Otonom dronlar için bir akıllı navigasyon ve engellerden kaçınma sistemi

Abstract

Günümüzde otonom İnsansız Hava Araçları (İHA’lar) özellikle yapılandırılmamış ve engelli ortamlarda görev icrası için giderek daha fazla önem kazanmaktadır. Bu tür karmaşık alanlarda güvenli navigasyon ve etkili alan kapsaması, gelişmiş algılayıcı sistemleri ve yapay zeka tabanlı karar verme mekanizmalarını gerekli kılmaktadır. Bu tez çalışmasında, karmaşık ve engellerle dolu orman benzeri ortamlarda otonom İHA güvenli ve verimli kapsama hareketini gerçekleştirebilmesi amacıyla Derin Pekiştirmeli Öğrenme (DPÖ) tabanlı hibrit bir seyrüsefer sistemi geliştirilmiştir. Geliştirilen sistem, küresel düzeyde deterministik bir çim biçme (lawnmower) kapsama planlayıcısı ile yerel düzeyde engel kaçınma yeteneği sağlayan Yumuşak Aktör-Kritik (YAK) algoritmasının entegrasyonuna dayanmaktadır. Sistem, Robot İşletim Sistemi (RİS) Noetic altyapısı ve Gazebo simülasyon ortamı kullanılarak test edilmiştir. Simülasyon senaryoları, farklı boyut ve yoğunlukta engeller içeren 25×25 m ve 50×50 m ölçülerindeki alanlar olarak belirlenmiştir. Her iki senaryoda da sistemin engel algılama hassasiyeti, kaçınma davranışının tutarlılığı ve alan kapsama verimliliği kapsamlı bir şekilde değerlendirilmiştir. Elde edilen sonuçlar, YAK tabanlı engel kaçınma modülünün yüksek yoğunluklu engel bölgelerinde bile kararlı ve etkili bir kaçınma tepkisi ürettiğini ortaya koymuştur. Ayrıca sistem, engellerden kaçınırken görev bütünlüğünü koruyarak kapsama görevini tamamlayabilmiştir. Bu çalışma, DPÖ tabanlı otonom seyrüsefer sistemlerinin, yapılandırılmamış ortamlarda güvenli ve esnek operasyonlar gerçekleştirmesi adına umut verici sonuçlar ortaya koymakta ve benzer uygulamalar için güçlü bir temel sunmaktadır.

In recent years, autonomous Unmanned Aerial Vehicles (UAVs) have gained increasing importance, particularly for mission execution in unstructured and obstacle-rich environments. Safe navigation and efficient area coverage in such complex domains necessitate the integration of advanced sensing technologies and artificial intelligence-based decision-making mechanisms. This thesis presents the development of a hybrid navigation system based on Deep Reinforcement Learning (DRL) to enable safe and efficient coverage operations by autonomous UAVs in cluttered, forest-like environments. The proposed system combines a deterministic global lawnmower coverage planner with a local obstacle avoidance module powered by the Soft Actor-Critic (SAC) algorithm. The framework was implemented and evaluated using the Robot Operating System (ROS) Noetic integrated with the Gazebo simulation environment. Experimental scenarios were designed within 25×25 m and 50×50 m areas containing randomly distributed static obstacles of varying densities. In both scenarios, the system’s obstacle detection sensitivity, avoidance behavior consistency, and area coverage efficiency were comprehensively evaluated. The results demonstrate that the SAC-based avoidance module consistently produced stable and effective responses, even in high-density obstacle regions. Moreover, the UAV successfully completed the coverage mission while maintaining task integrity through adaptive path reconfiguration during obstacle encounters. This study highlights the potential of DRL-based autonomous navigation systems to perform safe and resilient operations in unstructured environments, offering a robust foundation for future research and real-world applications.