Sosyal Robotlar için Davranış Modüllerinin Otomatik Kümelenmesi

Abstract

Bu tezde, sosyal robotların davranış modüllerinin kümeleme algoritmaları kullanılarak otomatik oluşturulması için bir yöntem sunulmuştur. Davranış modülleri, kişiselleştirilmiş sosyal robotların tasarımında büyük önem taşımaktadır. Sunulan araştırmada, sosyal robotların 'algı', 'biliş' ve 'motorik eylem' olarak adlandırılan davranış öğelerini kümelemek için K-means, Aglomerative Clustering ve BRICH gibi farklı kümeleme tekniklerinin uygulanabilirliği incelenmiştir. Bu amaçla, daha önce yapılan bir çalışmada elde edilen 28x3 boyutunda ve yukarıdaki üç davranış için dilsel değerlerden oluşan bir veri listesi kullanılmıştır. Geliştirilen bir haritalama yöntemi ile sayısal olarak temsil edilen verilerle sekiz farklı kümeleme algoritması kullanılarak oluşturulan çeşitli davranış modülleri değerlendirilmiş ve üç algoritma başarılı kabul edilmiştir. Kümeleme algoritmalarıyla otomatik olarak elde edilen davranış modüllerinin 3 boyutlu gösterimi de yapılmıştır. Elde edilen modüller maliyet, hareketlilik, karmaşıklık ve güç tüketimi olmak üzere dört farklı ölçüt kullanılarak değerlendirilmiştir. Bu çalışmanın sonuçları kişiselleştirilmiş sosyal robotların sistematik tasarımı alanındaki araştırmalarda ve uygulamalarda kullanılabilir.

This thesis presents a method for automatically generating behaviour modules for social robots using clustering algorithms. Behavioural modules are considered a vital element of social robot family design which falls in the benefit of individual's needs. The work includes the implementation of different clustering techniques such as K-means, Agglomerative Clustering, and BRICH to cluster behavioural elements of social robot which are categorized as 'perception', 'cognition' and 'motoric action'. In this thesis, a previously generated data list consisting of linguistic values from these elements in size of 28 by 3 is used. A mapping method is developed to represent the data in numeric form. Also, a 3D graphical representation of the data is obtained. In addition, a variety of behavioural modules are generated and evaluated using right clustering algorithms, three algorithms of which are decided as successful. The generated modules are evaluated based on four criteria as, cost, mobility, complexity, and power consumption. The results of this work can be used by researchers and engineers in the field of social robotics particularly during the conceptual design of personalized social robots. Additionally, the proposed criteria and visualization techniques can be used as a starting point for future research in this area.