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

yanginguvenlik.com.tr 4. DENEYSEL DEĞERLENDIRME İşletim sistemi yer istasyonunda kuruldu ve aynı zamanda Ubuntu 16.04 LTS çalıştıran iki host (ana) makineyle (bir laptop ve bir masa üstü bilgisayar) ile bu maksat için kurul- muş WiFi kablosuz vasıtalarla iletişim kurmak ve bilgi alış- verişi yapmak için kullanıldı. Durumları bilinen bir hedef kullanmak bize tahmin edilen haritaya, harekete hassas bir ölçeklendirme imkânı sağladı ve esas olarak kameralarımızın derinlik bilgisi olmaması nedeniyle özellikleri başlangıç duru- muna getirmeye bir anlamda sıfırlamaya imkân sağladı. Dört rotorlu aracın pozisyonu bir objenin merkeze göre göreceli bir eksende ne kadar uzağa nakledildiğini tarif eden bir (x, y, z) vektörüyle gösterilmiştir. Benzer şekilde yönlendirme de üç numaralı bir vektörle (Yuvarlanma, Burgu ilerlemesi, Yalpalama _ Roll, Pitch, Yaw) ile belirtilmiştir. Bu bir objenin pozisyon ve yönlendirme çiftinin 6D-poz olarak bilindiği her eksene göre göreceli olarak ne kadar döndürüldüğünü tarif eder. Çevrenin bir haritasını öğrenmek için bir düğüm (node) inşa ettik ve aynı anda platformun 2D pozunu Ardu- cam’in kare hızında tahmin ettik. Görsel odometri (görüntü analiziyle konum belirleme) sürekli bir kamera seyir izini değişen hareketin görüntü üzerine yaptığı etkiyi inceleyerek değerlendirdi ve her karedeki engellerin yerleri kapsamlı bir harita yapmak için kullanıldı. Tekrar ziyaret edilen mevkiler için döngü kapatma tekniği kullanıldı, zira döngü kapat- ması olmadan dünya (veya ortam) sonsuz bir koridor olarak betimlenir ve burada dört rotorlu araç sürekli teni yeni alanlar keşfetmeye çalışır. Şekil 3 farklı zamanlardaki SLAM için kameranın düzenli izleme uygulamasının üç görüntüsünü göstermektedir. Bu işlem kelime torbası sistemi kullanarak görüntü eşleştirmeyle devam eder. İzleme pozları kendisine ait gerçek yer kopyasına kaydedilir (doğrudan gözlemle sağlanan bilgiler). Kök karenin koordinat sistemi içindeki her karenin pozumu hesaplamak için karşılık gelen seyir izine yer belirleme işlemi yapılır. Toplan seyir izi kaydı hatası yerdeki gerçek ve lokalize kareler arasındaki ortalama Öklit mesafesi olarak hesaplanır. SLAM’lar her iki kamerayla da (gerçek ve sanal) üretildiği sanal ortamı yangın tespiti için canlı video içerecek şekilde uyguladık. Sanal Crazyflie’nin sanal ortamdaki seyir izi fiziki dünyadaki eşdeğeriyle karşı- laştırıldı. İz takibi SLAM tarafından yeni özellikler meydana getirildiğinden birkaç dakika ve kare devam ettirildi. Harita- lanan özellikler küçüldüğünden SLAM’daki hatalar minimize edildi. Yangın tespiti kararlı hale geldi ve haritayı sürüklenme olmayan yani belirsizliklerden uzak bir duruma kilitledi. Genel anlamda, algoritma içinde nispeten birkaç engel ve kısıtlama olan bir oda içinde güvenilir bir gerçek zaman performansı ve uzun yer belirleme süreleri verdi. Poz tahminlerinin ortalama karekök hataları (root mean square errors (RMSEs)) site- mimizdeki SLAM’larda potansiyel bir ölçek (scale) sapması olduğunu gösterdi. Gerçek kamera kalibrasyon hataları ile sanal hata gerçek yer verilerinden kaynaklandı, zira izleme operasyonu koordinat karesini sanal koordinat karesi ile örtü- şecek şekilde ayarlamak zordu. Tablo 1 Crazyflie’nin fiziksel ve sanal ortamdaki otonom uçuşundaki seyir izlerinin ortalama poz karekök hatalarını ana hatlarıyla özetlemektedir, pozis- yon hataları mm ve yönlendirme hataları derecedir. İzlemeler SLAM’ın ihtiyaç duyulduğunda yeni özellikler başlatmasıyla birkaç dakika ve kare süresince ilerlemiştir. Şekil 4(a) ve Şekil 4(b) Unity oyun motorunda üretilen maskelerle simüle edilen ortamı göstermektedir. Şekil 4(c) yer tanıma algorit- masıyla oluşturulan anahtar kareleri göstermektedir. Şekil 4(d) SLAM’ı haritanın yeniden kullanılması, döngü kapatma, yeniden yer belirleme ve dört rotorlu aracın eylemsizlik ve Arducam koordinatları arasındaki ölçeklendirme faktörü için grafik üzerinde işaretlemektedir. İHA manevra yaptıkça SLAM sanal ve fiziki ortamlarda oluşturulan haritaları üst üste bindirmektedir. 5. SONUÇ Yerleşik sensörlerden gelen özellik ölçümlerini (görüntü özellikleri ölçümleri) kullanan SLAM sistemi uygulanmıştır. SLAM sistemi, yöntemin etkinliğini sanal dünyada yangın olan bir kulübeye doğru üzerinde otonom olarak seyir yap- tıracak kamera ve IMU olan açık kaynaklı bir dört rotorlu araç vasıtasıyla göstermiştir burada fiziksel dron gerçek ortamda sanal aracın davranışlarını taklit etmiştir. Görsel veriler ve SLAM’lar sanal ve fiziki dünyadaki sanal ve fiziki kamera- lardan alınmıştır. Deneysel veriler önerilen yöntemin etkili ve iz takip hatalarına dirençli olduğunu kanıtlamıştır. Sistem Tablo 1. Crazyflie’in fiziksel ve sanal dünyada otonom uçuşu izinin poz RMSE’leri (ortalama karekök hataları_ root- mean-square errors), poz tahmini hattaları mm ve yükseklik hataları derecedir. RMSE’ler X Y Z Roll=Yuvarlanma Pitch= Burgu ilerlemesi Yaw= Yalpalama Fiziki dünya 21,7 38,5 13,2 0,91 0,89 1,03 Sanal dünya 19,4 31,7 10,9 1,43 1,37 1,81 48 Yangın ve Güvenlik / Mayıs - Haziran 2020 MAKALE