Artificial Neural Network Based Mobile Service Robot Developed for Smart Home Systems

Abstract

In this study, a robot working with Arduino and various sensors has been developed for use in smart home systems. The aim of the study is to enable the robot to walk through all the rooms in the house in case of any breakdown or power failure in the smart home system and to notify the users of the emergencies in the rooms via SMS. Two different algorithms were used to find directions. These algorithms are the wall tracking algorithm and the Proportional Integral Derivative (PID) algorithm. The data set consists of data from the sensors as the robot travels through the house. 10-fold cross-validation was used to separate the data as training and test. The data were taught to the robot by the Multilayer Perceptron (MLP) algorithm of artificial neural networks and it was provided to detect abnormal conditions. The obtained performance values were calculated as 0.1241 for MSE, 0.0826 for MAE and 0.9792 for R at the fold number 8. The results obtained in this study showed that the study can make effective decisions and be developed for these kinds of problems.

Keywords

• Robotic
• Artificial neural network
• Multilayer perceptron
• Arduino

Akıllı Ev Sistemleri için Geliştirilen Yapay Sinir Ağı Tabanlı Gezgin Hizmet Robotu

Öz

Bu çalışmada akıllı ev sistemlerinde kullanılmak üzere Arduino ve çeşitli sensörlerle çalışan bir robot geliştirilmiştir. Çalışmanın amacı akıllı ev sisteminde herhangi bir arıza ya da elektrik kesintisi olması durumunda robotun devreye girerek ev içerisindeki tüm odaları gezmesi ve odalar içerisindeki acil durumları SMS yoluyla kullanıcılara haber vermesini sağlamaktır. Çalışmada yön bulmak için 2 farklı algoritma kullanılmıştır. Bu algoritmalar duvar takibi algoritması ve Proportional Integral Derivative (PID) algoritmasıdır. Veri kümesi, robot ev içerisinde gezerken sensörlerden alınan veriler ile oluşmaktadır. Verilerin eğitim ve test olarak ayrıştırılmasında 10-katlı çapraz doğrulama kullanılmıştır. Veriler, yapay sinir ağlarının Multilayer Perceptron (MLP) algoritması ile robota öğretilmiş ve anormal durumların tespit edilmesi sağlanmıştır. Elde edilen performans değerleri 8. katta MSE için 0.1241, MAE için 0.0826 ve R için 0.9792 olarak hesaplanmıştır. Çalışmada elde edilen sonuçlar, çalışmanın bu tip problemlerde etkin kararlar verebildiğini ve geliştirilebileceğini göstermiştir.

Anahtar Kelimeler

• Robotik
• Yapay sinir ağları
• Çok katmanlı ağlar
• Arduino

References

1. Vatansever, F, & Deniz, S. (2013). Genetik Algoritma Tabanlı PID Kontrolör Simülatörü Tasarımı. Uludağ University Journal of The Faculty of Engineering, 18(2), 7-18.
2. Yıldız, M, & Yıldırım, B. F. (2018). Yapay Zekâ Ve Robotik Sistemlerin Kütüphanecilik Mesleğine Olan Etkileri. Türk Kütüphaneciliği, 32(1), 26-32.
3. Akkaya, G. (2007). Yapay sinir ağları ve tarım alanındaki uygulamaları. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 38(2), 195-202.
4. Güllü, A. (2017). Labirentlerde Yapay Zekâ Tabanlı Yön Bulma Algoritmaları Kullanan Bir Gezgin Robot Geliştirilmesi, Doktora Tezi, Trakya Üniversitesi Fen Bilimleri Enstitüsü.
5. Öztemel, E. (2003). Yapay sinir ağlari. PapatyaYayincilik, Istanbul.
6. Lins, A. P. S, & Ludermir, T. B. (2005, November). Hybrid optimization algorithm for the definition of mlp neural network architectures and weights. In Fifth International Conference on Hybrid Intelligent Systems (HIS'05) (pp. 6-pp). IEEE.
7. Başçıl, M. S, Çetin, O, Er, O, & Temurtaş, F. (2012). Olasılıksal sinir ağının (PNN) parkinson hastalığının teşhisinde kullanılması. Electronic Letters on Science&Engineering, 8(1), 1-10.
8. Ersoy, H, Madran, R. O, & Gülbahar, Y. (2011). Programlama dilleri öğretimine bir model önerisi: robot programlama. Akademik Bilişim, 11.

9. Asadullah, M, & Ullah, K. (2017, April). Smart home automation system using Bluetooth technology. In 2017 International Conference on Innovations in Electrical Engineering and Computational Technologies (ICIEECT) (pp. 1-6). IEEE.
10. Yu, Q. S, Duan, M. Y, Zhang, T. S, Wu, H. G, & Lu, S. K. (2014). An wireless collection and monitoring system design based on Arduino. In Advanced Materials Research (Vol. 971, pp. 1076-1080). Trans Tech Publications.
11. Kasbe, M. S, Deshmukh, S. L, Mujawar, T. H, Bachuwar, V. D, Deshmukh, L. P, & Shaligram, A. D. (2015). An Electronic nose with LabVIEW using SnO2 Based Gas Sensors: Application to test freshness of the fruits. International Journal of Scientific & Engineering Research, 6(4), 1977.
12. Zhou, Y, Zhou, Q, Kong, Q, & Cai, W. (2012, April). Wireless temperature & humidity monitor and control system. In 2012 2nd International Conference on Consumer Electronics, Communications and Networks (CECNet) (pp. 2246-2250). IEEE.
13. Chauhan, J. S, & Semwal, S. (2013). Microcontroller based speed control of dc geared motor through rs-232 interface with pc. International Journal of Engineering Research and Applications (IJERA), 3(1), 778-783.
14. Isa, E, & Sklavos, N. (2017). Smart Home Automation: GSM Security System Design & Implementation. Journal of Engineering Science & Technology Review, 10(3).
15. Kaynar, O, & Taştan, S. (2009). Zaman Serisianalizinde Mlp Yapay Sinir Ağları ve Arıma Modelinin Karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (33), 161-172.
16. Witten, I. H, Frank, E, Hall, M. A, & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.