A Comparison of different approaches to target differentiation with sonar

Abstract

Bu çalışmada, akustik algılayıcılar kullanılarak farklı sınıflandırma ve tümleştirme yöntemlerinin gezer robot ortamlarında sıklıkla karşılaşılan hedefleri birbirinden ayırdetme ve konumlarım kestirmedeki başarımları karşılaştırılmıştır. Bu tür hedeflerin ayırdedilmesi akustik sinyallerin sezimi ve tanınmasına dayalı sistem denetimi, harita çıkarımı, engel bertarafı, hedef izleme gibi uygulamalarla yakından ilgilidir. Kullanılan sınıflama yöntemleri Ayrulu ve Barshan tarafından geliştirilen bir sınıflandırma algoritması, istatistiksel örüntü tanıma yöntemleri, bulanık c-ortalama kümelendirme algoritması ve yapay sinir ağlarım içermektedir. Kullanılan tümleştirme yöntemleri, Dempster-Shafer kanıtsal akıl yürütme ve çeşitli oylama yöntemleridir. Basit çoğunluk oylamasında görülen tutarlılık sorununun çözümü için tercih sıralaması ve değişik güvenilirlik ölçütlerini içeren farklı oylama yöntemleri önerilmiş ve deneysel olarak uygulanabilirliği gösterilmiştir. Yapay sinir ağlarının başarmamı arttırmak amacıyla farklı girdi sinyal dönüşümleri, iki ayrı eğitme algoritması ve modüler ve modüler olmayan ağ yapıları denenmiştir. Elde edilen en iyi sınıflandırma yöntemi olan ve sonar sinyallerinin dalgacık dönüşümünü kullanan yapay sinir ağı, gezer robot ortamlarının harita çıkarımında deneysel olarak kullanılmıştır. Hedef sınıflandırma ve konum kestirimindeki başarımın artırılması amacıyla, akustik algılayıcılara ek olarak kızıl ötesi algılayıcılar ve yapılandırılmış-ışık sistemleri gibi farklı fiziksel yalpıdaki algılayıcı sistemleri de kullanıldı. Anahtar Kelimeler: Akustik algılama, hedef sınıflandırma ve konum kestirimi, yapay sinir ağları, öğrenme, özellik çıkarımı, istatistiksel örüntü tanıma, Dempster-Shafer kanıtsal akıl yürütme, çoğunluk oylaması, algılayıcı sistemleri, akustik sinyal işleme, gezer robotlar, harita çıkarımı, Voronoi diyagram.

This study compares the performances of different classification schemes and fusion techniques for target differentiation and localization of commonly encountered features in indoor robot environments using sonar sensing. Differentiation of such features is of interest for intelligent systems in a variety of applications such as system control based on acoustic signal detection and identification, map-building, navigation, obstacle avoidance, and target tracking. The classification schemes employed include the target differentiation algorithm developed by Ayrulu and Barshan, statistical pattern recognition techniques, fuzzy c-means clustering algorithm, and artificial neural networks. The fusion techniques used are Dempster-Shafer evidential reasoning and different voting schemes. To solve the consistency problem arising in simple majority voting, different voting schemes including preference ordering and reliability measures are proposed and verified experimentally. To improve the performance of neural network classifiers, different input signal representations, two different training algorithms, and both modular and non-modular network structures are considered. The best classification and localization scheme is found to be the neural network classifier trained with the wavelet transform of the sonar signals. This method is applied to map-building in mobile robot environments. Physically different sensors such as infrared sensors and structured-light systems besides sonar sensors are also considered to improve the performance in target classification and localization. Keywords: Sonar sensing, target differentiation, target localization, artificial neural networks, learning, feature extraction, statistical pattern recognition, Dempster-Shafer evidential reasoning, majority voting, sensing systems, acoustic signal processing, mobile robots, map- building, Voronoi diagram.