Preaload Image
اعضای آزمایشگاه – اعضای فعلی – دانشجویان کارشناسی ارشد

شیرین چهل گامی

زمینه تحقیقاتی : —
بازه فعالیت در آزمایشگاه : از 1397
shirin.chehelgami@ut.ac.ir

1

2

Citations: 0
h-index: 0
i10-index: 0
No. of Papers: 0

تحصیلات

کارشناسی : برق کنترل – دانشگاه شهید بهشتی
کارشناسی ارشد : برق کنترل – دانشگاه تهران
دکتری : —

شیرین چهل گامی مدرک کارشناسی را در رشته مهندسی برق گرایش کنترل از دانشگاه شهید بهشتی(پردیس فنی و مهندسی شهید عباسپور) در سال 2017 دریافت نمود. عنوان پایان نامه کارشناسی وی ” ” بود که وی در راستای پروژه کارشناسی خود، در دوره کارشناسی در زمینه اتوماسیون با PLC کار کرده است.
پس از آن برای ادامه تحصیل در مقطع کارشناسی ارشد گرایش کنترل در سال 2018 وارد دانشگاه تهران شد و فعالیت خود را در آزمایشگاه تعامل انسان و ربات دانشگاه تهران زیرنظر دکتر طالع ماسوله و دکتر کلهر در زمینه هوش مصنوعی و رباتیک آغاز کرد.
موضوع پایان نامه کارشناسی ارشد وی “موقعیت یابی و مسیریابی موبایل ربات ها با استفاده از شبکه های عصبی عمیق” می باشد. او‌ در این زمینه ابتدا به دنبال روشی برای موقعیت یابی موبایل ربات ها با‌استفاده از یک دوربین بود که پس از بررسی روش های مختلف موفق شد الگوریتمی را طراحی کند که در آن ربات فقط با استفاده از یک دوربین RGB بتواند موقعیت خود را در محیط مشخص کند. الگوریتم موردنظر با ترکیب روش های تشخیص اشیا (YOLO) و پردازش تصویر، موقعیت خود را ابتدا نسبت به اشیاء مشخص شده در محیط مشخص کرده و در نهایت موقعیت خود را نسبت به مبدا مختصات درنظر گرفته شده در محیط مشخص می کند. اکنون وی به مسیریابی موبایل ربات ها در محیط های استاتیک مشغول است که در این زمینه روشی را برای global path planning بر مبنای شبکه های عصبی بازگشتی پیاده سازی کرده که این روش با دانستن موقعیت موانع استاتیک در محیط می تواند بین هر دو نقطه مطلوب بعنوان نقطه شروع و پایان، مسیربهینه عاری از موانع را تولید کند. در ادامه قصد دارد پس از بهینه سازی روش موردنظر، با ترکیب این روش با روش های obstacle avoidance، به تعمیم این روش برای موانع داینامیک بپردازد. در نهایت به منظور تکمیل پروژه خود، الگوریتم های طراحی شده را بر روی ربات sanbot آزمایشگاه پیاده سازی خواهد کرد.

موقعیت یابی و مسیریابی موبایل ربات ها با استفاده از شبکه های عصبی عمیق

پیشرفت تکنولوژی در زمینه های مختلف باعث شده ربات ها در زندگی روزمره انسان ها وارد شوند که از مزایای آن ها می توان به افزایش بهره، افزایش تولید، بهبودکیفیت کار، افزایش دقت، جلوگیری از اتلاف نیروی انسانی، افزایش سرعت، کاهش هزینه، کاهش ضایعات، چند منظوره بودن، هوشمند بودن و عدم خستگی اشاره کرد.موبایل ربات ها نیز در چند دهه اخير توجه بسياری از محققان را به سوی خود معطوف کرده اند. کاربردهای موبایل ربات ها بسيار زياد و متنوع است؛ جابجايی اشيا در ساختمان ها، منازل، هواپيماها و کتابخانه ها، ربات های خدمتکار و…. اگرچه نياز برای اين کاربردها بسيار زياد است ولی محدوديت های ربات های موجود، در مواجهه با دنيای واقعی مانع کاربرد عملی آن در مقياس وسيع شده است؛ تفاوت قابل توجه ميان رفتار ربات ها با انسان ها باعث ايجاد مقاومت زيادی در برابر استفاده از ربات ها در کاربردهای مختلف گرديده است. بنابراين تلاش در جهت هوشمندسازی بيشتر ربات ها و افزودن خودمختاری به آنها برای تصميم گيری بهتر در مواجهه با شرايط و تغييرات محيط، گام مهمی در کاهش محدوديت های موجود در به کارگيری واقعی ربات ها و خارج شدن آنها از محيط های تحقيقاتی به سمت کاربردهای عملی تر محسوب می شود. در همين راستا تحقيق بر روی مسئله موقعیت یابی و مسيريابی از مهمترين چالش های موجود در زمينه موبایل ربات ها هستند.
موقعیت یابی عبارت است از توانايی تعیین موقعیت دقیق ربات در محيطی که در آن قرار گرفته شده و مسيريابی نيز عبارت است از عبور ربات از يک مسير در يک فضای کاری که به وسيله آن ربات قادر خواهد بود تا بدون برخورد با مانع های پيشرو، از نقطه مبدا به نقطه مقصد برسد.
با وجود برتری متدهای مبتنی بر الگوريتم های هوشمند در مقايسه با ساير متدها برای مسيريابی ربات های متحرک، نياز و لزوم بهبود عملکرد و افزايش دقت آنها همواره مورد تاکيد بوده و موجب شده است تا تلاش ها در اين جهت همچنان ادامه داشته باشد.
هدف اصلی در گام اول طراحی روشی برای موقعیت یابی موبایل ربات ها با‌استفاده از یک دوربین بوده که موفقیت هایی در این زمینه حاصل شده، که در آن ربات فقط با استفاده از یک دوربین RGB بتواند موقعیت خود را در محیط مشخص کند. درگام بعدی نیز به مسیریابی موبایل ربات ها در محیط های استاتیک پرداخته می شود که در این زمینه تاکنون روشی برای global path planning بر مبنای شبکه های عصبی بازگشتی پیاده سازی شده که این روش با دانستن موقعیت موانع در محیط می تواند بین هر دو نقطه مطلوب بعنوان نقطه شروع و پایان، مسیر بهینه عاری از موانع را به دست آورد. در ادامه قصد بر این است پس از بهینه سازی روش موردنظر، به تعمیم این روش برای موانع داینامیک پرداخته شود. درنهایت الگوریتم های طراحی شده بر روی ربات sanbot پیاده سازی شود.
منبع پایان نامه

کلمات کلیدی:

یادگیری عمیق
شبکه های بازگشتی
پردازش تصویر
شبکه های عصبی کانولوشن
مسیریابی ربات
ربات اجتماعی Sanbot
ندارد.