Otomatik yönlendirmeli araçlar için yapay zeka destekli çarpışma önleme algoritmalarının geliştirilmesi
| dc.contributor.advisor | Gelen, Gökhan | |
| dc.contributor.author | Çoban, Mustafa | |
| dc.date.accessioned | 2026-02-08T15:48:48Z | |
| dc.date.available | 2026-02-08T15:48:48Z | |
| dc.date.issued | 2024 | |
| dc.department | BTÜ, Lisansüstü Eğitim Enstitüsü, Mekatronik Mühendisliği Ana Bilim Dalı | |
| dc.description.abstract | Otomatik yönlendirmeli araçlar; fabrikalar, depolar ve dağıtım merkezleri gibi endüstriyel ortamlarda yaygın olarak kullanılan ve iş gücü maliyetlerinin azaltılması, üretim süreçlerinin verimliliğinin artırılmasını sağlayan taşıma sistemleridir. Çoklu araç sistemlerinde emniyetli ve verimli taşımanın gerçekleştirilmesi için araçların kontrolünün ve koordinasyonunun sağlanması büyük bir öneme sahiptir. Bu tezde, ortak çalışma bölgelerine ve çakışan rotalara sahip ortamlarda çalışan otomatik yönlendirmeli araç sistemlerinde çarpışmaların önlenmesini sağlayacak modelleme ve kontrol yöntemleri önerilmiştir. Çoklu araç içeren sistemlerin koordinasyonu için geliştirilen modelleme ve kontrol metotları, benzetim uygulamalarıyla test edilmiştir. Önerilen yöntemlerde, otomatik yönlendirmeli araçların çalışma ortamlarındaki hareketlerinin modellenmesi için sonlu durum makineleri kullanılırken, çarpışmaların önlenmesi için ise en yaygın pekiştirmeli öğrenme algoritmalarından biri olan Q-öğrenme kullanılmıştır. Araçların modelleme aşamasında, diğer araçların çarpışma bölgelerindeki durumları dikkate alınmış ve oluşturulan modellerin sade ve anlaşılır olması hedeflenmiştir. Bu hedefler doğrultusunda, çoklu araç içeren sistemlerdeki karmaşıklığı azaltmak amacıyla merkezi olmayan modelleme yaklaşımları kullanılmıştır. Sistemdeki her bir araca özel oluşturulmuş olan sonlu durum otomat modelleri, araçların kontrolünü sağlayacak Q-öğrenme algoritmalarında çevre modeli olarak tanımlanmıştır. Bu modellere uygun olarak tasarlanan Q-öğrenme algoritmalarıyla, her bir aracın bulunduğu durumda gerçekleştirmesi gereken eylemleri içeren Q tabloları elde edilmiştir. Çok sayıda araç içeren ve çok sayıda çarpışma bölgesine sahip çeşitli sistemlerde, araçların kontrolünü sağlayacak Q tabloları benzetim uygulamalarında kullanılmış ve önerilen yöntemler test edilerek doğrulanmıştır. Benzetim uygulamalarının sonuçları, önerilen yöntemlerin potansiyel çarpışmaları önleyebileceğini ve genel verimliliği büyük ölçüde artırabileceğini göstermektedir. | |
| dc.description.abstract | Automated guided vehicles are transportation systems widely used in industrial environments such as factories, warehouses, and distribution centers, providing reduced labor costs and increased efficiency in production processes. Ensuring the control and coordination of vehicles is crucial for safe and efficient transportation in multi-vehicle systems. In this thesis, modeling and control methods are proposed to prevent collisions in automated guided vehicle systems operating in environments with shared work zones and overlapping routes. The modeling and control methods developed for the coordination of multi-vehicle systems were tested through simulation applications. In the proposed methods, finite state machines were used to model the movements of AGVs in their working environments, while Q-learning, one of the most common reinforcement learning algorithms, was employed to prevent collisions. During the vehicle modeling phase, the states of other vehicles in the collision zones were considered, and simplicity and clarity in the created models were aimed for. In line with these objectives, decentralized modeling approaches were used to reduce the complexity in systems involving multiple vehicles. The finite state automata models, specifically designed for each vehicle, were defined as the environment model in the Q-learning algorithms, which would control the vehicles. Q-tables, containing the actions each vehicle should take in their respective states, were obtained through the Q-learning algorithms designed according to these models. In various systems involving a large number of vehicles and numerous collision zones, the Q-tables for controlling the vehicles were used in simulation applications, and the proposed methods were tested and validated. The results of the simulation applications demonstrate that the proposed methods can potentially prevent collisions and significantly enhance overall efficiency. | |
| dc.identifier.endpage | 103 | |
| dc.identifier.startpage | 1 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=E_eEUHQic_C-LvhxNQn1Wx-u0ok2xnpCsL8H5TqmErpfuWXVQgfip8JNMoWKQSll | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12885/6379 | |
| dc.identifier.yoktezid | 910918 | |
| dc.language.iso | tr | |
| dc.publisher | Bursa Teknik Üniversitesi | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_TEZ_20260207 | |
| dc.subject | Mekatronik Mühendisliği | |
| dc.subject | Mechatronics Engineering | |
| dc.title | Otomatik yönlendirmeli araçlar için yapay zeka destekli çarpışma önleme algoritmalarının geliştirilmesi | |
| dc.title.alternative | Development of artificial intelligence-assisted collision avoidance algorithms for automated guided vehicles | |
| dc.type | Doctoral Thesis |
