NOKTA BULUTU VERİSİ İLE KURAL TABANLI AÇIK KAPI BULMA YÖNTEMİ
Öz
Bina içi ortamlarda kapı konumlarının belirlenmesi problemi, konumlandırma, seyrüsefer, anlamsal sınıflandırma, yapı bilgi modellemesi ve otonom tekerlekli araç gibi çok farklı uygulamalarda ele alınmaktadır. Geçmiş çalışmalarda bu konu ile ilgili çözüm sunan yöntemler genellikle görsel bilgi ile kapalı kapıları ya da mesafe bilgisi ile açık kapıları belirlemeye çalışmışlardır. Son yıllarda nokta bulutu verisi ve/veya derinlik imgesi üretebilen algılayıcıların robotik alanında kullanılması ile birlikte bu veri kullanılarak kapı konumu belirlemeye çalışan yöntemler de geliştirilmiştir. Bu çalışmanın temel amacı bina içi ortamlarda nokta bulutu verisi kullanarak açık kapı konumunu gerçek zamanlı olarak tespit edebilecek bir yöntem sunmaktır. Bu yöntemde ilk olarak robotun yerel koordinat sistemine göre elde edilen nokta bulutu, küresel bir koordinat sistemine aktarılmaktadır. Daha sonra küresel koordinat sistemini temel alarak açık kapı konumunun tespiti için bir dizi kural tanımlamaktadır. Önerilen yöntemin verimliliğini ölçmek amacıyla GAZEBO benzetim ortamında, robotun açık kapı konumunu farklı açılardan gördüğü durumlar için elde edilen nokta bulutu verisi ile “OGUROB KAPI” veri kümesi oluşturulmuştur. Bu veri kümesi üzerinde yapılan testler kapı bulma başarısı ve süresi açısından incelenmiştir.Test sonuçları önerilen yöntem ile ortalama kapı bulma süresinin 10ms olduğunu göstermiştir. Ayrıca, kapı bulma doğru pozitif oranının %91 olduğu gözlemlenmiştir.
Anahtar Kelimeler
Kaynakça
- Bayram, K., Kolaylı, B., Solak, A., Tatar, B., Turgut, K. Ve Kaleci, B. (2019). 3B Nokta Bulutu Verisi ile Bölge Büyütme Tabanlı Kapı Bulma Uygulaması, Türkiye Robotbilim Konferansı, İstanbul, Turkiye, sayfa 139-145.
- Bersan, D., Martins, R., Campos, M. ve Nascimento, E. R. (2018). Semantic Map Augmentation for Robot Navigation: A Learning Approach Based on Visual and Depth Data, Latin American Robotic Symposium, Brazilian Symposium on Robotics (SBR) and Workshop on Robotics in Education (WRE), Joao Pessoa, pp. 45-50.
- Borgsen, S. M. Z., Schöpfer, M., Ziegler, L., ve Wachsmuth, S. (2014). Automated Door Detection with a 3D-Sensor, Canadian Conference on Computer and Robot Vision, Montreal, QC, 2014, pp. 276-282.
- Derry, M., and Argall, B. (2013), Automated doorway detection for assistive shared-control wheelchairs, IEEE International Conference on Robotics and Automation, Karlsruhe, 2013, pp. 1254-1259.
- Diaz-Vilarino, L., Khoshelham, K., Martinez-Sanchez, J., Arias, P. (2015). 3D modeling of building indoor spaces and closed doors from imagery and point clouds, Sensors (Basel) 15 (2) (2015) 3491–3512, https://doi.org/10.3390/s150203491.
- Díaz-Vilariño, L., Verbree, E., Zlatanova, S., ve Diakité, A. (2017). Indoor modelling from SLAM-based laser scanner: Door detection to envelope reconstruction, Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2017;42:345–352. doi: 10.5194/isprs-archives-XLII-2-W7-345-2017.
- ElKaissi, M., Elgamel, M., Bayoumi, M., ve Zavidovique, B. (2006). SEDLRF: A new door detectionsystem for topological maps, Computer Architecture for Machine Perception and Sensing, CAMP 2006, International Workshop on. IEEE.
- Jung, J., Stachniss, C. Ju, S. ve Heo, J. (2018). Automated 3D volumetric reconstruction of multiple-room building interiors for as-built BIM, Adv. Eng. Inform. 38 811–825, https://doi.org/10.1016/j.aei.2018.10.007.
- Gazebo, Robot Simulation Open source robotics foundation (OSRF) (2020). http://gazebosim.org/.
- Goron, L. C., Tamas, L., ve Lazea, G. (2012). Classification within indoor environments using 3D perception, Proceedings of IEEE International Conference on Automation, Quality and Testing, Robotics, Cluj-Napoca, 2012, pp. 400-405.