Yangın ve Güvenlik Dergisi 215. Sayı (Mayıs-Haziran 2020)

Yangın ve Güvenlik / Mayıs - Haziran 2020 47 yanginguvenlik.com.tr 3.5. Karma gerçeklik simülasyonu Karma gerçeklik (Mixed reality (MR)) içinde fiziksel ve sanal elementlerin beraber var olduğu bir alan oluşturur [84–90]. Bu bir yerdeki elementlerin diğer yerdeki element- leri doğrudan karşılıklı etkilemesini ve gerçek zamanlı veri iletişimi yapılmasını sağlar. Dört rotorlu araçların gerçek dünyadaki uygulanması ve sınavı kullanışsız bir görev ve belirli senaryolara sınırlanmış olabilir. Bu bakımdan, Karma Gerçekliği fiziki ve sanal dünyayı gerçek zamanda haberleş- melerini sağlayacak bir sistem kabul ettik. Objelerin, dört rotorlu araçların gerçek boyutlarıyla ve çevre ölçümlerinin SI birimlerle (metre ve saniye) olduğu güvenli ve basit bir test ortamı sağlaması için Unity oyun motorunu kullandık. Veriler gerçek dünyaya gerçek zamanlı olarak aktarıldı. Gerek sanal gerekse fiziki dünyanın ikisinde de rüzgâr etkilerini Crazyflie’nin yüksek hassaslıkta basınç sensörü (LPS25H) nedeniyle dikkate almadık. Sistem sanal eğitimin robotlu veya başka herhangi bir alandaki fiziki sisteme kade- meli bir şekilde aktarılmasına izin vermektedir. Önerdiğimiz sistemi bir yangın tespiti senaryosunda test ettik. Veriler toplandı ve ortamın SLAM ve haritasını oluşturmak için yer istasyonuna iletildi. Fiziki ve Sanal kameranın ikisiyle çekilen görüntüleri seyrek nümerik vektörlere dönüştürmek ve bir görüntü veri tabanı oluşturmak için kelime torbası tekniğini kullandık. Unity ve ROS sistemleri birbirine yaml-esaslı 9 iletişimle bağlandı, Ros- köprüsü ve http protokolü [91]. Ros köprüsü iki operasyon arasında veri akışını ve iletişimi sağladı. Gerçek zamanlı ara yüzü elde etmek için mesajları görüntülenen sistemdeki temel sahneleme döngüsündeki olaylara aktardık. Hedef (alev ve duman) Unity’de simüle edildi ve sanal kamera ile görüntülendi ve IMU (Eylemsizlik Ölçme Birimi)verileri tele-operasyon için gerçek dört rotorlu araca iletildi. Gerçek dört rotorlu araç sanal dronun davra- nışlarını aynen sanal dronun sanal sahnede alev ve dumanı algıladığı gibi taklit eder, bu sırada SLAM’lar (Simultane lokalizasyon ve İşaretleme sistemleri) bağımsız olarak üretilir. Sistemimiz fiziksek dört rotorlu aracın sensör pozunu, hızını ve IMU verilerini kare hızında alınan verilerle karşılaştırmak için takip eder. Bu bizim eşleştirmek için güvenilir pozlara (pozisyonlara) erişmemizi ve haritalanan noktaları kare üze- rindeki anahtar noktalara iletmemizi sağlar. Her j karesi tüm eşleştirilen noktaların özelliklerinin yeniden tahmin edilme hatalarını ve IMU hatalarını minimize etmek için optimize edilir. Bir haritanın güncelleştirilmesinden sonra IMU hatası aşağıdaki eşitlikten hesaplanır: Burada ∑ ı ön entegrasyonun bilgi matrisi ve ∑ r de tesa- düfü sapmanın bilgi matrisi ve r Huber güvenilir maliyet fonksiyonudur [29]. Bu da optimizasyon problemini g 2 o daki Gauss-Newton algoritmasıyla kullanarak yapılır. Sonuç tahmin ve Hessian matrisi bir sonraki karenin optimizasyonu öncesi uygulanır. Uyarlanabilen Göreceli Grup dengelemesi (ARBA) döngü kapatması keşif sırasında toplanan sürük- lenmeyi azaltmıştır. Yer tanıması modülü ve anahtar kareleri eşleştirme prosedürü önceden haritalanmış ve yeniden ziya- ret edilmiş alana uygulandı. Jiroskop ve akselerasyon hataları birbirini takip eden iki anahtar karenin bilinen yönlendirme- lerinden tahmin edilir. Gerçek ve sanal dünyadaki kamera ve IMU verileri arasındaki koordinatların dönüştürülmesi için skala faktörü kullanılır. Sonuçlarımız Unity’deki simülasyonun ROS (Robot İşletim Sistemi) platformundaki verilerin gerçek zamanlı tele-operasyonda kullanılmaları için görevlendiril- mesinde esneklik sağladığını göstermiştir. SLAM tüm arka arkaya gelen kare çiftleri ve entegrasyon öncesi ölçümler için IMU kombinasyonu ve göreceli yönlendirme arasındaki farkı en aza indirmiştir. Sistem Karma Gerçeklik haberleşme grubunu SLAM algoritmasını da test etmek kullanmak üzere dâhil etmemizi sağlamıştır. 9 http://www.yaml.org/. Şekil 3. Kapalı bir ortamda kenarları, keskin köşeleri bulmak ve kelime torbası görsel kelime dağarcığıyla eşleştirmek için SLAM (Simultane lokalizasyon ve İşaretleme sistemi) başlatılması (a) 0.03 sn., (b) 0.06 sn. ve (c) 0.09 sn.. Şekil 3. Kapalı ortam içinde çözünürlüğü 320x240 piksel olan bir mini ArduCAM ile toplanan görüntüler (a). Unity oyun motoru kullanılarak simüle edilmiş görüntüler (b). Yer Tanıma algoritması kullanılarak oluşturulmuş Kilit Kareler (Keyframes) (c). Haritanın yeniden kullanılması, döngü kapatma, yeniden yer belirleme ve dört rotorlu aracın dört rotorlu araç yangını ağıladığı ve etrafında döndüğü sırada üretilen eylemsizlik ve Arducam koordinatları arasındaki skala faktörü için SLAM (d). (9)