Microsoft Word Materiallar Full Mənim gənclərə xüsusi


II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS



Yüklə 10,69 Mb.
Pdf görüntüsü
səhifə128/144
tarix06.03.2017
ölçüsü10,69 Mb.
#10325
1   ...   124   125   126   127   128   129   130   131   ...   144

II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS 

586 


 Qafqaz University                         

          18-19 April 2014, Baku, Azerbaijan 

USING PARTIALLY OBSERVABLE MARKOV DECISION PROCESS FOR                         

INDOOR PLANNING AND NAVIGATION IN ROBOTICS 

 

Nadir HAJIYEV, Umit ILHAN 

Qafqaz University 

n.hajiyev@ictsrcqu.org, umit.ilhan@ictsrcqu.org 

AZƏRBAYCAN 

 

It is already part of our life to work with automated systems that enables a set of useful applications for us. A field that 



got our attention for development of such applications is robotics. It has a lot of applications for different environments, but 

in this thesis we will take only indoor applications into consideration. Reason of writing the thesis is to show results of our 

research on using POMDP for indoor navigation and planning problem in robotics. As a result of this research we are going 

to develop an application for indoor navigation problem of AzerRobot project. 

Planning and navigation is the basic problem in robotics and there are already a lot of proposed solutions for solving the 

problem. The Dervish[1], Xavier[2] and other projects have shown good results and had very large impact in finding 

optimal solutions for this. But using the robot in indoor environment has some additional problems like similar environment 

parameters e.g. - offices, corridors. Also, because of noisy sensor data, changing environment and not being able to fully 

observe environment makes it is hard to estimate future steps efficiently. Recent research in several labs shows that using 

POMDP for such problem gives very hopeful results.  

Before describing proposed solution let's first define POMDP for our environment. POMDP states Partially Observable 

Markov Decision Process and formally defined by four parameters S, A, T and R and for each new iteration I

i+1 

for S


i+1, 

A

i+1, 



T

i+1, 


R

i+1 


is used only S

i, 


A

i, 


T

i, 


R

i

 where 



S – state space; current state of the robot, perceived sensor data (also known as belief state) 

T – transition matrix; set of possible state space transition probabilities pbts(s'|s,a) 

A – action; an executed process according to state space and transition matrix 

R – reward; a gain from last action (can be positive or negative) 

In each iteration or time step robot initially has state space S and it is able to observe possible transitions T, then taking 

action A using transition T robot updates it's belief and gains reward R. 

As stated in [3] the action in a partially observable environment can be decomposed into a state estimator and policy 

where state estimator takes the last belief state S

, the most recent action A



i

 and the most recent observation as input, and 

returns an updated belief state S

i+1


 Like it is said above there are some problems. Besides the POMDP algorithm most of the problems can be solved by 

using appropriate sensors. Generally for distance detection is used sonar sensors. They have some noise, but it is not actual 

problem. The actual problem with sonars or other kind of distance sensors is they are not able to perceive the environment 

visually, so we got lots of negative reward in our application. Sonars used to measure distance, so robots can't differ a 

corridor or open door. To solve this problem needed visual data of the environment, and simple object recognition 

algorithm. It is possible to use 2D or 3D cameras for recognition but it is only required to recognize the doors and it can be 

done by using any 2D camera an PCA to reduce image dimensionality [4]. 

Our solution combines the proposed two applications.  First is to use camera or other sensor for getting visual data of 

environment and second is to process given data with POMDP algorithm. POMDP algorithm already implemented in 

simulation  and we are going to implement it in AzerRobot project. But as a first stage of the project we use NAO robot 

from Aldebaran Robotics and are going to test our algotihm on it. 



Reference 

[1] Illah N., Rob P., and Stan B. “DERVISHAn Office-Navigating Robot” AI Magazine, Volume 16 Number 2 , 1995  

[2] Simmons R., Fernandez J., Goodwin R., Koegin S. and O'Sullivan J. Xavier “An Autonomous Mobile Robot on the 

Web”, IEEE Robotics and Automation Magazine, 1999 

[3] Lopez E., R. Barea, L. Bergasa and M. Escudero, “Visually augumented POMDP for indoor robot navigation”, 21th 

IASTRD International Multi-Conference on Applied Informatics, 2003 

[4] N. Vlassis, B. Terwijn, and B. Kr  se, “Auxiliary particle filter robot localization from high-dimensional sensor 

observations,” in Proc. IEEE Int. Conf. on Robotics and Automation, Washington D.C., May 2002, pp. 7–12. 

 

 

 



 

 

 

II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS 

587 


 Qafqaz University                         

          18-19 April 2014, Baku, Azerbaijan 

QRAF VERİLƏNLƏR MODELİ VƏ RDBMS MODELİ İLƏ MÜQAİSƏLİ TƏHLİLİ 

 

Həsənağa MƏMMƏDOV  

Qafqaz Universiteti 



info@hasanaga.info 

AZƏRBAYCAN 

 

Bu məqalədə qraf verilənlər baza modelindən bəhs edilib,  Qraf verilənlər bazası idarəetmə sistemlərindən ən məşhuru 



Neo4j və Cypher sorğu dili ilə tətbiqi məsələ  həll edilmişdir. Qraf modeli müxtəlif elmi, biznes sahələrində tətbiq edilir.  

Qarışıq verilənləri təsvir etmək üçün çox əhəmiyyətlidir.  Hansı tip məsələlərin həllində daha yaxşı  nəticə göstərməsi 

məqalədə təsvir edilmişdir.

 

20-ci  əsrin sonunda İnternetin, elektron hesablama maşınlarının kəşfi  informasiya inqilabına səbəb oldu və  

informasiyanın saxlanması, yenidən email edilməsi kimi problem meydana gəlməyə başladı.  İnformasiyanı komputerdə 

təhlükəsiz saxlamaq üçün verilənlər bazası idarəetmə sistemlərində istifadə olunur. Verilənlər Bazası tarixi inkişaf yolunu 

keçərək günümüzdə demək olar ki, istənilən sahədə uğurla tətbiq olunmaqdadır.  

 Verilənlər bazasının aşağıdakı modelləri vardır. 

  İerarxik model - verilənlər bazası ağacşəkilli (ierarxik) təşkil olunur 

  Qraf modeli – verilənlər bazası qraf şəklində təşkil olunur 

  Relasiya modeli – verilənlər cədvəllərdə yerləşdirilir və bu cədvəllər arasında əlaqə yaradılır. 

  Obyektyönümlü model – bazanın ayrı-ayrı yazıları obyekt şəklində təşkil olunur. 

Relyasiya modeli hal-hazırda daha çox istifadə olunan baza modelidir. Oracle, MySql, Sql server və s. kimi VBİS-lər 

(verilənlər bazası idarəetmə sistemləri) bu modeldən istifadə edir. 

Əgər verilənlərdə çox sayda və çox növdə  əlaqələr varsa- xaotik modelə sahibdirsə  və obyektlər arasında  əlaqələri 

sorğu vermək üstünlük təşkil edirsə verilənləri Qraf modelində  təsvir etmək daha əlverişlidir. Bu cür əlaqəli verilənləri 

relyasiya ilə  təsvir etdikdə sorğu verilən zaman çoxlu sayda “Join” əməliyyatından istifadə edilir və nəticədə performans 

aşağı düşür. Relyasiya modeli belə hallar üçün əlverişli deyil. Əgər qoyulan məsələdə obyektlər arasında çoxun-çoxa əlaqə 

növü üstünlük təşkil edirsə Qraf verilənlər bazası modelindən istifadə etmək məqsədəuyğundur. Qraf verilənlər bazası bu 

günün biznes, elm sahələrinə nüfuz edən sahədir.  İnsanlar arasında qohumluq əlaqələri, sosial şəbəkələrdən tutmuş 

mürəkkəb gen, protein hüceyrələrinin təsviri və analizində,  çoğrafi informasiya sistemlərində    uğurla tətbiq edilir.  

Naviqasiya sistemlərində ən qısa marşrutu  tapmaqda, şəbəkə tapologiyasında – informasiyanı şəbəkədə ötürmək üçün ən 

qısa yolu tapmaq üçün,  istifadə edilir. Graf verilənlərin bazasının tətbiq sahələrini aşağıdakı kimi qruplaşdırılır. 

  Sosial şəbəkələr 

  Sənaye 

  Xəritədə yolun tapılması 

  Çoğrafi alqoritmlərdə 

  Fırıldaqçılığın qeydə alınmasında 

  Multi-tenancy – mutli-icarə 

  Dependency mapping - Asıllığın xəritəsi 

  Bioinformatika 

  natural language processing – təbi dil emalı 

Qraf verilənlər bazasının xarakteristikaları aşağdakılardır: 

  Düyünlər (node) və əlaqələrdən (relationships) ibarət olur. 

  Düyünlərin və əlaqələrin xassaləri (properties) olur. 

  Əlaqələrin adları, istiqamətləri, başlanğıc və sonu olur. 

Qraf modelinin sadə struktura malik olmasına baxmayaraq mürəkkəb məsələlərin həllində  tətbiq edilir. Sosial 

şəbəkələrdə tətbiqinə Twitter sosial şəbəkəsinin nümunəsində aşağıdakı kimi olur. 

 

B

C



A

D


 Qafqaz Uni

A, B və 


 

Verilən 


bazası idarəe

proqramıdır. 

sorğu dili ola

Qraf ver


sadə konseps

olunur. Rely

verilənlər baz

“Delete”, qra

Relyasiy

oynaya bilər 

Bu mode

1)  Yaş


RETURN nR

2)  Film


Q: STAR

R: SELE


on Movi

2-si sorğ

3)  Həm

Q: START p



RETURN pe

R: SELECT 

person_id FR

II INTER

versity           

C-ni izləyir. B

bazasında ye

etmə sistemlər

Neo4j Javada

araq Cypher d

rilənlər bazası

siyadan  - düy

yasiya verilən

zasında  isə ik

af vb-də isə “E

ya və Qraf mo

və filmin reji

elin relyasiya 

şı 30-dan böyü

R (Relyasiya):

mlərdə rol alan

RT actor=nod

ECT Person.na

ie.movie_id =

ğunu təhlil edə

START


MATC

MATC


>(movie) 

RETUR


m aktyor həm 

person=node:P

erson.name  

name FROM 

ROM Director

RNATIONA

              

B yalnız C-ni 

eni veriləni da

rindən istifadə

a yazılmış  açı

dilindən istifad

ının relyasiya 

yün və tillərdə

lər bazasına  y

ki operatordan

Erase” (düyün

odellərini müq

ssoru ola bilər

və qraf verilə

ük olan insanl

:  SELECT * F

n insanların si

de:Person("nam

ame, Movie.ti

= Actor.movie_

ək. 

T actor=node:



CH (actor)-[:A

CH (actor

RN actor.nam

rejissor olan i

Person("name:

Person WHE

r) 

L SCIENTIF

izləyir. C də B

axil etmək, re

ə olunur. Qra

ıqməmbə kod

də edilir. Cyph

tipli verilənlə

ən istifadə olun

yeni informas

n – “Store” və

n) və “Disconn

qayisəli təhlil

r. 

ənlər bazasınd



arın siyahısı Q

FROM Person

iyahısı 

me:*") MATC

itle FROM Pe

_id 


:Person 

ACTS_IN] 

r)-[:ACTS_IN

me, movie.title

insanların siya

:*") WHERE 

RE person_id

FIC CONFER

588 


B-ni izləyir və

edaktə etmək

f verilənlər ba

dlu proqramdır

her sorğu dili b

ər bazasından

nduğu halda r

siya  əlavə etm

ə “Connect” is

nect” (til) oper

 etmək üçün

da müqayisəli b

Q (CYPHER)

n WHERE age

CH (actor)-[:A

erson JOIN Ac

FRO

JOIN


Actor.per

N]-


JOIN

Actor.mo


 SEL

ahısı 


(person)-[:AC

d IN ( SELECT

D

Tweet


Tweet

Cari tw


Növb

RENCE OF Y

 

ə həmçini D-n

 

k, sorğu etmək



azası idarə etm

r və müxtəlif

bəsit olmasına

əsas nəzəri de

relyasiya veril

mək üçün 1 o

stifadə olunur

ratorlarından 

“Aktyor – film

 

bəzi sorğuları



:  START n=n

e > 30 


ACTS_IN]->(m

ctor on Person

OM Person 

N Actor


rson_id 

N Movie


ovie_id 

LECT Person.n

CTS_IN]->() A

T person_id F

weet

bətitweet



YOUNG RES

        18-19 A

ni izləyir. D isə

k, təhlükəsliy

mə sistemlərin

platformalard

a baxmaraq gü

ezavantajları i

lənlər bazasın

operatordan  –

r. İnformasiya

istifadə olunu

m” modelinə

ı: 

node:Person("



movie) RETU

n.person_id =

on Person

on Movi


name, Movie.t

AND (person)

FROM Actor) 

SEARCHER

April 2014, B

ə yalnız A-nı 

yini təmin etm

ndən ən məşh

da dəstəklənir.

üclü dildir.  

informasiyanı

nda isə 1 konse

–  “İnsert” isti

anı silmək üçü

ur.  

baxaq. Hər b



"name:*") WH

URN actor.nam

Actor.person_

n.person_id 

ie.movie_id 

title 


)-[:DIRECTE

AND person_



RS 

aku, Azerbai

izləyir. 

mək üçün Ver

huru Neo4j tət

   Neo4j VBİS

ı saxlamaq üçü

epsiyadan isti

ifadə olunur,

ün relyasiya vb

bir şəxs filmdə

HERE n.age>3

me, movie.title

_id JOIN Mov



ED]->() 

_id IN ( SELE



ijan 

rilən 


tbiqi 

S-də 


ün 2 

ifadə 


qraf 

b-də 


ə rol 

30  


e  

vie 


ECT 

II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS 

589 


 Qafqaz University                         

          18-19 April 2014, Baku, Azerbaijan 

4)  Lucy ilə filmdə çəkilən aktyorların siyahısı 

Q: START lucy=node:Person(name="Lucy Liu") MATCH lucy-[:ACTS_IN]->movie, co_actor-[:ACTS_IN]->movie 

RETURN DISTINCT co_actor.name  

R: SELECT DISTINCT co_actor.name FROM Person lucy JOIN Actor a1 ON lucy.person_id = a1.person_id JOIN Actor 

a2 ON a1.movie_id = a2.movie_id JOIN Person co_actor ON co_actor.person.id = a2.person_id WHERE lucy.name = 

"Lucy Liu” 

Lucy-nin çəkildiyi filmlərin rejissorlarının siyahısı Q: START lucy=node:Person(name="Lucy Liu") MATCH lucy-

[:ACTS_IN]->movie, director-[:DIRECTED]->movie RETURN director.name, count(*) ORDER BY count(*) desc  

R: SELECT dir.name, count(*) FROM Person lucy JOIN Actor on Person.person_id = Actor.person_id JOIN Director 

on Actor.movie_id = Director.movie_id JOIN Person dir on Director.person.id = dir.person_id WHERE lucy.name = "Lucy 

Liu" GROUP BY dir.name ORDER BY count(*) DESC 

 

 

ENABLE MOBILE ROBOT TO RECOGNIZE AND CLASSIFY OBJECTS 



 

Huseyn PASHAYEV, Asad MAMMADOV

 

Qafqaz University 



h.pashayev@ictsrcqu.org , a.mammadov@ictsrcqu.org 

AZƏRBAYCAN

 

 

The thesis is a survey about works of enabling mobile robot to recognize and classify objects. For recognition robot can 



use haptic, statistical or visual information like camera, which returns a cloud of points, according to which these points 

segmented into clusters, where each cluster is primitive geometric structure and the geometric relationship between these 

clusters defines the object.  

If we are talking about recognition and classification of objects the term affordance have to be initially proposed. This 

term was initially proposed by J. Gibson [1] and now widely used in robotics. So what is the affordance and how it’s used in 

robotics? For each object there are a number of actions which is possible to perform with it depending on object which is 

interacting with it. Now let suppose the chair,  human can push the chair can sit on it, so there chair affords pushing and 

sitting on it for human, however mobile robot (like Parallax Eddie – Reference Platform) can only push the chair but not sit

so there the affordance of chair for mobile robot is only pushing. So the robot can recognize such objects then, classify the 

object in classes and according to affordance of class behave with this object. Why affordance is so important? Suppose a 

robot which helps us at home. The robot need to be able to recognize object then classify whether this is a chair class, or 

table class or even door class, then robot have to know how to behave with object, whether to pull it( with chairs class), go 

across(with tables class) or just pass through it(door class). In such problems main aim is not to detect object preciously, the 

aim here is to detect the correct class to which this object belong to, such that general properties of affordance for objects in 

same class are the same. Nowadays the field object recognition and classification is widely investigating and there a lot of 

works done in this field. General object recognition rely on visual appearance of object, where invariant descriptors used to 

recognize and classify object. In other words the snapshots of object are taken from different positions, then local and global 

descriptors are used to summarize data and finally distance between vectors of these descriptors is calculated to model the 

object. In article [2] the robot has 2D camera and uses local descriptors and SIFT (Scale-invariant feature transform) 

features. In SIFT the algorithm is to identify local features of training object and then detect this object on image containing 

this and many other objects. Another main property in SIFT is the solid proportion of selected points as feature. Suppose we 

take 4 corners of door as one feature of this object, so in case if the proportion between these points will change then this 

will cause failure. Like if door is opened or closed for each position of the door proportion between these points will 

change, what will cause failure, that means on flexible and articulated objects this won’t work because geometry changes 

what causes the proportion change on points which are selected as feature. However on practice SIFT method uses large 

numbers of features which reduce the error caused by such local variations. In article [3] the robot controlled via internet 

where user give voice commands to robot like “Grasp the ball” and etc. In this work neural network proposed which help to 

classify object in low resolution and noise images using invariant descriptors. Another article is [4]. In this article proposed 

to use multiple perception of object and motor modality. The robot using statistical technique, and using motor function 

grasps the object then rotating it take snapshots from different points and also while observation listen sounds from object, 

based on audio-video and haptic information robot recognize and classify object. Another work about classification of 

objects is “Grounding semantic categories in behavioral interactions: experiments with 100 objects” [5] In this article 100 

object taken and divided in 20 categories in order to test the humanoid robot, where for each category different behavior 

assigned. Robot uses supervised recognition method where he process not only visual information but also taking in account 



II INTERNATIONAL SCIENTIFIC CONFERENCE OF YOUNG RESEARCHERS 

590 


 Qafqaz University                         

          18-19 April 2014, Baku, Azerbaijan 

information with object interaction like grasping, shaking, pushing , pressing and etc. by means of that feature vector 

formalized and object with similar feature vector combined under same class. The same approach also can be observed in 

“Learning affordances for categorizing objects and their properties” [6] article that interaction of robot and object can lead 

to manifestation of object perceptual properties, after that robot will be able to predict effects of actions on object from 

which perceptual features extracted. The authors of “Using object affordances to improve object recognition” [7] article 

additionally propose to use motor information of object rather that only using visual information. In this experiment for each 

training object its associated grasp created (it’s the visual mapping of object according to its affordance) in other words 

visuomotor map formed. The article show that, the presence of motor information increased effect of recognition, even if 

this information in test data do not include actual motor information, it latter can be inferred from visuomotor map.  

In my opinion the best approach is “Multimodal object categorization by a robot” [4] because for beginning our aim is 

predict the class of object rather than object itself, so if the class of object is recognized then robot will be able to behave 

with objects taking in account the affordance of class, which in my opinion will give correct output. 

Refferences 

1)  (The Ecological Approach to Visual Perception, Houghton Mifflin, Boston, 1979.

2)  “Distinctive image features from scale-invariant key points” (D.G. Lowe International Journal of Computer Vision 

60 (2) (2004) 91–110.

3)  “Efficient object recognition capabilities in online robots: from a statistical to a neural-network classifier” by P. 

Sanz, R. Marin, J. Sanchez, (IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews 35 

(1) (2005) 87–96.

4)  “Multimodal object categorization by a robot” (T. Nakamura, T. Nagai, N. Iwahashi in: IEEE/RSJ International 



Conference on Intelligent Robots and Systems, IROS 2007, 2007, pp. 2415–2420.

5)  “Grounding semantic categories in behavioral interactions: experiments with 100 objects” (J. Sinapov, C. Schenck, 



K. Staley, V. Sukhoy, A. Stoytchev,Robotics and Autonomous Systems (0) (2012).

6)  “Learning affordances for categorizing objects and their properties” (N. Dag, I. Atil, S. Kalkan, E. Sahin in: 20th 



International Conference on Pattern Recognition, ICPR 2010, 2010, pp. 3089–3092.

7)  “Using object affordances to improve object recognition”  (C. Castellini, T. Tommasi, N. Noceti, F. Odone, B. 



Caputo, IEEE Transactions on Autonomous Mental Development 3 (3) (2011) 207–215.

 

 



Yüklə 10,69 Mb.

Dostları ilə paylaş:
1   ...   124   125   126   127   128   129   130   131   ...   144




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©azkurs.org 2024
rəhbərliyinə müraciət

gir | qeydiyyatdan keç
    Ana səhifə


yükləyin