Dış iskelet robotlarının kontrol mekanizması için bir tahmin algoritması

Abstract

Bu tez çalışması, rehabilitasyon amaçlı kullanılan dış iskelet robotlarının kontrol mekanizmalarında derin öğrenme modellerinin uygulanabilirliğini değerlendirmek amacıyla gerçekleştirilmiştir. Dış iskelet sistemlerinin, kullanıcının hareketlerini doğru bir şekilde takip edebilmesi için güvenilir referans yörüngelere ihtiyaç duyduğu bilinmektedir. Bu doğrultuda, IMU sensörlerinden elde edilen insan yürüyüş verileri kullanılarak, farklı zaman aralıklarında hareket yörüngelerinin tahmini için Tekrarlayan Sinir Ağları (RNN), Uzun Kısa Süreli Bellek (LSTM) ve Kapılı Tekrarlayan Birim (GRU) modelleri uygulanmıştır. Modelleme sürecinde, ivme ve açısal hız verileri kayan pencere yöntemiyle segmentlere ayrılmış ve farklı giriş (600 ms, 800 ms, 1000 ms) ve çıkış pencere boyutları (100 ms, 200 ms, 300 ms) kullanılarak tüm modeller eğitilmiştir. Her pencere kombinasyonu için ayrı hiperparametre optimizasyonu uygulanarak en iyi model parametreleri belirlenmiştir. Deneysel sonuçlar, RNN modelinin LSTM ve GRU’ya kıyasla daha düşük performans sergilediğini göstermektedir. En iyi performans ise, 600 ms giriş ve 100 ms çıkış penceresiyle eğitilen GRU modeliyle elde edilmiş olup, bu model 0,092 RMSE ve 0,062 MAE değerleri ile en düşük hata oranına ulaşmıştır. Bununla birlikte, GRU ve LSTM modellerinin genellikle benzer hata değerlerine sahip olduğu, ancak çıkış pencere boyutunun artmasıyla LSTM modelinin daha kararlı bir performans sergilediği gözlemlenmiştir. Bu durum, uzun vadeli bağımlılıkların bulunduğu senaryolarda LSTM modelinin daha avantajlı olabileceğini göstermektedir. Öte yandan, hesaplama maliyetleri açısından değerlendirildiğinde, GRU modeli LSTM’ye kıyasla daha az hesaplama gerektiren ve daha hızlı çalışan bir alternatif sunmaktadır.