Özet.

Özerk robot sistemlerinin amacı; önceden belirli olmayan bir çevrede, insan müdahalesi olmaksızın yararlı işleri yerine getiren fiziksel sistemler oluşturmaktır. Özerk robot sistemlerinin geliştirilmesi robotlar ile ilgili yapılan araştırmalar arasında önemli bir yer tutmaktadır.Bu sistemlere bu denli ilgi gösterilmesinin iki ana nedeni vardır:

Bu nedenlerin ilki halen kullanılmakta olan endüstriyel robotların esneklikten ve özerklikten yoksun olmasıdır: Bu robotlar önceden programlanmış sırayla ve önceden belirlenmiş çevrelerde işlemleri yerine getirmektedir ve beklenmedik durumlarla başa çıkamamaktadırlar.

İkinci neden ise özerk robotlar için çok uygun bir pazarın oluşmuş olmasıdır: Ofislerde , hastahanelerde, fabrikalarda zeki servis robotları, tehlikeli ortamlarda kullanılmak üzere bakım robotları, felaket bölgelerinde çalışacak kurtarma robotları bu kullanım alanlarına örnek oluşturmaktadır.

Robot teknolojisi alanındaki tüm etkileyici yeniliklere karşın hala daha birtakım teknolojik eksiklikler giderilememiştir. ‘Fuzzy logic’in ise bu eksikliklerin bir kısmının giderilmesine yardım edecek özellikleri vardır.

Aşağıda özerk robotlarda karşılaşılan birtakım zorluklara değinildikten sonra ‘fuzzy logic’e özgü bazı özelliklerin bu sorunların aşılmasına nasıl yardımcı olabileceği açıklanacaktır.

1. Giriş

Özerk olarak hareket etme birbirinden farklı pek çok hedefin aynı anda gözetilmesini gerektirmektedir. Bunların arasında istenen yere ulaşma; gerçek zamanda ortaya çıkabilecek beklenmedik engellere tepki geliştirebilme ; çevrenin haritasını oluşturup bunu kullanma ve geliştirme; bu haritaya dayanarak robotun bulunduğu yeri belirleme; ortamdaki değişikliklere uyum sağlama sayılabilir. Fuzzy logic’in özerk robot uygulamalarında kullanılmasıyla, kolay hareket kontrolü, ilk bilgilerin ya da sensörlerden gelen bilgilerin hatalı olması durumunda performansın güçlendirilmesi sağlanmıştır.

Dinamik bir sistemi kontrol etmek için olan her yaklaşım kontrol edilecek sistemin bazı bilgilerine ya da bir modeline gereksinim duyar. Robotlarda ise system robotun kendisi ve çalışacağı çevredir. Robotun bir modeli kolaylıkla çıkartılabilirken gerçek bir çevrede bu pek olası değildir.Robotun bir ofis içerisinde hareket ettiğini düşünelim. Bu çevre kesin modellemeyi imkansız kılacak değişken elemanlar taşımaktadır. Mobilyalar yer değiştirebilir, insanlar öngörülemez şekilde hareket edebilirler, kapılar açık veya kapalı olabilir vs.

Bu problemi ortadan kaldırmak için önerilebilecek çözümlerden biri de robotun çevreye ait bir modeli çalışma zamanı içinde sensörlerinden yararlanarak oluşturmasıdır. Ancak sensörlerden elde edilen bilginin kalitesi sensörün gürültüsü, algılama alanı  ve algıların nasıl yorumlandığıyla doğrudan ilintilidir.

Yukarıda anlatılan sorunları ilk bilgiler ile sensor bilgilerini daha iyi bir şekilde kullanarak gidermeye yönelik pek çok farklı mimari fikri önerilmiştir. Bu mimariler arasında robotun fonksiyonlarını yüksek ( modelleme ve planlama) ve alçak (algılama ve uygulama) seviye olarak katmanlara ayıran hiyerarşik mimari ile pek çok basit davranış birimlerini birleştirerek karmaşık davranışlar oluşturmayı amaçlayan davranış tabanlı (behaviour-based ) mimari sayılabilir.

Son zamanlarda uygulama katmanını (execution layer) davranış-tabanlı olarak ayrıştıran katmanlı pek çok hibrid yapısı önerilmiştir. Hibrid mimarileri üzerlerinde gün geçtikçe artan fikir birliğine karşın hâlâ bazı önemli soruları cevaplayamamaktadırlar.

Bu sorular:

· Farklı kaynaklardan gelen bilgiler birleştirilirken değişik kesinsizliklerden etkilenirler. Bu sorun farklı sensörlerden gelen ya da aynı sensörün farklı okumaları sırasında elde edilen bilgilerin birleştirilmesi sırasında ortaya çıkar.
· Eşzamanlı, birbiriyle çakışan çok sayıda davranışın (örnek olarak;aynı anda hem bir engelden kaçınmaya ve hem de bir hedefe ulaşmaya çalışma) düzenlenmesi sorun oluşturmaktadır. Bu hangi durumda hangi davranışın gerçekleştirileceğine ve farklı davranışlar sonucu oluşturulan komutların nasıl birleştirileceğine karar verme problemini kapsar.
· Tasarım zamanındaki mevcut sınırlı bilgiye karşın davranış üreten modüllerin hatasız bir operasyonu garanti edebilecek şekilde tasarlanması. Buna tipik bir örnek, öngörülemeyen engel konfigürasyonlarında sonuç veren engellerden kaçınma davranışı uygulamasıdır.
· Soyutlamanın değişik safhalarındaki process’lerin bütünleştirilmesinin sağlanması. Buna örnek olarak
da bilgi-tabanlı planlama ve numerik kontrolün bütünleştirilmesi gösterilebilir.

Fuzzy Logic Nerede Kullanılır?

Fuzzy logic bu boşlukları doldurmada nasıl yararlı olabilir? Fuzzy kontrol tekniklerinin güçlü bireysel davranış birimleri tanımlamak için kullanılabilir. Fuzzy logic controller’lar deneyimlerle elde edilen ve if-then kuralları formundaki kontrol bilgilerini kapsamaktadırlar ve kontrol edilecek sistemin kesin bir lineer modelinin kolaylıkla yaratılamadığı durumlarda kullanılmak için oldukça elverişlidirler.

Fuzzy contoller’lar parametrelerin çok değişken ve kesin olmayan nitelik gösterdiği durumlarda da oldukça güçlüdürler. Fuzzy logic controller’lar şimdiye değin pek çok özerk robotta kullanılmışlardır. Bunlara ilk örnek Sugeno’nun fuzzy controlled model otomobilidir [1]. Daha sonra ödüllü robotlar Flakey [2;3], Marge [4] ve Maria[5] ‘da fuzzy logic controller’lar kullanılmıştır.

Fuzzy logic aynı zamanda farklı modüllerdeki kesin olmayan bilgilerin gösterilmesinde de kullanılabilir. Fuzzy logic çok farklı şekillerdeki kesinsizliği modelleyebilir. Bunların arasında olasılık teorisi tarafından tamamıyla açıklanamayan belirsizlikler de vardır. [6;7]

Bunlardan başka fuzzy logic, uygulamaya en uygun birleşimin seçilmesini sağlayacak pek çok birleştirme mekanizması sunabilmektedir. Bu özellikler robot uygulamalarında sensor bilgilerinin birleştirilmesi ve uygunluk problemlerinin çözümünde kullanılmışlardır. Fuzzy logic tarafından sağlanan birleştirme mekanizmaları komutların birleştirilmesi sırasında da kullanılabilir.

Fuzzy logic’in başka bir kullanım alanı da fuzzy (meta-) kurallarının davranışlar konusunda hüküm verme stratejilerinin belirlenmesinde kullanılmasıdır. Meta-kuralları ‘if koşul then davranış’ formunda her davranışın ne zaman ve hengi derecede gösterileceğine karar vermede kullanılır.

Son olarak fuzzy logic’in kendine özgü en önemli özelliğinden bahsetmemiz gerekirse bu da
fuzzy logic’in nümerik (‘fuzzy’) ve sembolik (‘logic’) uslamlama yönünü bütünleştirebilme yeteneğidir. Bu yetenek karmaşık kontrol yasaları tanımlayabilmesi için bir araç işlevi görür ve fuzzy logic’in başarısının odağını oluşturur. Fuzzy logic’in bu iki yönlü doğası, sembolik hesaplamaları gerçekleştiren yüksek-seviye katmanlar ile sayısal işlemeyi gerçekleştiren alçak-seviye katmaların bütünleştirilmesi sırasında ortaya çıkabilecek problemleri göğüsleyecek bir araç olmasını sağlar.Buna rağmen bu anlamda yapılan önerilerde fuzzy logic, bütünleştirici bir araç olarak nadiren dikkate alınmıştır. Ama fuzzy logic’in özerk robotic projelerinde gelecekte üstün başarı kazanmasında asıl özelliğin bu bütünleştiriciliği olacağı vurgulanmaktadır

2 Özerk Robotlar

Özerk mobil robotlarların (autonomous mobile robotics) hedefi önceden tanımlanmamış çevrelerde insan müdahalesi olmaksızın bir hedefe yönelik hareket edebilen fiziksel sistemler oluşturmaktır. Robotun hareket edeceği çevre robot için özel olarak tasarlanmamış olmalıdır. ‘Özerk robotların hareketleri ‘ robotlar üzerinde halen yapılmakta olan araştırmalar arasında en çok üzerinde durulanıdır. Bu ilginin nedeni varolan teknolojinin yeni uygulama istekleri karşısında yetersiz kalmasıdır.

Endüstriyel robotlar esneklikten ve özerklikten yoksundurlar ve oldukça kısıtlı çevrelerde hareket edebilirler; yeni çevrelerde hareket etme ve beklenmedik durumlara tepki geliştirebilme yetenekleri yoktur. Tamamıyla özerk robotlara ise pek çok alanda ihtiyaç duyulmaktadır. Özerk robot uygulamalarına örnek olarak ofisler için servis robotları, felaketlerde ya da güç ulaşılabilen yerlerde çalışmak için kurtarma robotları, temizlik ya da eğlence için domestik robotlar, özürlü insanlar için yarı özerk araçlar sayılabilir.

2.1 Özerk Robotlarda Karşılaşılan Güçlükler

Son yıllarda özerk robotlar alanındaki etkileyici gelişime karşın hâlâ çözümlenmemiş pek çok problem bulunmaktadır. Zorlukların çoğu gerçek-hayatın doğası gereği olarak ortaya çıkarlar.Bu zorluklar önceden tanımlanmamış çevreler ve bu çevrelere ait belirsizlikleri içerir. Çevreye ilişkin ilk bilgiler genelde eksik, belirsiz ve tahminidir. Örneğin haritalar genellikle bazı ayrıntıları ve değişken özellikleri ihmal ederler; eşyalar arasındaki metrik ilişkiler haritanın oluşturulduğu andan sonra değişebilir. İkinci olarak elde edilen bilgi genellikle güvenilmezdir.Sınırlı bilgiler çevre özellikleri ve gözlem yapmayı zorlaştıracak koşulların (örnek:zayıf ışık) etkileriyle birleşince gürültülü ve belirsiz veri elde edilmesine neden olur. Bu da yorumlamada hataya, dolayısıyla yanlış kararlar alınmasına neden olabilir. Üçüncü olarak gerçek-dünyadaki çevreler karmaşık ve önceden tahmin edilemez dinamiklere sahiptirler; nesneler yer değiştirebilir, görece sabit parametreler de zaman içinde değişebilir (mevsimsel değişiklikler).

Robotlar alanındaki geleneksel çalışmalar bu zorlukları daha özenli şekilde tasarlanan robot sensörleri kullanarak, robotun işlev göstereceği ortamı özel olarak tasarlayarak aşmaya çalışmışlardır. Bu çözümler endüstriyel robotlarda uygulanmışlardır. Özerk robotlar için de özel tasarlanmış çevre (environment engineering), günümüzün manyetik bant üzerinde yürüyen robotlarında uygulanmıştır.

Çevrenin özel olarak tasarlanması maliyeti arttırmakta ve robotun özerkliğinin azalmasına neden olmaktadır. Ayrıca bu çözüm tüm ortamlarda uygulamaya elverişli değildir. İstenen evlerde,ofislerde,fabrikalarda kullanılacak kolayca erişilebilir bir robot tasarlamaksa, çevrenin robota uyum sağlaması gerekliliğinin kabul edilemeyeceği aşikârdır. Günümüzün özerk robotlarının en önemli amacı, çevreye ait tüm belirsizliklere karşın karmaşık uygulamalar geliştirebilmektir.

Fuzzy logic belirsizliğin yolaçtığı güçlüklerle başedebilmek için çok yararlı bir araçtır. Konunun daha iyi anlaşılabilmesi için ‘fuzzy logic’ ve ‘belirsizlik’ kavramlarının açıklanması yerinde olur.

Fuzzy Logic (Bulanık Mantık )Boolean Logic’ten daha kapsamlı kısmi doğru (tamamen doğru ile tamamen yanlış arasında) tanımı yapılabilen mantık sistemidir. Dr. Lotfi Zadeh of UC/Berkeley tarafından 1960’larda tanıtılmıştır. Fuzzy logic’te doğrunun 0’dan 1’e kadar değişen aralıkta değerleri vardır. Fuzzy Logic beynimizin çalışma şekline yakın bir şekilde işlemektedir. Zadeh’e göre [8] fuzzy logic hakkında dar ve geniş anlamlarda konuşmak mümkündür. Dar anlamıyla ele alırsak fuzzy logic formal logic sistemlerinin ‘syntactic’ ve ‘semantik ‘ bir araçla donanmış şeklidir. Önermeler derecelendirilmiş doğruyu kabul ederler. Özerk robot literatüründe çok az sistem bu şekilde tasarlanmıştır.Fuzzy logic’in kullanıldığı pek çok uygulama, fuzzy logic’i geniş anlamda algılar. Geniş anlamda ele alma ‘fuzzy set ‘ teorisine dayanan tüm tekniklerin kapsanmasıdır.

Bunlara örnek olarak fuzzy topolojisi, fuzzy lineer programlama, fuzzy expert sistemler ve fuzzy logic’e dayanan karar kontrol sistemleri gösterilebilir.

Açıklanması gereken ikinci terim ise ‘belirsizlik’ tir. Belirsizlik bilginin bir özelliği değil, temsilcinin (agent) özelliğidir. Temsilci, bir nesnenin varlığı; önermenin doğruluğu ya da yapılacak hareket hakkında kararsız olabilir. Şüpheli, kesin olmayan bilgiden bahsedilirken bilginin bazı yönlerden zayıf olduğu ve temsilci üzerinde belirsizliğe neden olduğu anlatılmaktadır. Örnek olması için verilen bir bloğu tutması istenen bir robotu düşünelim. Bu görev bloğun yerinin yüksek kesinlikte bilinmesini gerektirmektedir. Eğer bilgi (i) ‘blok masanın üzerinde’ şeklinde veriliyorsa bu bize tek bir yer gösteremediği için çok zayıf bir bilgidir ve belirsizdir. Bilgi (ii) ‘Blok masanın ortasına yakın bir yerde’ şeklinde ise bu da kesin bir yer söyleyemediği için belirsizdir. Bilgi (iii) ‘Blok dün (3;5) koordinatlarında görüldü ‘ şeklinde ise bu da güvenilirliği olmayan bilgidir. Tüm bu üç bilgi de robota bloğun tam olarak yerini bildiremedikleri için belirsizdir.

Genel olarak kesin olmayan bilgiden bahsedildiğinde, bilginin bu konudaki zayıflığı anlatılmak istenir.

Bu konuda gereklilik, bilginin kesin olmayan şekilde temsilinden kaynaklanan zayıflığın mevcut ayrıntılar aracılığla ifade edilmesidir. Bu anlamda fuzzy logic tekniklerinin etkileyici özellikleri bulunmaktadır.

2.2 Robot Mimarileri

Pek çok durumda olayları karakterize ederek , olasılıklarını tanımlayan anlamlı önerm
eler yazmak mümkün değildir. Robotun çevre ile etkileşimi de benzer güçlüklere neden olur: Robot, hareketleri ve sensörlerinden bilgi alması sırasında önceden kestirilemeyecek ve çevreye bağlı pek çok etkenin etkisi altında kalır. Islak zeminler, yeterli olmayan aydınlatma koşulları bunlara örnektir.

Bu belirsizlikten kaynaklanan zorluklarla başa çıkmanın yolu, tasarım zamınında çevreyi tamamıyla modellememek; bunun yerine robotu, modeli kendisi oluşturabilecek şekilde tasarlamaktır. Bu da Şekil 1’deki hiyerarşik yapıya karşı gelir.

Şekil 1: Hiyerarşik Mimari . Üst-seviye katmanlar çevrenin bir modelini oluşturur ve hareket için plan hazırlar. Alt-seviye katman bu planı uygular

Robot extroceptive sensörlerini çevrenin durumunu gözlemek; proprioceptive senörlerini ise kendi durumunu görüntülemek için kullanır. Robot, işin yapılacağı anda extroceptive sensörlerini kullanarak çalışılacak ortamın bir modelini oluşturur. Planlama programı bu modelden yola çıkarak, istenen ortamda istenen işi yapmak için bir plan oluşturur. Daha sonra bu plan yürütülmesi için alt-seviyeye iletilir.

Genellikle yürütme işlemi tekrar sorgulanmaksızın gerçekleştirilir. Controller robotun başarımını görüntüleyebilir ancak ortamı tekrar algılamaya ve modellemeye çalışmaz. Hiyerarşik mimariye robot literatüründe sıkça rastlanır; pek çok durumda plan bir hedefi yerine getirmeye yönelik bir yol ve uygulama da bu yolun izlenmesinden oluşmaktadır. Ancak gerçek-dünyada çalışırken hiyerarşik mimarinin sınırlamalarının olduğu görülür. Robot tarafından ortaya çıkartılan model tamamlanmamıştır ve algılamadaki belirsizlik nedeniyle kesin değildir. Bununla birlikte model dinamik bir çevrede çok çabuk eskir ve geçersiz kalır. Bu modelden üretilmiş plan da uygulama sırasındaki ortam için artık uygun olmayacaktır.

Modelleme ve planlama aşamaları işlemsel olarak karmaşıktırlar ve çok zaman alırlar. Çevreye ait geri-besleme döngüsü tüm process’lerden geçmelidir. Bu nedenle bu uygulama “Sense­Model­Plan­Act”, ya da SMPA uygulaması olarak bilinir. SMPA döngüsü içindeki process’lerin karmaşıklığı robot sisteminin yanıt verme süresini saniyeler seviyesine çıkarır ki bu da dinamik çevreler için çok uzun bir zamandır.

Şekil 2: Hibrid Mimarisi .Alt seviye çevresel değişimlere uyum gösterebilmek için algılama yapar. Uygulama modülü karmaşıktır.

1980’lerin ortalarındaki teknolojik gelişmeler mobil platformların ve sensörlerin maliyetlerinin düşmesine neden olmuş ve pek çok yapay zeka laboratuvarında, mobil robot çalışmaları yapılmaya başlanmıştır. Özerk hareketler üzerine çalışmalar artmış ve algılama-uygulama ilişkisini daha sıkı ortaya koyabilecek mimariler geliştirilmiştir. Bu araştırmalardaki genel eğilim, planlama aşamasında çevre hakında mümkün olduğunca az tahminde bulunmak ve uygulama aşamasını çevreye duyarlı hale getirip, değişikliklere uyum sağlayabilmesini desteklemek yönündedir. Bunu sağlayabilmek için uygulama katmanına algılanan veri (perceptual data) Şekil 2’deki gibi eklenmiştir.

Şekil 3: Uygulama modülünün davranış-tabanlı organizasyonu. Karmaşıklık, böl ve yönet stratejisi ileaşılmıştır.

Bu basit genişletmenin iki önemli sonucu olmuştur. Birinci olarak robotun çevreyle iletişimi, çevre de artık uygulama katmanıyla kapalı döngü içinde olduğundan, daha sıkı bir hâl almıştır. İkinci olarak da uygulama katmanının karmaşıklığı -artık pek çok amacı gözetmek zorunda kaldığından- büyük oranda artmıştır.

Oluşan bu karmaşıklığı aşabilmek için pek çok araştırmacı böl ve yönet stratejisini benimssemişlerdir. Uygulama katmanı küçük karar-verme process’lerine ya da davranışlarına bölünmüştür. Şekil 3 uygulama katmanının davranış-tabanlı olarak düzenlenmesini göstermektedir. Her davranış belirli bir alt-işlem (bir yolu izlemek,belirlenen engellerden kaçmak,kapıdan çıkmak vb.) için kontrol mekanizmasını yürütmektedir. Hüküm verme stratejisi, o anki hedefe ve çevrede oluşabilecek beklenmedik durumlara göre, hangi davranışın aktif olacağını belirler. Pek çok davranış aynı anda aktif olabilir. Böyle durumlarda davranışların sonuçlarının birleştirilip, tek etkili komut üretilebilmesi için komut-birleştirme (command fusion) gereklidir.

Özerk robot literatüründeki pek çok öneri bu yapı kabul edilerek hazırlanmıştır; birbirlerinden farklı parçaların üzerinde durmaları nedeniyle ayrılırlar. Örneğin pek çok öneri aynı anda yalnız bir davranışın aktif olmasına izin verir dolayısıyla komut birleştirmeye gerek duyulmaz. Hibrid mimarileri özerk hareket problemini çözümlemezler ancak alt problemlerle uğraşabilecek ve bunları birleştirecek bir yapı ortaya koyarlar

Bu alt-problemler özerk harekette önemli bir role sahiptirler ve çözümlerinin fuzzy logic tabanlı aranmasına uygundurlar. Düşünülmesi gereken;

· Bireysel davranışlar üreten modüllerin nasıl tasarlanacağı;
· Çok sayıdaki davranışların nasıl bütünleştirileceği;
· Modelleme ve uygulama modüllerinde sensörlerden elde edilen bilgilerin nasıl kullanılacağı;
· Farklı katmanlara ait process’lerin ve göstergelerin nasıl bütünleştirileceğidir.

3 Davranışların Tasarlanması

Özerk robotlar alanındaki çalışmalarda fuzzy logic tekniklerinin en önemli ve en sık uygulandığı alan fuzzy control’ün bireysel davranış birimlerinde ( individual behaviour units ) kullanılmasıdır. Fuzzy logic controller’lar deneyime dayalı kontrol bilgilerini if-then kuralları formunda kapsarlar ve kontrol edilecek sistemin kesin bir modelinin oluşturulamadığı durumlarda iyi birer alternatiftirler. Ayrıca parametrelerin çok değişken ve belirsiz olduğu durumlar için de güçlü çözümler üretirler. Fuzzy control’e ait bunlar gibi karakteristik özellikler özerk hareketlerin gereksinimlerinin karşılanması için uygun bir zemin oluştururlar.

3.1 Proprioceptive Davranışlar

Mobil robotlarda kullanılan klasik tipteki kontrol s
istemi ya da davranış, bir yolu izlemek (path tracking) şeklindedir. Controller’a referans alınan bir çerçeveye göre koordinatların serisinden oluşan bir yol verilir. Controller daha sonra verilen yolu en yakın şekilde izleyebilmek için motor komutları üretir. Controller’ın bunu yapabilmesi için robotun verilen yola göre konumunu ve robota ait kinematik ve dinamik karakteristikleri bilmesi gerekir. Konum genellikle tekerlek encoder’larının ölçümlerinden ya da dahilî sensörlerden elde edilir. Yol izleme beklenmedik bir şekilde zor olabilir. Robotun kinematik ve dinamik karakteristikleri karmaşık ve non-lineer olabilir ve robot-ortam etkileşiminin modellenmesi güçlükler çıkartabilir.

Kinematik ya da dinamik modeller düşünüldüğünde, yol-izleme yöntemi önemli miktarda deneysel bilgiye ihtiyaç duymaktadır. Bu da yol-izleme yöntemi, pek çok araştırmacı tarafından fuzzy control tekniklerinin kullanılmasına neden olmuştur.

3.2 Sensör ‘Tabanlı Davranışlar

Önceden hesaplanmış bir yolu izleme iki koşul sağlandığında robotu hedef konuma getirmek için etkili bir yoldur. Bu koşulların ilki, yol hesaplanırken yürütülen tahminlerin uygulama zamanında da geçerli olmasıdır.

(çevre çok iyi tanımlanmış olmalı ve tanımlamadan sonra değişmemelidir) İkinci koşul ise robotun yola göre kendi bulunduğu yeri güvenilir bir şekilde anlayabilmesidir. Bu koşullar gerçek-dünya uygulamalarında çok ender kesişirler. Bu yüzden pek çok araştırmacı robotlarını sensör-tabanlı davranışlar (sensor-based behaviours)

ile donanmış olarak tasarlarlar. Sensör-tabanlı davranışlar, hârici algılamaya (external sensing) dayanan kontrol politikası izlerler. Robot önceden tanımlanan bir yolu izlemek yerine çevrenin özelliklerini dikkate alarak hareket eder. Bu yapıdadaki kontrol mekanizmasına ‘compliant control’ de denir. Örnekleri arasında, bir duvar ya da kontür boyunca yürüme, engellerden sakınarak bir ışık kaynağına ulaşma sayılabilir.

3.3 Karmaşık Davranışlar

Yukarıda anlatılan tüm davranışları temel davranışlar olarak tanımlamak ve görmek mümkündür çünkü bu davranışlar tek bir amaç ve tek performans ölçütü gözetirlerler. Örrneğin yol izleme davranışı yolda bir engel olabileceğini gözönünde bulundurmaz. Bazı araştırmacılar fuzzy control’ü pek çok amaç gözeten, karmaşık davranışları uygulayabilmek için kullanmaktadırlar. Karmaşık davranışa örnek olarak, verilen bir yolu gerçek-zamanda ortaya çıkabilecek beklenmedik engelleri de gözeterek izlemek gösterilebilir. Şekil 2′ deki execution modülünün tam bir uygulaması bu tip karmaşık davranışlardan sayılabilir.

Fuzzy controller’lar genellikle tek hedefi gözetecek şekilde tasarlanırlar. Birden fazla hedefin gözönünde tutulması gerekiyorsa iki seçeneğimiz vardır. Herbiri kendinden bir önceki hedefi gözeten karmaşık kuralların kümesini oluşturmak ya da her hedef için ayrı ayrı birer tane basit kurallar kümesi oluşturmak ve bunların sonuçlarını bir şek,ilde birleştirmek. Örneğin iki hedef bir yolu izlemek ve engellerden kaçınmak şeklinde ise; ilk yaklaşım (karmaşık kurallar kümesi) fuzzy kurallarının aşağıdaki genel forma uymasına dayanır:

IF pathcondition 1
AND obstaclecondition 1
THEN command 1
,
IF pathcondition 2
AND obstaclecondition 2
THEN command 2
,
ikinci yaklaşım (basit kurallar kümesi) ise fuzzy kurallarını aşağıdaki genel formda kullanır.
IF pathcondition THEN command 1 ,
IF obstaclecondition THEN command 2
.

Bu iki tip uygulamaya da literatürde rastlanmaktadır.

Karmaşık bir davranışın monolitik olarak mı yoksa küçük basit kurallara ayrılarak mı daha iyi uygulanacağı yanıtlanması güç bir sorudur. Monolitik çözüm hedefler arasındaki etkileşimi daha iyi koruyabilir bu nedenle etkileşimin önemli olduğu durumlarda tercih edilmelidir. Ancak monolitik çözüm kolayca içinden çıkılamaz bir hal alabilir. Alanın geniş olduğu durumlarda parçalanmış çözümün yazımı ve hata ayıklaması kolaydır ancak bu çözüm de bireysel kural-kümelerinden (rule-sets) alınan çıktıların birleştirilmesi sırasında sorun yaratabilir.

4. Davranışların Eşgüdümü

1980’lerin ortasında davranış tabanlı mimarinin ilk ortaya atıldığı zamanlardan beri araştırmacılar davranışların eşgüdümüne ait problemin önemini belirtmişlerdir. Bu, farklı bağımsız davranış birimleri tarafından oluşturulan eşzamanlı aktivitelerden nasıl tutarlı ve göreve uygun davranış elde edileceği sorununu kapsar.

4.1. Davranışların Birleştirilmesi (Arbitration )

Davranışların birleştirilmesine (behaviour combination) ait en önemli özellik her durumda hangi davranış birimlerinin aktif olacağına karar verilmesidir. Karar verme politikası (arbitration policy) her an hangi davranış birimlerinin robotun hareketlerini etkileyeceğine karar verir. İlk çözümlere ait mimariler, sabit karar verme politikasına dayanmaktaydılar. Bu değişmez organizasyon, özerk robotların çok farklı çevrelerde çok farklı işler yapabilmeleri gerekliliğine ters düşmekteydi. Bu nedenle pek çok mimari, hangi davranışın aktif hale geçirileceğinin o anki plana ve çevresel olasılıklara dayanılarak saptandığı dinamik karar verme şemaları kullanmaktadır; plan genellikle yüksek-seviye uslamlama modülleri (reasoning modules) tarafından oluşturulur.

Bu mimarilerin pek çoğu davranışların aynı anda oluşmasına izin vermezler bu nedenle komut birleştirmeye gerek yoktur.Her iki sabit (fixed) ve dinamik karar verme politikası fuzzy logic mekanizmaları kullanılarak uygulanabilir.

4.2 Komutların Birleştirilmesi (Command Fusion)

Farklı davranışlardan gelen komutların birleştirilmesi için en kolay yol anahtarlama (switching) planının uygulanmasıdır. Bir davranışın oluşturduğu output uygulanmak için seçilir ve diğer tüm çıktılar ihmal edilir.

Anahtarlama planı özerk robotlarda sıkça kullanılır. Ancak bu basit yöntem pek çok kriterin gözetilmesinin gerektiği durumlar için uygun değildir.

Pek çok araştırmacı bu sınırlamayı ortadan kaldırabilmek için farklı davranışların paralel olarak çalışmasını sağlamışlardır. Bu tirteki en popüler uygulamalar vektörlerin birleştirilmesi planına dayanır: Her komut bir güç vektörü ile ifade edilir farklı davranışlardan gelen komutlar vektörlerin toplamının alınması ile birleştirilir. Robot birleştirmeden çıkan sonuca uyar.

Bir davranışın çıktısı fuzzy kümesi ile temsil edildiğinde komut birleştirme
probleminin bireysel tercihlerin birleştirilmesi problemine dönüştüğünü görürüz. Her davranış-üreten birimi hangi komutun işletileceğine dair tercihler belirten birer temsilci olarak algılayabiliriz. Tercihlerin derecesi fuzzy kümesi yardımıyla belirlenir. Bundan sonra fuzzy operatörlerini tercihleri birleştirerek ortak bir tercih ortaya koymak için kullanabiliriz.

Şekil 4: Komut birleştirmenin iki örneği. Üstteki örnekte bireysel kararlar alttakinde ise bireysel tercihler birleştirilmektedir. Oluşacak sonuç farklı olabilir.

Komut birleştirme iki adımda incelenebilir. Bunlar tercih birleştirme ve karar verme adımlarıdır. Fuzzy logic birleştirmeyi sağlamak için pek çok opertör ve karar vermek için de defuzzification fonksiyonu sunar. Bir davranış tarafından oluşturulan her bireysel karar o davranışa göre tercih edilen komutun hangisi olduğunu söyler ancak alternatifler arasından tercih edilen ile ilgili bilgi vermez. Tercihler her olası komut için bir ölçü değeri sunduklarından kararlardan daha çok bilgi içerirler. Şekil 4 bunu grafiksel olarak göstermektedir. B1 ve B2 yolun açısını kontrol eden iki davranıştır.

4.3 Genel Duruma Bağlı Komut Birleştirme (Context­dependent Blending)

Fuzzy logic kullanılarak davranışların birleştirilmesinin en genel şekli (i) fuzzy meta-kurallarının karar verme politikasında kullanılması ve (ii) komut birleştirmesi için fuzzy birleştirmesinin birlikte kullanılmasıyla oluşan yaklaşımdır. Bu yaklaşıma context­dependent blending (CDB) denir.

CDB farklı şablonlarda davranış birleştirmesini mümkün kılan genel bir mekanizmadır. Örneğin iki alternatif davranış arasında algılanabilir bir C durumunu kullanabiliriz. Aşağıdaki kurallar robotun yol üzerindeki engellere tepki verirken aynı zamanda bir hedefe yönlendirilmiş olduğu durumlarda kullanılabilir.

IF obstacleclose THEN AvoidObstacle
IF :(obstacleclose) THEN GoToTarget.

Şekil 5: CDB davranışlar hiyerarşik fuzzy controller’da uygulanabilirler.

Engel kısmen yakınsa, her iki davranış da kısmen aktif hale geçirilir. Böylece hedefe-doğru-git davranışı tarafından oluşturulan komutlar engelden kaçınma manevraları sırasında da dikkate alınabilir. G1 ve G2 hedeflerine yönelik B1 ve B2 davranışları, context-kuralları aşağıdaki formda kullanılarak sıralanabilir.

IF G 1 not achieved THEN B 1
IF G 1 achieved THEN B 2

CDB hiyerarşik fuzzy contoller’a Şekil 5 ‘teki gibi uygulanabilir. Bu mimari üzerinde bazı gözlemler yapmak yerinde olur:

1 Birleştirme aşamasından sonra defuzzification aşaması gereklidir.
2 Şekil 5 ‘te tüm context-kurallar tek modülde gruplanmasına rağmen aynı etki her context-kural uygun davranışın içine yerleştirerek de elde edilebilir. Bu çözüm gruplanmış uygulamalar için daha uyumludur.
3 CDB iteratif olarak kullanılabilir. Şekil 5’teki yapı bireysel davranışların uygulanması, ikinci seviyede context-kurallar kullanılarak bu tipteki karmaşık kuralların birleştirilmesi vs. için kullanılabilir.

Hiyerarşik fuzzy controller’lar literatürde yerlerini almışlardır.

5 Sonuç

Fuzzy control girdilerde yüksek oranda gürültü kaydedildiğinde ve parametrelerin çok sayıda olduğu durumlarda güçlü contoller’lar tasarlamak için uygun bir metodolojidir. Bu uygunluğun nedeni fuzzy controller’ lar tarafından uygulanan, ‘benzer girdiler benzer davranışlar oluştururlar’ düşüncesini somutlaştıran enterpolasyon mekanizmasıdır. Buna ek olarak, kural formatı ve dilbilimsel değişkenleri (linguistic variables) fuzzy control’ü; matematiksel modelin kolayca oluşturulamadığı ancak deneysel bilginin bulunduğu durumlardaki lineer olmayan sistemler için uygun bir tasarım aracı yapmaktadır.

Genel olarak araştırmacılar fuzzy control teknolojisinin üç ana avantajını sıralamışlardır:

· Fuzzy kural formatı, karmaşık matematiksel modele gerek kalmaksızın çok çeşitli görevler için basit ve sonuç verici davranışlar yazmayı kolaylaştırır.
· Fuzzy davranışlar nitel doğaları gereği bir platformdan diğerine çok az modifikasyon ile taşınabilirler.
· Fuzzy control’ün enterpolasyona dayalı yapısı robotun akıcı yürüyüşünü ve hataların azalmasını sağlar.

Davranışların birleştirilmesi probleminin iki yüzü vardır: Hangi davranışın ya da davranışların aktif olacağının belirlenmesi ile eşzamanlı ve muhtemelen birbibiriyle bağdaşmayan sonuçların birleştirilmesi. Fuzzy logic her iki durum için de mekanizmalar önermektedir. Fuzzy context kuralları davranış karar verme stratejileri için esnek bir yapı sunmaktadır. Kontrol ve hüküm verme kurallarında aynı formatın kullanılması hiyerarşik yapıda gittikçe karmaşıklığı artan davranışlar tasarlamayı olası kılmaktadır. CDB ise robotlarda kullanılan diğer koordinasyon yapılarından daha kapsamlıdır. Davranış anahtarlamayı ve vektör birleştirmeyi kapsar.