TEKNOFEST
HAVACILIK, UZAY VE TEKNOLOJİ FESTİVALİ
ROBOTAKSİ – BİNEK OTONOM ARAÇ YARIŞMASI
KRİTİK TASARIM RAPORU
İÇERİK
1. Takım Organizasyonu ... 3
2. Ön Tasarım Raporu Değerlendirmesi ... 4
3. Araç Özellikleri ... 7
3.1.Araç genel tasarım ... 7
3.1.1. Kabuk Üretim Aşamaları ... 11
3.1.2. Şasi Üretim Aşamaları ... 17
3.2.Elektronik direksiyon (steer-by-wire) sistemi ... 21
3.3. Elektronik Gaz Pedalı Sistemi (Pedal-by-Wire) ... 28
3.4. Elektronik Fren Sistemi (Brake-by-Wire) ... 29
3.5.Sistem Ürün Kırılımı ... 31
3.6. Elektronik Mimari Detaylar ... 32
4. Sensörler ... 33
4.1. A3 SLAMTEC RPLİDAR SENSÖRÜ ... 33
4.2. ZED STEREO KAMERA ... 34
6.3. Sensörlerin konumlandırması ... 36
6.4.Sensör Füzyon Algoritmaları ... 38
5. Araç Kontrol Ünitesi ... 39
5.1.Kablosuz Haberleşme Sistemi ... 40
6. Otonom Sürüş Algoritmaları ... 41
6.1.PID ile Duvar Takibi Algoritması ... 41
6.2. Find Object 2d ve Find Object 3d Algoritması ... 41
6.3.Hector Mapping Algoritması ... 41
6.4. SLAM (Simultaneous Localization and Mapping) Algoritması ... 42
6.5. Teb Local Planner ... 43
6.6.Lidar Obje Takibi Algoritması ... 43
6.7. YOLO aloritması ... 43
7. Özgün Bileşenler ... 48
8. Güvenlik Önlemleri... 50
9.1.Simülasyonda Kullanılan Algoritmalar ... 58
9.2. Analiz Sonuçları ... 63
10. Referanslar ... 64
1. Takım Organizasyonu
Ekibimiz multidisipliner bir ekip olup bünyesinde farklı mühendislik dallarından öğrenciler barındırmaktadır. Elektrik ve Elektronik, Endüstri, Makine, Metalurji- Malzeme ve Uçak-Uzay mühendisliği bölümlerinden oluşan 17 kişilik kadrodur. Ekip üyelerinin ilgi ve tecrübelerine göre Mekanik, Elektronik ve Yazılım birimi olarak üç farklı kategori altında görevlendirilmiştir.
Takım organizasyon şeması Şema 1'de görülmektedir.
Şema-1
2. Ön Tasarım Raporu Değerlendirmesi
Ön tasarım raporu değerlendirmesine göre eksik ve hatalı olan alanlarda düzenlemeye gidilmiştir. Ön tasarım rapor ve simülasyon süreci boyunca genel olarak sene başında
planladığımız takvime uyarak bu süreçte üretim aşamalarına geçilmiştir. Üretim aşamalarımızı başlatırken değerlendirme sonuçlarına göre yapmış olduğumuz tasarımlarda birkaç değiştirme ve geliştirmeye gidilmiştir. Bunlardan bahsedecek olursak;
Öncelikli olarak yapılan hesaplamalar ve testler sonucu 4 adet 48 V olan motorun enerjisi 3 akü kullanılarak 36V a düşürülmüştür. Ayrıca 4.akü ana kaynaktan ayrı olarak inverterı
beslemektedir. Böylece test sürüşleri yapılırken ana sistem kapandığında sensörler ve araç kontrol sistemi kapanmayacaktır.
Otonom gaz sistemimizdeki mekanizmadaki tasarımın üretiminde yaşadığımız sıkıntılardan dolayı farklı malzeme, tasarım ve üretim yöntemi tercih edilmiştir. 3D baskıdan alınan mekanizma parçaları yeterli mukavemeti sağlamadığı ve montaj sıkıntısı çıkardığı için malzeme olarak MDF ve üretim yöntemi olarak el işçiliği tercih edilmiştir. Böylece deneme sürecinde zaman ve maddi kar kazanılmıştır.
Ön tasarım raporunda bahsedilen otonom gaz sistemi için kullanılacak olan Pixhawk kontrol kartı çıkartılarak servo motor kontrolü ve fren step motor kontrolü Arduino ile
yapılmıştır. Arduino ya sinyal ise araç kontrol sisteminin genel beyni olan JETSON TX2 kartı üzerinden gönderilmektedir. Böylece araçtaki farklı işlemci sayısı en aza indirgenmiştir. Fren step motor sürücüsünü ve servo motoru JETSON TX2 yerine Arduino ile yapmamızın sebebi ise JETSON TX2 kartından PWM sinyali ve başka pinlerden HIGH-LOW sinyali veremeyip aynı anda 2 step motor sürülememesidir.
Değerlendirme sonuçları olarak en büyük eksikliğimiz güvenlik önlemleri olduğunun farkına vararak araç test süreci ve yarışma anı için farklı güvenlik önlemleri alınmıştır. Yeni eklenen güvenlik önlemleri raporun diğer kısımlarında ayrıntılı açıklandığı için bu kısımda tekrar yer verilmemiştir.
• Planlanan bütçe
Tablo-1
MALZEMELER ÖN GÖRÜLEN TEDARİK KANALI ÖN GÖRÜLEN TEDARİK SÜRESİ MALİYET
NVIDIA JETSON TX2 KARTI ŞEHİTKAMİL BELEDİYESİ 1 AY ₺ 5.120,00
ZED STERO KAMERA GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 8.301,00
A3 SLAMTEC RPLİDAR ŞEHİTKAMİL BELEDİYESİ 1AY ₺ 5.000,00
NEMA 34 STEP MOTOR (FREN) ŞEHİTKAMİL BELEDİYESİ 1AY ₺ 1.000,00
NEMA 34 STEP MOTOR (DİREKSİYON) ŞAHİNBEY BELEDİYESİ 1AY ₺ 1.000,00
STEP MOTOR SÜRÜCÜ ŞAHİNBEY BELEDİYESİ 1AY ₺ 400,00
STEP MOTOR SÜRÜCÜ ŞEHİTKAMİL BELEDİYESİ 1AY ₺ 400,00
MONİTÖR GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.000,00
24 CONVERTER ŞAHİNBEY BELEDİYESİ 1AY ₺ 2.300,00
12 CONVERTER ŞAHİNBEY BELEDİYESİ 1AY ₺ 840,00
INVERTER ŞEHİTKAMİL BELEDİYESİ 1AY ₺ 530,00
2.4.8 PIXAWK KONTROL KARTI ŞEHİTKAMİL BELEDİYESİ 1AY ₺ 760,00
4 ADET 40 AMPER 12 VOLT JEL AKÜ GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 2.320,00
XBEE MODÜL GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 330,00
ATV SÜSPANSİYON SİSTEMİ GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 400,00
SHOCK ABSORBER GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 440,00
PROFİL 18M GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.450,00
KOLTUKK GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 530,00
Dc motor sürücü GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 7.000,00
DC MOTOR SÜRÜCÜ GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 7.300,00
BAĞLANTI EKİPMANLARI GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.000,00
40 M2 KARBNOFİBER GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 16.000,00
40 M2 MESH GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 4.000,00
50 M2 VAKUM NAYLONU GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 2.500,00
15 KG EPOKSİ GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 9.850,00
VAKUM POMPAS GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 4.850,00
İNFÜZYON EKİPMANLARI GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 2.500,00
XPS KÖPÜK 7M3 GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 7.350,00
50 KG POLYESTER MACUN GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.630,00
ALÜMİNYUM DOKUM JANT GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.480,00
80 90 16 LASTİK MİTAŞ GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.200,00
TOPLAM TUTAR ₺ 98.781,00
• Son bütçe
Tablo-2
Ön tasarımda planlanan bütçe ile son bütçemiz arasında malzeme değişimi olmamıştır.
Sadece açıklanan simülasyon ve rapor sonuçlarına göre temmuz ayı için T3 vakfı malzeme teşviği alacak olmamızla birlikte tedarik kanallarımız ve sürelerimiz değişmiştir.
MALZEMELER ÖN GÖRÜLEN TEDARİK KANALI ÖN GÖRÜLEN TEDARİK SÜRESİ MALİYET
NVIDIA JETSON TX2 KARTI ŞEHİTKAMİL BELEDİYESİ 1 AY ₺ 5.120,00
ZED STERO KAMERA GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 8.301,00
A3 SLAMTEC RPLİDAR ŞEHİTKAMİL BELEDİYESİ 1AY ₺ 5.000,00
NEMA 34 STEP MOTOR (FREN) ŞEHİTKAMİL BELEDİYESİ 1AY ₺ 1.000,00
NEMA 34 STEP MOTOR (DİREKSİYON) ŞEHİTKAMİL BELEDİYESİ 1AY ₺ 1.000,00
STEP MOTOR SÜRÜCÜ ŞAHİNBEY BELEDİYESİ 1AY ₺ 400,00
STEP MOTOR SÜRÜCÜ ŞEHİTKAMİL BELEDİYESİ 1AY ₺ 400,00
MONİTÖR GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.000,00
24 CONVERTER ŞAHİNBEY BELEDİYESİ 1AY ₺ 2.300,00
12 CONVERTER ŞAHİNBEY BELEDİYESİ 1AY ₺ 840,00
INVERTER T3 VAKFI TEŞVİĞİ 1AY ₺ 530,00
2.4.8 PIXAWK KONTROL KARTI ŞEHİTKAMİL BELEDİYESİ 1AY ₺ 760,00
4 ADET 40 AMPER 12 VOLT JEL AKÜ T3 VAKFI TEŞVİĞİ 1AY ₺ 2.320,00
XBEE MODÜL GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 330,00
ATV SÜSPANSİYON SİSTEMİ GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 400,00
SHOCK ABSORBER GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 440,00
PROFİL 18M GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.450,00
KOLTUKK GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 530,00
Dc motor sürücü GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 7.000,00
DC MOTOR SÜRÜCÜ GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 7.300,00
BAĞLANTI EKİPMANLARI T3 VAKFI TEŞVİĞİ 1AY ₺ 1.000,00
40 M2 KARBNOFİBER GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 16.000,00
40 M2 MESH GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 4.000,00
50 M2 VAKUM NAYLONU GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 2.500,00
15 KG EPOKSİ GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 9.850,00
VAKUM POMPASI GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 4.850,00
İNFÜZYON EKİPMANLARI GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 2.500,00
XPS KÖPÜK 7M3 GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 7.350,00
50 KG POLYESTER MACUN GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.630,00
ALÜMİNYUM DOKUM JANT GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.480,00
80 90 16 LASTİK MİTAŞ GAZİANTEP ÜNİVERSİTESİ 1AY ₺ 1.200,00
TOPLAM TUTAR ₺ 98.781,00
3. Araç Özellikleri
Araç tasarımı ve üretimleri yapılırken bütün otonom sürüş ara yüzlerine odaklanarak Robotaksi görevlerini yerine getirecek şekilde yapılmıştır.
3.1.Araç genel tasarım
2021 ROBOTAKSİ yarışmasına 2019 yılında ürettiğimiz TÜBİTAK Efficiency
Challenge Electric Vehicle TR yarışmasına hazırladığımız araç kabuğuna uyumlu Robotaksi için tasarlayıp üretmiş olduğumuz aracımız ile katılmaktayız.
Aracımız Autodesk Füzyon 360 programında yüzey modelleme kullanılarak ekibimiz tarafından tasarlanmıştır. Aracımız tasarlanırken aerodinamik ve araç dinamiği kanunları ele alınarak tasarlanmış olup üretimi tamamen ekibimiz tarafından yapılmıştır.
Şekil-1 Araç Genel Cad Tasarımı
Aracımız tasarlandıktan sonra aerodinamik analiz için Autodesk Flow Design programı ile CFD analiz uygulanmıştır. Analiz grafikleri aşağıda belirtilmiştir.
Şekil-2
Şekil-3
Şekil-4
• Kabuk ölçüleri
Şekil-5
3.1.1. Kabuk Üretim Aşamaları
Kabuğumuzun malzemesi karbon fiber olup üretim yöntemi Vakum İnfüzyondur.
Şekil-6
Kabuğumuz tasarlandıktan sonra Solidworks programında aracımızın kalıbının tasarımı yapılmıştır. Kalıbımızı dişi kalıp olarak üretildi. Kalıp maliyetimizi minimumda tutmak için kalıp malzemesi olarak MDF Levha ve XPS köpük kullanılmıştır. Kalıp tasarımımızda MDF ve Köpük kalınlıklarımızı toplam araç boyuna oran hesabıyla bölümlere ayrılmıştır. Bölümlerin DWG* formatında görsellerini aldıktan sonra CNC makinasında kesim işlemi yapılmıştır.
Kesim sonrasında köpükleri bölümler arasında tel kesim yaparak kalıbımız ana hatlarıyla oluşturulmuştur.
Şekil-7
Şekil-8
Daha sonrasında bütün bölümler montajlanıp zımpara işlemine devam edilmiştir.
Böylece polyester macun ve epoksi işlemlerinden önce kalıp oluşturulmuştur.
Şekil-9
Kabuğumuz vakum infüzyonda 650 barr basınçla üretildiğinde köpüklerin bu basınçla kırılmaması için polyster macun ile sertleştirme sağlanmıştır. Pürüzsüz bir yüzey sağlanana kadar macun sürülüp zımparalama işlemi uygulanmıştır.
Şekil-10
Elde edilen pürüzsüz yüzeyden sonra kalıba 15 dakikalık aralarla kalıp ayırıcı polivaks sv-6 sürülmüştür. Ardından karbon fiber serilerek kalıbımız vakum infüzyon yöntemine hazır hale getirilmiştir.
Şekil-11
Şekil-12
Şekil-13
Yapılan dişi kalıp kırılarak ürün ortaya çıkarılmıştır.
Şekil-14
Şekil-15
Şekil-16 Araç Son Hali
3.1.2. Şasi Üretim Aşamaları
Şasimizi tasarlarken Solidworks programında profil komutu kullanılarak tasarlanmıştır.
Araç dinamiğinden birçok etken dikkate alınarak tasarlanan şasimiz merdiven tipi şasidir. Şasi malzememiz 40*20*2 boyutlarında 304 paslanmaz çelik profil kullanılmıştır. Birleştirme yöntemi olarak TIG kaynağı kullanılmıştır.
Şekil-17
Tasarlamış olduğumuz şasinin üretim aşamasına geçmeden önce gerekli bütün analizleri yapılmıştır.
Şekil 18 de verildiği gibi şasi ye yapılan strength analizi sonucunda aşağıda verilen sonuçlara ulaşılmıştır:
• 1 KN (1000N) Force uygulanmaktadır) ve şasimizin sonuçları Von Mises
stress tablosunda belirtilmektedir (şekil-18) ve bu sonuçlar doğrultusunda şasinin şehir içi binek araçlara uygun olduğu gözlenmektedir.
Şekil-18 Kuvvet Yönleri
Şekil-19 Deformasyon Dağılımı
Birleştirme işlemimizden sonra aracımızın altını kapatmak için Alüminyum Sac (Çeta) ve bağlantı ekipmanı olarak perçin kullanılmıştır.
Şekil-20
Şekil-21
Şekil-22
Şekil-23 Şasimizin Son Hali
3.2.Elektronik direksiyon (steer-by-wire) sistemi
Araç direksiyon kutusu tasarımı tamamen yerli olup kremayer ve pinyon dişli sistemi tasarlanıp üretilmiştir. Kremayer de 1040 çeliği malzeme, kütüğünde alüminyum 7075 serisi malzeme işlenmiştir. Tasarlamış olduğumuz step motor kontrollü direksiyon sistemine uygun olarak üretilmiştir. Araç elektronik direksiyon sistemi tasarlanırken manuel kullanım olmadan rc kumanda ile ve otonom sürüş ile kontrol edilebilir şekilde tasarlanmıştır.
Şekil-24
Şekil-24 de görüldüğü üzere araç direksiyonu bir adet step motor, kremayer ve pinyon dişlisi kullanılmıştır. Dişli ve motor bağlantısı için kaplin kullanılmıştır. Kaplin, motorla sağlanan dönme hareketini kremayere taşıyan doğrusal bağlantı ekipmanıdır.
Kullanılan kaplinin gerekli analizleri aşağıda verilmiştir;
Şekil-25
Şekil-26
Şekil-27
Şekil-28
Şekil-29
Tasarladığımız bu sistemin sağlamlığı ve hafifliği için gövde kısmında alüminyum 7075 T6 malzeme kullanılmıştır. Kremayer ve pinyon mekanizmasında sağlamlık ve güvenlikten ödün vermemek için 1040 çelik malzeme kullanılmıştır.
• Kremayer ve Pinyon Dişli Hesapları
Ackermann hesaplarının sonuçlarına göre araç teker dönüş miktarına göre kremayer dişli uzunluğunu belirlenmiştir. Aracımızın her iki tarafa gitmesi için gerekli kremayer dişli
uzunluğu: 44.785 mm dir. Aracın manevra kabiliyetinin maksimum düzeyde olacak şekilde en uygun dişli modülü seçilmiştir. Belirlediğimiz en uygun dişli modülü 1 dir.
Bu modül hesabını yaparken aşağıda verilen formüller kullanılmıştır;
𝑡=𝑚×𝜋 𝑧=𝐿/𝑡 t: Adım Uzunluğu m: Modül
z: Diş Sayısı
L: Kremayer Uzunluğu
Adım(t): Bir diş attığında kaç mm hareket ettiğini buluruz.
𝑡=1.5 × 𝜋= 4,712mm
Kremayer diş sayısı ise şu şekilde hesaplarız;
𝑧=: 44.785 ⁄4,712 = 9.5044 ≅ 10 diş
Pinyon dişli sayısını belirlerken ise kullanmış olduğumuz NEMA 37 11.5NM torka sahip step motorun adım sayısına göre belirlenmiştir. Direksiyonu 90 derece sağ ya da sola hareket ettirmek istendiğinde step motorumuz maksimum 5000 adım atacaktır. Step motor sağ yöne 5000 adım attığında teker 12,88 derecelik hareket edecektir.
𝑡 =1,5 × 𝜋=4,712 𝑚𝑚
𝑧 = 25,76⁄4,712 = 3,34≅3 diş
Pinyon dişli 90 derece döndüğünde 3 diş atıyorsa 360 derecede kaç diş olması gerektiğini buluruz. Buradan yola çıkarak;
90 3 360 x
X= (360*5)/90: 12 diş olarak hesaplanmıştır
Hesaplamalardan sonra üretilmiş ve hesabı sağlamıştır.
Şekil-30
Şekil-31 Direksiyon Kutusunun Menfezi
Şekil-32 Direksiyon Sistemi Son Hali
Araç dönüş hareketini tekerlere bağlı olan hafif ve rahat çalışan direksiyon kutusu mekanizması sayesinde sağlamaktadır. Tasarlamış olduğumuz mekanizmadaki kaplin
sayesinde step motor mili ile direksiyon mili eş merkezli olup hareket etmektedir. Bu yöntemle step motorumuzu kontrol edip otonom sürüş sağlamaktayız.
Şekil-33
• Ackhermann Prensbi
Aracımızı tasarlarken 2020 yılında aracımızın dönüşlerde yaşadığı sıkıntıları göz önünde bulundurularak ve Ackhermann prensibi yardımıyla aracımız en işlevsel şekilde tasarlanmıştır.
Dönmesi gereken yarıçapı Efficiency Challenge dinamik sürüş testi göz önünde bulundurularak belirlenmiştir.
Şekil-34
tan 𝛿1 = 𝐿 𝑅1 −𝑊
2
tan 𝛿2 = 𝐿 𝑅1 +𝑊
2
𝛿1 = tan−1 𝐿 𝑅1 −𝑊
2
= tan−1 1707 7000 −930
2
= 14,63°
𝛿2 = tan−1 𝐿 𝑅1 +𝑊
2
= tan−1 1707 7000 +930
2
= 12,88°
L: Aks mesafesi
W: Arka teker iz genişliği
R: Dönülmek istenen yarıçap mesafesi δ1:İçte kalan tekerin dönmesi gereken açı δ2:Dışta kalan tekerin dönmesi gereken açı
Elektronik direksiyon sistemi ve şasi teker bağlantı tasarımı şekil-35 de verildiği gibidir.
Şekil-35
Şekil-36 Ön Düzen Sistemi Son Hali
3.3.Elektronik Gaz Pedalı Sistemi (Pedal-by-Wire)
Araç otonom sürüş sistemi için manuel gaz PWM ayarı yaptığımız potansiyometre sistemini, tasarlamış olduğumuz mekanizma sayesinde servo motor ile kontrol etmekteyiz.
Potansiyometreler devrelerde akımı sınırlamak ya da gerilimi bölmek amacıyla kullanılmıştır.
Potansiyometre sayesinde motor sürücüye giden akımı ayarlayarak motor hızını kontrol etmekteyiz. Servo bağlı olduğu potu hareket ettirirken pot ise motor sürücüye bilgi
göndermektedir. Bu sayede MG 995 (Tork: 4,8V: 138,9 oz-inç (10,00 kg-cm) servo motora vermiş olduğumuz PWM sinyalleri potu çevirerek motor sürücüye iletilecektir. Mekanizmanın tasarımı Şekil-37 de verildiği gibidir.
Şekil-37
Test aşamalarında 3D üretim yönteminde çıkan hatalardan dolayı üretim aşaması MDF ile el işçiliği yöntemiyle yapılmıştır. Bu sayede servo ile potansiyometrenin yeterli ve sınırlı hızı vermesi daha kolay ayarlanabilmektedir.
Şekil-38
3.4. Elektronik Fren Sistemi (Brake-by-Wire)
Araç otonom fren sistemi için tasarlamış olduğumuz mekanizma ile step motor kontrolü sağlayarak otonom fren yapmaktayız. Step motora göndermiş olduğumuz ileri sinyali sayesinde belli adımda dönerek fren pedalına baskı yapıp duruşu sağlamaktadır. Geri sinyali ile step aynı adım sayısında dönüp fren pedalı içerisindeki yay sayesinde eski pozisyonuna gelmektedir. Fren sistemi genel CAD tasarımı ve üretilmiş hali Şekil-39 ve Şekil-40 da belirtildiği gibidir.
Şekil-39
Şekil-40
Şekil-41
Tasarımdan farklı olarak test aşamalarında fren pedalı step motora çelik halat ile sarma yöntemiyle sabitlenmiştir.
3.5.Sistem Ürün Kırılımı
Şekil-42
Sistem ürün kırılımında görüldüğü üzere aracı mekanik elektronik ve otonom olarak 3 ana başlıkta sınıflandırılmıştır.
3.6. Elektronik Mimari Detaylar
Elektronik mimari şemada verildiği gibi aracın temel ileri geri hareketi için PMDC Motor ve Motor Sürücü kullanılmıştır. Araçta genel enerji kaynağı olarak 4 adet 12V 40A jel akü kullanılmıştır. Tercihe göre motorumuzu 36V veya 48V ile sürmekteyiz. Araçtaki stop lambaların, step motorların ve diğer bileşenlerin gücü ise DC-DC dönüştürücü ile sağlanmıştır.
Ayrıca araçtaki ana kontrol ünitesi olan JETSON TX2 kartı, monitörü ve lidarı beslemek için 12V girişli 1200W’lık çevirici kullanılmıştır.
Şekil-43 Elektronik Mimari Şeması
4. Sensörler
Aracımızın otonom görevlerini yerine getirebilmesi için toplam 2 adet sensör bulunmaktadır.
Duvar takibi yapıp mesafe bilgisi almak için aracımızda A3 SLAMTEC RPLİDAR kullanılmaktadır. Görüntü işleme için ise ZED STEREO kamera tercih edilmiştir.
4.1. A3 SLAMTEC RPLİDAR SENSÖRÜ
Şekil-44
Lidar’ın örneklem sayısı, direkt olarak robotun hızlı ve isabetli bir şekilde haritalar oluşturup oluşturamayacağını belirlemektedir. RPLIDAR A3, gelişmiş dahili optik tasarım ve algoritması sayesinde, çoğu rakiplerinden çok daha yüksek olarak saniyede 16000 örnek toplamaktadır. Algoritma optimizasyonuyla, RPLIDAR A3’ün ölçüm mesafesi 25 metreye çıkarılmıştır. Böylece daha fazla dış mekan verisi toplanabilmektedir.
Şekil-45
RPLIDAR A3, iki alternatif modda çalışmayı destekler: gelişmiş mod ve dış mekan modu. Gelişmiş moda alındığında, RPLIDAR A3 iç mekanlarda iyi bir haritalama performansı sergilemek için en yüksek mesafe yarıçapı ve örneklem sayısında çalışmaktadır. Öte yandan dış mekan modundayken RPLIDAR A3, gün ışığı parazitlerine karşı daha temkinli bir şekilde çalışmaktadır. Beyaz ve siyah nesneleri tespit ederken stabil performansını korumaktadır.
Şekil-46
RPLIDAR A3’ün mesafe algılama çekirdeği, etrafındaki çevre için 360 derecelik çok yönlü lazer menzil taraması gerçekleştirmek ve ardından bu çevre için bir ana hat haritası oluşturmak üzere saat yönünde çalışmaktadır.
SLAMTEC A3 RP LİDAR sensörünü seçmemizin en büyük sebebi bütçemiz
doğrultusunda yarışma gereksinimlerini minimum seviyede karşılayacak şekilde duvar takip algoritmasını başarıyla çalıştıracak olmasıdır. Sahip olduğu 25m menzil özelliğiyle diğer aynı tür lidarlardan daha etkili çalışmaktadır.
4.2. ZED STEREO KAMERA
ZED Kameralar, otonom navigasyon ve AR (arttırılmış gerçeklik) uygulamalarına yönelik üretilmiş bir stereo kameradır. Derinlik algısı bu uygulamalar için oldukça önemlidir ve ZED markası bu noktada insanda görme (human vision) yapısını taklit etmektedir. Stereolabs firması ZED kameralar ile birden fazla AR probleminin üstesinden gelmiştir: bunlar konumsal izleme (positional tracking) ve açık alanda istenen kalitede 3D görüntülerin elde edilmesidir.
Şekil-47
ZED Kameralar basitçe drone, insansız hava aracı, araba veya robota takılmakta ve bu yapılara 3D görüntüyle birlikte bir derinlik algısı kazandırmaktadır. ZED, IR veya lazer ışığı (projeksiyon yöntemi) ile çalışmaz. Sadece iki VGA kamerası vardır. Bu kameralar harici bir GPU ile konuşur ve Stereolab'ın özel yazılımı sağ ve sol kameranın verdiği görüntüler arasındaki küçük piksel farklılığından derinlik bilgisini çıkarır (stereovision). Bu şekilde Microsoft Kinect gibi IR tabanlı teknolojilerin kısıtlarından kurtularak kapalı ve açık alanlarda sağlıklı görüntüler elde edilir. Bu aynı zamanda kullanıcının 3D görüntü içinde nerede olduğunu anlayabilme (positional tracking) sorununu da çözmektedir. ZED tüm işi kendi yapmaz, verileri (video imajları) takıldığı host bilgisayara gönderir. İstenen performansa ulaşmak için Stereolabs NVIDA grafik kartına sahip "CUDA-capable" bilgisayarları tavsiye edilmektedir (Özellikle küçük boyutlu CPU-GPU barındıran ve 3D Stereo işleyebilen NVIDA JETSON TK1).
Şekil-48
ZED'le ayrıca 3D görüntüler ve nesneler yakalanıp bilgisayar animasyonları ve renderlara eklenebilir, objelerin detaylı 3D görüntüleri elde edilip 3D printer üzerinden çıktısı alınabilir. Katılımcıların Oculus Rift gibi HMD (Head Mounted Displays) giydiği bir topluluk için 3D video konferans düzenlenebilir veya bir kalabalık içindeki insan sayısı çıkartılabilir.
Akıllı telefon kamera teknolojisine dayanan ZED kamera, küçük, hafif, düşük maliyetli ve yine de yüksek kaliteli çıktıya sahip olacak şekilde tasarlanmıştır. İki kameranın 16 x 9 geniş ekran formatında 4.416 x 1.242 piksel sensörü vardır. Kamera optiği, 110 derecelik görüş alanına izin vermektedir. ZED’in sensörleri 120mm (4,7 inç) aralıklıdır, bu da 1,5 ile 20m arasında stereo derinlik bilgisi sağlamaktadır.
ZED kamerayı ROS sistemine uyumlu olması ve kullanmış olduğumuz algoritmaları en sağlıklı şekilde çalıştırabilme yeteneği için tercih edilmiştir.
6.3. Sensörlerin Konumlandırılması
Sensörlerimiz kabuk üzerinde sağlam ve titreşimi engelleyen mekanizmalar ile ölçülere uygun şekilde konumlandırılmıştır. Lidar sensörü kabuğun en alt ve en sabit kısmına denk gelecek şekilde yerleştirilmiştir. ZED kamera ise levhaları görecek şekilde kabuğun en üst noktasına yerleştirilmiştir. Sensörlerin konumu şekil-49 belirtildiği gibidir.
Şekil-49 Sensörlerin Araçtaki Konumlandırılması
Lidar, kabuk sınırlarını aşmayacak şekilde kabuk yüzeyinden alınarak yapılan tasarım ile kabuğa sabitlenmiştir. Mekanizma denemeler sırasında 3D parçanın sıcaklıktan etkilenmemesi için köpük ile kaplanmıştır. Mekanizmanın tasarımı ve son hali Şekil-52 de verilmiştir.
Şekil-50
Şekil-51
Şekil-52 Lidar Mekanizmasının Kabuktaki Konumu
Şekil-53 Kamera Mekanizmasının Kabuktaki Konumu
6.4.Sensör Füzyon Algoritmaları
Sensör füzyon farklı kaynaklar tarafından üretilmiş olan verilerin (kamera ve lidar) birleştirilerek sistemde kullanılması anlamına gelir. Kullanma sebebimizde bilgilerin daha anlaşılır ve daha az belirsiz olmasıdır. Çalışma mantığında da sensörlerin birbirlerine göre kalibre edilmeleri gerekmektedir. Bu kalibrasyon, kamera ekseni ile lidar ekseni arasındaki lineer ve açısal dönüşümü ifade eden bir dönüşüm matrisi yardımı ile yapılmıştır.
Birbirini daima tekrar eden iki adımdan oluşur:
1. Tahmin
Tahmin aşaması, aracın bulunduğu andaki çevresini algılama işlemidir. Etraftaki objelerin yerleri tahmin edilir.
2. Güncelleme
Güncelleme kısmı ise yeni gelen sensör verisini, daha önce tahmin edilen çevreye göre anlamlandırarak çevreyi güncellemektir.
Kamera kalibrasyonu için yansıtma ve bozulma matrisleri kullanılmaktadır. Kalman Filtresi sistemin önceki durumlarına göre, bir sonraki durumlarını tahmin eden ve bunu yapabilmek için sistemin matematiksel modelini oluşturan bir algoritmadır. Biz de sensor füzyondan aldığımız girdi verilerine göre sistemin sonraki durumlarını tahmin etmekteyiz.
Kalman Filtresi kullanma sebebimiz elimizdeki sensör füzyon verilerinin gürültülü veri verecek olmasıdır. Kalman Filtresi gerçeğe olabildiğince yakın bir tahminde bulunmamızı sağlar.
Lidardan alınan mesafe verilerinin pist alanındaki bariyerlerin girintili çıkıntılı olmasından dolayı aracın direksiyon açısındaki ani değişimleri önlemek için sensör füzyon algoritması olarak kalman filtresi kullanılması hedeflenmiştir.
Aracımız 2D lidar ile duvar takip algoritmasına veri iletirken ZED Stereo kamera ise görüntü işleme için kullanılmıştır. Levhaların konumunu bilmesi ve park algoritması için lidar ile kamera yazmış olduğumuz sensör füzyon algoritmalarıyla bizlere 3D bir harita çıkarmaktadır.
Bu sayede araç kendi konumunu ve levhaların konumunu bilmektedir.
Sensor füzyon algoritmalarımızı yine Python üzerinden ROS sistemi kullanarak çalıştırmaktayız.
5. Araç Kontrol Ünitesi
Robotaksimizin genel araç kontrol ünitesi JETSON TX2 kartıdır. Direksiyon sistemi üzerindeki step motor sürücü kontrolü JETSON üzerinden sağlanmaktadır. JETSON harici olarak araç üzerinde Arduino kartı vardır. Arduino ile otonom gaz mekanizmasındaki servo ve fren sistemindeki step motor kontrolü sağlanmaktadır. Arduino da JETSON ile
haberleşmektedir. Haberleşme USB port üzerinden yapılmıştır.
Görüntü işleme ve sensörlerden veri alma işlemi JETSON kartı üzerinden yapılmaktadır.
JETSON TX2 Developer Kit, modül AI süper bilgisayarı JETSON TX2’ye odaklı donanım ve yazılım geliştirilebilmesi için hızlı ve kolay bir yol sağlamaktadır. Ürün, geliştirici kartının donanımsal yeteneklerini ve arayüzlerini kullanmayı sağlar, tasarım rehberleri ve diğer
dökümantasyonları içerir. Linux geliştirme ortamı hazır olarak gelmektedir. Aynı zamanda BSP, derin öğrenme kütüphaneleri, görüntü işleme, GPU hesaplama, multimedya işleme ve çok daha fazlasını içeren tam paket bir SDK olan NVIDIA Jetpack’i desteklemektedir.
Şekil-54
Aracımızdaki sensörlerden alınan bilgiler ana birimimiz olan JETSON kartına gönderilecektir. JETSON kartı alınan bu bilgileri belirli algoritmalar ve yazılımlarla işleyip, sonrasında oluşan bilgiyi ROS sistemine aktaracaktır. Bu işleyiş doğrultusunda aracın davranışları kontrol edilmektedir.
Şekil-55 ROS İşleyiş Şeması
5.1.Kablosuz Haberleşme Sistemi
Aracımızı uzaktan harekete geçirmek ve durdurmak için kullanacağımız komutların araca iletiminde XBee modülü kullanılmıştır. Verici olan modül bilgisayarımızda, alıcı olan modülümüz aracımızda, acil kapanışı sağlayacak olan röleyle bağlantılıdır. Haberleşme sistemimiz Şekil-56 de belirtildiği gibidir.
Şekil-56
Xbee IEEE 802.15.4 ağ protokolünü kullanmaktadır. Point to point (noktadan noktaya) veya point to multi-point (noktadan çok noktaya) şeklinde haberleşmeyi desteklemektedir.
Noktadan noktaya veri aktarımı için seri 1 modül idealdir diyebiliriz.
Zigbee ise IEEE 802.15.4 ve ZigBee Mesh haberleşme protokolüne uygun olarak geliştirilmiştir. IEEE 802.15.4 standardına göre en önemli özelliği düşük güç tüketimi, uzun menzilde veri iletimi ve ağ desteğidir. Zigbee, adını arıların zig-zaglı karmaşık hareket
yapılarından alır. Xbee modüllerinin üzerinde bulunan analog, dijital pinler vasıtası ile analog ve dijital değerleri okuyabilir. UART seri iletişim pinleri vasıtası ile başka cihazlarla iletişim kurabilir. Point to Point ve Point to Multi-Point gibi noktadan noktaya veya çok noktalı ağlar içerisinde haberleşmeyi desteklemektedir.
6. Otonom Sürüş Algoritmaları
6.1.PID ile Duvar Takibi Algoritması
Bir mikrodenetleyici çıkıştan geri besleme (feedback) ile gelen sinyali giriş (referans) sinyali ile karşılaştırır ve farkından bir hata oluşturur. Bu oluşan hataya göre PID algoritması hatayı en aza indirgemeye çalışarak bir etki yapar ve çıkışa gönderir. Bu şekilde hata en aza indirilene kadar çıkıştan girişe sürekli geri besleme ile hatalar belirlenir ve denetleyici etkisini çıkışa göndererek hata azaltılır. Bizim algoritmamızda da Lidar üzerinden gelen veri ile duvara yakınlığı ölçülmekte ve buna göre bir teker açısı çıktısı vermektedir. PID kontrol daha çok doğrusal sistemlere basitçe uygulanabilmektedir. PID kontrol algoritmamızı kullanabilmemiz için bizden 3 değer istenmektedir. Bunlar;
► P (Proportional) Oransal
► I (Integral) İntegral
► D (Derivative) Türevsel
Bu değerler simülasyon üzerinden aracın matematiksel bir modelini çıkartamadığımız için deneme yanılma yöntemi ile bulunmuştur. PID algoritmasını gerçek hayata uyarlarken Pixhawk kartı kullanılmaktadır. Mission Planner simülasyon programı üzerinden değer vererek aracımıza en yakın çıktıları bulmaya çalışmaktayız.
Bu algoritmayı simülasyon ve gerçek hayatta aracın lidar aracılığıyla dışarıdan almış olduğu mesafe verisiyle yapacağı duvar takibi için kullanmaktayız. Bu algoritma sayesinde araç otonom dönüş ve yol mesafesine göre en az hatalı şekilde kendini ortalayabilmektedir.
6.2. Find Object 2D ve Find Object 3D Algoritması
ROS üzerinde Find Object 2D ve Find Object 3D yazılımı üzerinde obje tanıması ve objenin 3 boyutlu koordinatlarına ulaşmak için kullanmaktayız. Objeleri tanımakta ve
objelerinin koordinatlarını bu algoritma sayesinde ana(main) fonksiyonumuza göndermekteyiz.
Park görevini bu yazılım sayesinde yapmaktayız. Bu yazılımın içinde farklı obje tanıma algoritmaları çalışabilmektedir. Biz SURF (Hızlandırılmış Gürbüz Öznitelikler) ve SIFT (Ölçekten Bağımsız Öznitelik Dönüşümü) adlı nesne tanıma algoritmalarını seçmekteyiz. Bu algoritmalar nesne tanıma için kameradan gelen görüntüyü önce siyah beyaz (Gray) formata çevirmekte daha sonra bu nesnelerin kenar ve köşelerini öğrenerek objeyi hafızaya almaktadır.
Bu algoritma sayesinde Gazebo simülasyon ortamında başarılı bir şekilde levha tanıtma ve park görevini yerine getirmekteyiz.
6.3.Hector Mapping Algoritması
ROS ile entegre biçimde çalışan bu algoritma Lidar verisini kullanarak 2 boyutlu bir harita oluşturmayı sağlamaktadır. Bu haritayı kamera ile oluşturduğumuz harita (SLAM) ile birleştirerek path-planning yapmaktayız. Bu algoritmayı park görevinde harita bilgisi için kullanmaktayız.
Şekil-57
6.4. SLAM (Simultaneous Localization and Mapping) Algoritması
Bu algoritma ROS ile entegre biçimde çalışmaktadır. Bu algoritmada ZED kamerasından gelen derinlik bilgili görüntüyü alarak bize 3 boyutlu bir harita oluşturmaktadır. Bu harita
sayesinde trafik levhalarının yerini belirleyip ve aracın konum bilgileriyle eşleştirmekteyiz.
Algoritmanın RVIZ çıktıları Şekil-58 de verildiği gibidir.
Şekil-58
6.5. Teb Local Planner
Bu algoritma Hector Mapping algoritmasından gelen haritayı kullanarak park levhasının önüne park etmemizi sağlamaktadır. Algoritmanın RVIZ çıktıları Şekil-59 de verildiği gibidir.
Şekil-59
Pembe olan rota (path) lokal plan yeşil olan rota ise global planı göstermektedir.
6.6.Lidar Obje Takibi Algoritması
Bu algoritmada aracın önünde hareketli bir nesne olup olmadığı kontrol edilmektedir.
Lidar görüş alanı içerisinde (bu da aracın önünde 180° açıdan oluşan yarım dairedir.). Ana fonksiyona giden lidar bilgisi her tarama paketi geldiğin de bu algoritmayı çalıştırarak hareketli objeyi kontrol eder ve eğer var ise aracı durdurmaktadır. Test esnasında hayati öneme sahip bir algoritmadır.
6.7. YOLO Algoritması
YOLO, konvolüsyonel sinir ağlarını (CNN) kullanarak nesne tespiti yapan bir
algoritmadır. Açılımı “You Only Look Once“, yani “Sadece Bir Kez Bak“. Bu adın seçilmesinin nedeni algoritmanın nesne tespitini tek seferde yapabilecek kadar hızlı olmasıdır.
YOLO algoritması çalışmaya başladığında görüntülerdeki veya videolardaki nesneleri ve bu nesnelerin koordinatlarını aynı anda tespit etmektedir.
Video ve resim işleme arasında tek fark resimlerin tek bir kareden (frame), videoların ise birçok kareden oluşmasıdır. Resimlerde algoritma tek bir kare için çalışırken, videolarda tüm kareler için tekrar tekrar çalışır. YOLO algoritması, öncelikle görüntüyü bölgelere ayırır.
Daha sonra her bir bölgedeki nesneleri çevreleyen kutuları (bounding box) çizer ve her bir bölgede nesne bulunma olasılığı ile ilgili bir hesabı yapmaktadır.
Ayrıca her bir bounding box için bir güven skoru hesaplamaktadır.
Bu skor bize o nesnenin yüzde kaç olasılıkla tahmin edilen nesne olduğunu
söylemektedir. Örneğin, bulunan bir araba için güven skoru 0,3 ise bunun anlamı o nesnenin araba olma olasılığının oldukça düşük olduğudur. Diğer bir deyişle, YOLO yaptığı tahminin güvenilmez olduğunu bize söylemektedir.
Bounding box’ların içindeki nesnelere non-maximum suppression adlı bir teknik
uygulanmaktadır. Bu teknik güven skoru düşük olan nesneleri değerlendirmeden çıkarır ve aynı bölgede güven skoru daha yüksek bir bounding box‘ın varlığını kontrol eder. Her bir bölgede nesne olup olmadığı araştırılır. Eğer bir nesne bulunursa o nesnenin orta noktası, yüksekliği ve genişliği bulunur daha sonra bounding box çizilir. Bunun yapılabilmesi için bir takım alt işlemlerin yapılması gerekir. Her bir bölge için bir tahmin vektörü oluşturulur, bu vektörlerin içinde güven skoru yer alır.
Eğer güven skoru 0 ise orada nesne yok, 1 ise orada nesne var demektir. Aynı resim içerisindeki aynı nesne için birden fazla bounding box çizdirilebilir. İşte bu sorundan kurtulmak içinde, daha önceden sözü edilen non-maximum suppression tekniği kullanılmaktadır. Bu teknik ile yapılan şey basitçe, en yüksek güven skoru olan bounding box’ın kalması diğerlerinin ise görüntüden atılmasıdır.
Şekil-60
YOLO algoritmasını kullanırken şartnamede verilen trafik levhalarını tanıması için kameramız ile kendi kütüphanemizi oluşturup çerçeveleme işlemini yaptıktan sonra veri setimizi eğitmekteyiz.
Şekil-61 de verildiği gibi kendi kütüphanemizi oluştururken yarışmadaki levhaları farklı ışık ve açılardan çekerek sonrasında çeşitli programlarla etiketleme işlemini yapmaktayız.
Şekil-61
Şekil-62 Box Label Tool ile Labellama Aşaması
Şekil-63 Make Sense Programında Labellama Aşaması
Şekil-64 Train Aşaması
Şekil-65 Çıktı Alma Aşaması
Şekil-66 Çıktı Alma Aşaması
7. Özgün Bileşenler
Öncelikli olarak Robotaksi araç kabuğu ve kabuğa uygun yapılan şase tasarımı özgün tasarım olup bizler tarafından tasarlanmıştır. Ön tasarım raporunda hedeflendiği gibi bütün üretim ve test aşamaları kendi atölyemizde yapılmıştır.
Aracımızın bütün otonom alt sistemlerinin tasarımı yerlidir. Araç direksiyon kutusu, elektronik direksiyon sistemi, elektronik fren pedalı ve elektronik gaz sistemlerinin tasarımları ekip tarafından yapılmıştır. Yapılan otonom sürüş sistemlerinin üretim ve montaj aşamaları bizler tarafından atölyemizde gerçekleşmiştir.
Algoritma kullanımı ve Robotaksi için tasarlanan step motor kontrol, servo motor kontrol ve görevleri yerine getirmesi için gerekli olan bütün yazılımlar ekip tarafından yapılmıştır.
Ayrıca sensörlerin konumlandırılması ve bütün gerekli alt parça mekanizmalarının tasarımları ekip tarafından yapılmıştır.
2019 yılında TÜBİTAK Efficiency Challenge Electric Vehicle TR yarışmasına katılmış olduğumuz Ecotron-4 adlı aracımızın kabuk tasarım ve üretim bütün aşamaları kendi
atölyemizde yapılmıştır. Aracımızın kabuğu Efficiency Challenge ve Robotaksi yarış ölçülerine uygun yapılmıştır.
Ayrıca aracımız otonom bir araç olarak ve yarışma koşullarına göre üretildiği için araçta manuel kontrol sağlanamamaktadır. Bu yüzden kendi oluşturmuş olduğumuz algoritma ile aracımızı klavye ile kontrol edebilmekteyiz.
Aracımızda direksiyon ve gaz pedalı bulunmaması sebebiyle, test alanı, parkur veya yarış alanına konforlu ve güvenli bir şekilde ulaşmak bizim için önem arz etmektedir. Bu sebeple daha önce uzaktan kumanda kullanarak çözdüğümüz bu süreci Bluetooth klavye ve özgün yazılımımız ile uzaktan aracı kontrol ederek daha sade ve etkili bir şekilde çözülmüştür. Bu sayede eski yöntemimizde kullanılan: Uzaktan kumanda, pil, alıcı ve ekstra bağlantılara ihtiyaç kalmadan, sadece aracın kontrol bilgisayarının klavyesiyle kullanabilmek mümkün olmaktadır.
Python ve Python ile seri haberleşen bir Arduino kodu kullanarak kendi oluşturduğumuz sistemimiz, maksimum açısını bilerek direksiyon manevrası, fren, kademeli hız arttırıp azaltma ve sabit hızla gitme gibi özelliklere sahiptir.
Şekil-67
Şekil-67 deki Python kodumuzda herhangi bir tuşa basıldığında anında girdi alınıp, işlenip, çıktı alınabilmektedir. Direksiyon kısmı kendi maksimum açı değerlerine uygun manevra yaparak mekanik bir arıza çıkarmadan dönüş yapmaktadır. Aracın hızı kademeli olarak artırıl azaltılabilmektedir. Gaz ve fren işlemlerinde Arduino ile seri haberleşme kullanılmaktadır.
Şekil-68
Şekil-68 deki Arduino kodumuz Python ile haberleşerek, sağlanan şartlara girip, fren sistemimizdeki step motor sürücüyü veya gaz sistemimizdeki servo motor – PWM
mekanizmamızı çalıştırarak, aracımızın fren ve gaz fonksiyonlarını yapabilmesini sağlamaktadır.
Yapılan bütün yerlilikler raporun diğer kısımlarında ayrıntılı bir şekilde bahsedildiği için bu kısımda daha fazla yer verilmemiştir.
8. Güvenlik Önlemleri
Şartnamede belirtilen güvenlik önlemleri kapsamında aracın herhangi bir yerinden testler ve sürüş esnasında insana ve çevreye zarar vermemek için hiçbir çıkıntı ve keskin nokta bulunmamaktadır. Bu sebeple araç kabuğuna takılacak bütün sensörler için özgün mekanizma tasarımları yapılmıştır.
Ayrıca montaj ve kablaj yaparken olması gereken bütün güvenlik önemlerine uyulmuştur.
Bütün kablo uçları uygun soketlerle sabitlenmiştir. Sinyal kabloları ve güç kabloları akımına uygun ve rengine göre seçilmiştir.
Tesisatı düzenlerken testler esnasında kolaylık ve güvenlik açısından bütün kablolar isimlendirilmiştir.
Araç üzerindeki bütün bileşenler izole edilmiştir. Ayrıca aracın bütün şasisi izole halı ile kaplanmıştır. İzole halı elektriği ve ateşi iletmeyen bir yalıtım malzemesidir.
Şekil-69 İzole Halı Montaj Aşaması
Şekil-70
Araç kontrol ünitesi için herhangi bir aksilik olduğunda zarar gelmemesi ve araçtan kolayca takıp çıkarılması için ayrı bir pano tasarımı yapılmıştır. Pano yalıtkan malzemelerden oluşup içerisi sıcaklığa karşı fanlarla montajlanmıştır.
Şekil-71
Şekil-72
Aküleri arabaya sabitlemek ve yalıtımını sağlamak için Şekil-73 de verilen kutu tasarlanmıştır.
Şekil-73
Araç içindeki bütün vida başları keskin uçlar ve herhangi bir tehlike oluşturabilecek unsurlar yalıtkan malzemelerle kaplanmıştır.
Bunlar dışında 2 ayrı alınan güvenlik önlemi vardır;
• Aracın dışına sigorta dışında bir buton yerleştirilecektir. Bu anahtar sayesinde istenmeyen anda motor durdurulabilmektedir.
Şekil-74
• Aracın kabuğunun iç taraflarına piezo elektrik sensörleri eklenecektir. Piezo elektrik sensörleri titreşimden enerji üretirler. Araç herhangi bir şeye temas etmesi durumunda titreşime uğrayacak ve sensörden gelen voltaj artacaktır. Voltajın artması durumunda motor sürücü disarm konumuna gelecektir. Aracımızın kabuğunun sağlamlığı ve yarışma parkur şartlarını göze alarak seçmiş olduğumuz sensörün hatasız çalışmasını
beklemekteyiz. Bu yüzden ani sarsılma ve çukura girme durumları tecrübelere dayanarak yok sayılmıştır.
Şekil-75
Şekil-76 9. Simülasyon ve Test
Simülasyon için ROS ile çok kolay entegre olan Gazebo simülasyon ortamı kullanılmıştır.
Parkur ve trafik levhaları AUTODESK 3DS MAX üzerinden çizilerek .dae formatında Gazebo içerisine eklenmiştir. Araç Gazebo’nun kendi robot model formatı olan .urdf formatındadır.
Algoritmalar ROS ortamında çalışıp çıktı Gazeboya aktarılmaktadır. Araç ölçüleri yukarıda belirtilen ölçülerdedir. Sensörlerin konumları araçta olacağı gibi yerlerindedir. Araç tamamen kodla hazırlanmış olup çizim programı kullanılmamıştır. Parkurun ve aracın Gazebo
ortamındaki hali Şekil-77 de verildiği gibidir.
Şekil-77
Bu sayede araç özellikleri çok hızlı bir şekilde değiştirilebilmektedir. Araç üzerindeki kabuk yarışa katılacak araç ile aynı olup çizimi 2019 yılında yapılmıştır. Algoritmalar ROS ortamında çalışıp çıktı Gazeboya aktarılmaktadır. Gazebo ile ROS bağlantısı Topicler ile Subscribe/Publish mantığı ile çalışmaktadır ve herhangi bir araca gerek yoktur. Simülasyonun ana fonksiyonu çalıştığı anda araç hareket etmeye başlayacak şekilde kodlanmıştır.
Şekil-78 Find Object Algoritmalarının Çıktıları
Şekil-79 Aracın Göreve Başlama Anı
• ROS
ROS yani Robot Operating System, robotun dış dünyadan sensörler aracığıyla aldığı verileri işleyip tekrar robota komut olarak göndermeyi sağlayan ara yüzdür. Buradaki çalışma, alıcı-gönderici mantığında çalışmaktadır. Bilgisayar ile robot arasındaki bu iletişim topic’ler ve mesajlar sayesinde sağlanmaktadır. Açık kaynak kodlu bir sistemdir. Aynı robot üzerinde farklı diller kullanmaya izin verir.
Biz ROS’un Melodic sürümünü Ubuntu 18.04 versiyonu üzerine kurulum yaparak kullanmaktayız. Ubuntu, Linux çekirdeği temel alınarak geliştirilen açık kaynak kodlu, özgür ve ücretsiz bir işletim sistemidir. Otonom algoritmaları VSCode adı verilen Python IDE’si
üzerinden yazıp denemekteyiz.
Simülasyon ortamı olarak Gazebo kullanılmaktadır. Gazebo kullanılmasının sebebi ise ROS ile çok fazla uyumlu olması ve haberleşmenin otomatik olmasıdır. Sensörlerden gelen verilerin gösterimi için RVIZ programını kullanmaktayız. Şekil-80’de ROS’daki bütün algoritmalarımızın ve haberleşmenin çıktıları verilmiştir.
Şekil-80
• Gazebo
İç ve dış mekanlar için 3D robot yapabilecek sistemleri olan açık kaynak bir
simülatördür. Oyun motorlarına benzemekle beraber çok daha aslına uygun fizik motoru vardır.
Robot dizaynı ve testleri için kullanılır. Bizim buradaki kullanım amacımız ROS ile çok fazla uyumlu olması ve dışarıdan müdahalelerin çok daha kolay olmasıdır.
Şekil-81
• RVIZ
RVIZ, ROS için 3D görselleştiren bir frameworktür. Sensör verilerini ve araç modelini 3D olarak gösterecek yeteneklere sahip bir programdır.
Şekil-82
9.1.Simülasyonda Kullanılan Algoritmalar
• SLAM
ROS sistemine entegre olan SLAM ile ZED kamerasından gelen derinlik bilgisini alarak bize üç boyutlu bir harita verir. Bu harita araç, engel ve levha konumlarının belirlenmesini
sağlayabilmektedir.
• Hector Mapping
ROS sistemine entegre olan hector mapping algoritması lidar verisi ile iki boyutlu bir harita oluşturulmasını sağlar. Bu harita, kamera ile oluşturulan harita ile birleştirilerek gidiş güzergahı belirlenmektedir. Bu algoritma park görevinde güzergah bilgisi için kullanılmıştır.
• Teb Local Planner
Bu algoritma Hector Mapping algoritmasından gelen haritayı kullanarak park levhasının önüne park etmemizi sağlar.
• Find Object 2D ve Find Object 3D
Find object algoritmaları, ROS üzerinden objeleri tanımakta ve objelerin koordinatları bu algoritma yardımıyla ana fonksiyona gönderilmektedir. Bu yazılım için farklı obje tanıma algoritmaları çalışmaktadır. Bu algoritmalar nesne tanıma için kameradan gelen görüntüyü önce siyah-beyaz formata çevirir sonra bu nesnelerin kenar ve köşelerini öğrenerek objeyi hafızaya alır.
Bu algoritmalar hakkında ayrıntılı bilgi raporun algoritmalar kısmında yer verilmiştir.
Ön tasarım raporu ve simülasyon sunumu değerlendirme sonuçlarına göre yaptığımız hataların farkına vararak simülasyonda düzeltilmeye gidilmiştir.
Sunum esnasında aracın konum hatası ve sensörlerin konumun kaymasından dolayı aracımız bariyerleri ve levhaları göremediği için simülasyon hatalı çalışmıştır. Sonuçlar sonrasında Gazebodaki yarışma parkuru bariyerleri ve levhaların konumu düzeltilmiştir. Araç üzerindeki kamera ve lidar sensörlerinin kalibresi ve konumları algoritmalarla birlikte
düzeltilmiştir.
Simülasyondan sonra gerçek hayatta denemelere geçtikten sonraki farklılara ve hatalara göre algoritmalar ve kodlarda düzenlemeye gidilmiştir.
Simülasyonda levha tanıma için kullanmış olduğumuz Find Object 2D and 3D
algoritması geçen sene ve bu seneki denemelerimiz sonucuna göre simülasyonda güzel sonuçlar verirken gerçek hayatta yeterli gelmemiştir. Bu yüzden bu algoritma gerçek hayat için
kullanılmama kararı alınmıştır.
Şekil-83
Şekil-84 2020 Yılı Find Object Algoritması Masa Üzerinde Denemesi
Şekil-85 2020 Yılı Find Object Algoritması Araç Üzerindeki Denemesi
İlk görev ve araç test videosu için gerekli olacak olan test sürüşü için okulun içerisine simülasyon ve yarışma senaryosuna uygun bir parkur alanı yapımına başlanmıştır.
Parkur alanı yapılırken şartnamede verilen parkur örneğine göre ve yarışma videolarına göre hesaplamalar yapılmıştır. Hesaplamalar yapıldıktan sonra eldeki imkanlar doğrultusunda atölyemizin önündeki servis park alanına MDF profil sabitleme yöntemiyle parkur yapılmaya başlanmıştır.
Şekil-86
• Şekil-86’daki Solidworks çiziminde çizgilerin sarı olmasının sebebi raporda daha belirgin görünmesini istememizdir.
Şekil-87
Araç Ackermann hesabı ve gerekli olan parkur düzenine göre testler yaparak kontrol algoritmamızdaki değerler sürekli değişime uğramaktadır.
Şekil-88
Şekil-89
Şekil-90
• Araç kabuğumuz otonom sürüş test videosu gönderildikten sonra boyama işlemine gönderilecektir. Görsellerde verilen kabuk aracın son hali değildir.
9.2. Analiz Sonuçları
Yapılan bütün donanım, yazılım veya araç tasarım sürecinde gerçekleştirilen
mühendislik analizlerinin sonuçları raporun diğer kısımlarında ayrıntılı bir şekilde belirtildiği için tekrar bu kısımda bahsedilmemiştir.
Yapmış olduğumuz parkur sayesinde algoritmalarımızı sürekli test ederek analizlerimizi yapmaktayız. Analiz sonuçlarına göre algoritmalarımızdaki verileri sürekli güncellemekteyiz.
10. Referanslar
1. https://www.yavuzlardisli.com/index.php?s=yd/kremayer-disli-hesabi/kremayer-disli/index 2.http://dspace.yildiz.edu.tr/xmlui/bitstream/handle/1/10131/0028138.pdf?sequence=1&isAlowe d=y
3. https://teknofest.org/yarisma-detaylar-7.html 4. https://teknofest.org/yarisma-detaylar-6.html 5. https://www.slamtec.com/en/Lidar/A3
6. https://openzeka.com/urun/nvidia-JETSON-tx2-developer-kit/
7. https://resultuzen.com.tr/blog/index.php/2020/06/05/xbee-nedir/
8. https://github.com/laventura/PID-Control 9. http://wiki.ros.org/find_object_2d
10. https://pjreddie.com/darknet/YOLO/
11. http://wiki.ros.org/hector_mapping 12. http://wiki.ros.org/rtabmap_ros
13. https://github.com/praveen-palanisamy/multiple-object-tracking-lidar 14. https://github.com/HevLfreis/TrafficLight-Detector
15. https://www.makesense.ai/
16. https://github.com/ultralytics/YOLOv5
17. https://github.com/puzzledqs/BBox-Label-Tool
18. https://www.elektrikport.com/teknik-kutuphane/piezoelektrik-sensorler-ve- modellenmesi/21757#ad-image-0
19. https://releases.ubuntu.com/18.04.5/
20. http://wiki.ros.org/melodic/Installation/Ubuntu 21. http://gazebosim.org/tutorials?tut=ros_overview 22. http://wiki.ros.org/RVIZ
23. http://wiki.ros.org/catkin/Tutorials/create_a_workspace
