Yangın ve Güvenlik Dergisi 214. Sayı (Nisan 2020)

yanginguvenlik.com.tr 42 Yangın ve Güvenlik / Nisan 2020 MAKALE arkadaşları [36] döngü içindeki tüm parametrelerin Adapti- ve-Relative Bundle Adjustment (Uyarlanabilen Göreceli Grup dengelemesi - ARBA) kullanarak ayarlamayı önermektedir. ARBA, yararlanabilir bir optimizasyon stratejisi kullanan bağ- lanmış bir Riemannian manifoldu olarak tanımlanmaktadır. Burada tek bir Öklit uzayında optimizasyon yerine tüm ML’yi (haritalama yerleştirmelerini) sabit bir zamanda ve döngü kapatmasında çözmek için en kısa yollara dayanan metrik bir alan tanımlanmıştır. Foster ve çalışma arkadaşları [40] doğrusal olmayan optimizasyonla oldukça yüksek doğrulukta durum tahmini elde edilebilen görsel eylemsizlik odometrisi (Görsel eylemsiz seyir ve haritalama -Visual inertial navi- gation and mapping (VINAM)) yaklaşımını göstermişlerdir. Bununla birlikte, seyir izinin zaman içinde gelişmesi, opti- mizasyondaki değişken sayılarının hızla işlenmesini gerek- tirdiğinden, gerçek zamanlı optimizasyon giderek uygulanır olmaktan çıkmıştır. Foster ve çalışma arkadaşları [27, 40] dönen grubun manifolt yapısı için ön entegrasyon teorisini önermişlerdir. Bu, seçilen anahtar konumdaki kareler arasında maksimum için ifadeyi sağlayan göreceli olarak kendilerine özel hareket sınırlamalarına doğru bir eylemsizlik ölçümü- dür, bir deneysel yani ölçüm sonucu olarak durum tahmin edicisidir. Bu yaklaşım deney sonrası yanılmalardaki hata- ların analitik düzeltilmesine imkân sağlar ve 3D noktaları üzerindeki optimizasyonu ortadan kaldırır ve bu da hesap- lamanın hızlanmasını sağlar. Huang ve çalışma arkadaşları [41]otonom bir mikro hava aracının hızlı ve güvenilir durum tahminleriyle donatılmasını sağlayan her pikseldeki derinlik bilgisiyle zenginleştirilmiş RGB renk görüntülerini yakalamak için RGB-D kameralar kullanmıştır. Bunun için araç üzerinde bir RGB-D kamera ve otonom bir uçuş için bir eylemsizlik ölçme ünitesi kullanmışlardır. Zhang ve Singh [42] görsel odometri (mesafe ölçme) ve lidar odometriyi (lazer ışıklı radar ile mesafe ölçme) birleştirmek için genel bir çerçeve sunmuşlardır. Görsel odometri hızlı hareket algılamasını, lokal olarak pozisyon kontrolünü ve tipik olarak her zaman adımın- dan sonra gelen sensör ölçümlerini birbirleriyle bağdaştırarak göreceli hareketin tahmin edilmesini kapsayan kararlılığı kontrol eder [43]. Görsel odometri uzun süreli sapmalardan etkilenir, bu nedenle, geniş ölçekli haritaları oluşturmak için pek uygun değildir. Bu konuya cevap vermesi için, Zhang ve Singh [42] döngü kapatması tekniğini konunun içine dâhil etmiştir. Bu teknik poz (konum ve konumun uyarlaması, oryantasyon) tespitini mümkün kılar, teknik, nokta bulutları- nın üretildiği ve geçmiş kareler üzerindeki toplam sapmaları aynı anda düzelten bir hareket tahminidir. Crazyflie üzerinde (MCU) STM32F405 ve nRF51822 olarak bilinen iki adet mikro-kontrol edici ünite bulunur. Bunlardan ilki dört rotorlu hava aracının uçuşunu motor sürücülerine gönderdiği enerji ile kontrol eder ve 168 Mhz frekansta eylemsizlik verilerini, Üç eksenli jiroskopu (gyros- cope), akselometreyi (ivmeölçer), yer çekimini, manyetik açısal hızı ve yüksek hassaslıktaki bir basınç sensörünü okur. Nordic Yarı iletken (nRT51822) güç yönetimini, telsiz ileti- şimini, Düşük Enerjili Bluetooth’u (Bluetooth Low Energy (BLE)) ve Sıkıştırılmış Gerçek-Zaman Protokolünü (CRTP) [44–46] okur. Mikro Kontrol Üniteler (MCU’lar) koordinat karelerinin izini takip etmek ve dört rotorlu aracın IMU’su ve Arducam’in koordinat kareleri arasında karşılaştırılır veriler üretmek için Robot İşletim Sistemindeki (ROS) dönüşüm kütüphanesini kullanan bir nokta bulutu içine birleştirilmiştir. Dört rotorlu araca kablosuz radyo iletişimini sağlamak için bir Crazyradio (Crazyradio PA) kullanılmıştır. ROS içine on DOF IMU sensör birleştirme algoritması 5 (nav-msgs /Odometry) yerleştirdik [47]. Sanal bir ortam yangınla mücadele senar- yosu olan Unity içinde simüle edildi. Renk tespiti algoritması dronun otonom olarak sanal dünyada yakılmış kulübeye doğru uçabilmesi için OpenCV [48] içinde geliştirildi. Dron duman ve ateşe doğru uçmakta, etrafında dönmekte ve yer istasyonuna video akışları göndermektedir. Yer tanımlaması için dinamik kelime torbası modeli (bag-of-words) kullanıl- mıştır. Algoritmayı sınamak için Arducam, Crazyflie ve Karma Gerçeklikten (MR) gelen girdilerin toplandığı VINAM’a dayalı monoküler SLAM uyguladık. 3. METODOLOJI SLAM aracın ön ucundaki sensörleri kullanarak robo- tun durumunun simultane tahminini kolaylaştırır ve robot bir ortam içinde algılama yaparsa arka ucunda bir harita üretilir. SLAM’ın ön ucu anahtar noktaları, kenarları ve yer- leşimi tespit etmek, birbiriyle eşleştirmek ve tahmin etmek için algoritma ve veri yapılarından oluşur. Arka uç ise ön uçta elde edilen bilgiyi önceki kareler üzerine eşleştirmek, pozların ve anahtar nokta tanımının ve eşleşmenin yerlerini tahmin etmek için kullanır [49]. Bu çalışmada İnsansız Hava Aracının durumu üzerindeki kamera ve eylemsizlik ölçme birimi tarafından rapor edilir. Kamera geometrinin ölçül- mesini ve 3D sahnelerin görünmesini destekler. Eylemsizlik ölçme birimi (IMU) monoküler görüntünün ve yerçekiminin metrik skalasını göstererek şu şekilde hareket tahmini yapar; İHA’nın pozisyonu, konumlanması, sınır taşlarının, nokta bulutunun ve engellerin bir pozisyonu. Şekil 2 özellik esaslı 5 http://x-io.co.uk/open-source-imu-and-ahrs-algorithms/.