Çoklu AGV sistemleri için pekiştirmeli öğrenme tabanlı çarpışmasız yol ve hareket planlama algoritması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: SEMİHA ERKOVAN
Danışman: GÖKALP YILDIZ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Son yıllarda Endüstri 4.0 ve yapay zekadaki gelişmelerle birlikte insan müdahalesinin en aza indirilmesi ve öğrenme sistemlerinin süreçlere dahil edilmesi zorunlu hale geldi. Otomatik Yönlendirmeli Araçların (AGV) modern taşımacılık sistemlerine dahil edilmesi otomasyon sağlayarak verimliliği artırmakta ve maliyetleri düşürmektedir. Gelişen teknolojilerle birlikte sektörün talebi, değişimlere kolay uyum sağlayan, dinamik koşullara uyum sağlayan, karmaşık sistemlere uygulanabilen çözümler üretmektir. Bu nedenle, bu tez çalışmasında çoklu AGV taşıma sistemlerinde çarpışmasız yol ve hareket planlama problemi için Takviyeli Öğrenme (RL) tabanlı bir çözüm yaklaşımı önerilmektedir. Bu çalışmada, en iyi bilinen RL yöntemi olan Q-learning algoritması, AGV'nin bir başlangıç noktasından bir hedefe giden en kısa yolu harita üzerindeki engelleri ve dolu konumları dikkate alarak belirlemesi için kullanılmıştır. Başlangıç noktasından itibaren, AGV rota boyunca her adımda bir dizi algoritmik kontrol mekanizmasından geçer. Bir AGV, başka bir AGV gibi dinamik bir engelle karşılaştığında, öğrenme algoritması aracılığıyla mevcut konumundan yeniden yönlendirmeye karar verebilir veya bekleyebilir. Gerçek zamanlı kontrol prosedürü, AGV'lerin sistemdeki beklenmedik olaylara anında uyum sağlamasına olanak tanır. Önerilen yöntem bir simülasyon modelinde çeşitli senaryolarda test edilmiştir. Farklı AGV sayılarına göre değişen tutarlı performans ölçümleri gözlemlenmiş ve yorumlanmıştır. Önerilen yöntem, AGV'lerin harici bir kaçış alanı gerektirmeden, bir çarpışma durumunda sistemi durdurmadan veya manuel müdahale gerektirmeden çalışmasını sağlar.