Kavlak, KorayAksungur, Serhat2017-12-292017-12-292009Aksungur, S. (2009). Üç serbestlik dereceli bir robotun, yapay sinir ağları ve genetik algoritma kullanılarak engelli ortamda çarpışmasız yörünge planlaması. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya.https://hdl.handle.net/20.500.12395/7603Bu çalışmada, iki dönel ve bir lineer mafsala sahip üç serbestlik dereceli SCARA tipi bir robotun ters kinematik analizi ve yörünge planlaması yapılmıştır. Robotun çalışma alanına engel yerleştirilerek hareket grafiği çizilmiş, çarpışma olup olmadığı gözlenmiş ve robot kolunun dönme yönü belirlenmiştir. Hedef ve engel koordinatları rastgele seçilen iki bin adet örnek oluşturularak bu işlem her örneğe uygulanmıştır. Bu işlemlerin sonucunda elde edilen hedef ve engel koordinat değerleri yapay sinir ağı (YSA) için giriş, hesaplanan mafsal açı değerleri de çıkış seti olarak belirlenmiştir. Eğitim için çok katmanlı geri yayılım ağı ve aktivasyon fonksiyonu olarak da sigmoid fonksiyonu kullanılmıştır. Geri yayılım ağı, Genetik Algoritma ile optimizasyon yöntemini kullanarak ağırlık ve momentum değerlerini güncellemiştir. Kabul edilebilir hata değerine ulaşılarak ağın eğitimi tamamlanmıştır. İstenilen ve YSA ile hesaplanan değerler için karşılaştırma grafiği çizilerek sonuçların uygun olduğu gözlenmiştir.In this study, the inverse kinematics and path-planning for three degrees of freedom SCARA robot which has two rotary and one linear joint are carried out. The motion graphic is formed after an obstacle put on the robot?s workspace, condition of collision is observed and direction of rotation of robot arm is determined. Two thousand exemplars are constituted with randomly selected goal and obstacle coordinates and this procedure is applied to all of this exemplars. As a result of this procedure, obtained goal and obstacle coordinate values are given to artificial neural network (ANN) as input and calculated joint angle values are defined as output. For training, a multilayer back propagation network and sigmoid function as a transfer function are used. Back propagation network updates the weight and momentum values with genetic algorithm optimization method. After acceptable error value was attained training network has completed. The comparison graphic was drawn for desired values and values calculated by ANN. The results presented here were observed to be valid.trinfo:eu-repo/semantics/openAccessYapay sinir ağlarıGenetik algoritmaArtificial neural networksGenetic algorithmMaster Thesis