdırlar. Parçacık filtreleri, herhangi bir durum-uzay modeline uygulanabilen, geleneksel Kalman filtreleme yöntemlerini genelleyen ardışık Monte Carlo yöntemleridirler. Parçacık filtresinin performansı, durum boyutu arttıkça önemli ölçüde azaldığından, bu problemi çözmek adına Exact Daum-Huang filtresi tanıtılmıştır. EDH filtresinin, algoritmanın içerisinde paralel olarak yürütülen genişletilmiş Kalman filtresine fazla bağımlılığı bazı senaryolarda yetersiz sonuçlar vermesine neden olmaktadır. Localized Exact Daum-Huang filtresi, hesaplama maliyetinden ödün vererek bu problemi çözmüştür. Tez çalışmasında önerilecek olan sistem, LEDH filtresinin performansından ödün vermeden, makine öğrenmesi teknikleri kullanarak parçacıkların hata oranlarına göre kümelenmesini sağlayarak performans iyileştirmeleri sunmaktadır. Tez kapsamında kullanılan çok boyutlu konumlandırma problemi ile önerilen sistemin performansı kanıtlanmıştır.
Robots equipped with advanced and various sensors that can withstand harsh environmental conditions can make decisions faster and reach to places that people cannot reach and because of similar advantages, they form the basis of both civilian and military missions. The basis of any task to be made without an unmanned is to map the unknown environment and to localize its own position. Kalman filter, extended Kalman filter and particle filter are the most widely used estimation algorithm in the mapping and localization algorithms. Particle filters are consecutive Monte Carlo methods that can be applied to any state-space model, which generalize the traditional Kalman filtering methods. The Exact Daum-Huang filter was introduced because the performance of the particle filter decreased significantly as the size of the dimension increased. The excessive dependence of the EDH filter on the extended Kalman filter carried out in parallel within the algorithm results in insufficient in some scenarios. Localized Exact Daum-Huang filter solved this problem by compromising the cost of calculation. The system proposed in this thesis provides a significant improvement in performance without compromising the performance of the LEDH filter by using machine learning techniques to cluster particles according to their error rates. The performance of the proposed system in this thesis has been proven with the multi-dimensional localization problem.