İki boyutlu uzayda evrişimsel sinir ağları ile iç mekân rota planlama

Günümüzde konum tabanlı uygulamaların artmasıyla beraber kullanıcıların konum bilgilerine ulaşmak için geliştirilen teknolojiler de artmıştır. Bununla birlikte insanların okul, alışveriş merkezi, hastane, hava alanları, adliye, kapalı otoparklar ve çeşitli devlet daireleri gibi çok katlı ve karmaşık alanlarda geçirdikleri zaman fazlalaşmış ve bunun sonucunda iç mekânlarda rota planlama ihtiyacı doğmuştur. Dış mekânlarda sorunsuz bir şekilde çalışan GPS sinyallerinin iç mekânlarda yetersiz kalmasından dolayı bireylerin konum tespiti ve konum takibinde sorunlar yaşadığı gözlemlenmektedir. Bu bağlamda iç mekânlarda rota planlama sistemlerine karşı çözüm arayışı da artmıştır. Yapılan çalışmada ise derin öğrenme algoritmaları incelenerek, büyük miktardaki veriler ile çalışabilen, görsel bilgilerin analizinde kullanılan, iki boyutlu veriler üzerinde başarılı tahminler yapabilen ve derin öğrenme yöntemlerinden biri olan Evrişimsel Sinir Ağlarının iç mekân rota planlamasında kullanılması hedeflenmiştir. Hedeften yola çıkılarak, iki boyutlu uzayda rota planlama sistemi oluşturulmak üzere CNN mimarisi kullanılmış, karmaşık bir iç mekânı temsil etmek üzere rastgele oluşturulan birbirinden farklı 2000 labirent üzerinde geçilebilir yolların bulunması, engellerin tespit edilmesi, engel görüldüğünde rotanın değiştirilmesi ve labirent üzerinde en kısa mesafeye göre başlangıç noktasından varış noktasına ulaşılması hedeflenmiştir. Geliştirilen uygulamada, başlangıç noktasından varış noktasına kadar en kısa geçerli yol üzerinde rotanın planlandığı ve uygulamanın her denemede başarılı sonuç verdiği gözlemlenmiştir.

With the increasing prevalence of location-based applications, the technologies developed to access users' location information have also expanded. Simultaneously, the time people spend in multi-story and complex spaces such as schools, shopping centers, hospitals, airports, courthouses, indoor parking lots, and various government offices has increased, leading to a rising need for indoor route planning. It has been observed that individuals experience difficulties in determining and tracking their location indoors, as GPS signals, which function seamlessly in outdoor environments, prove insufficient in indoor spaces. In this context, the search for solutions to indoor route planning systems has intensified. In this study, it is aimed to utilize Convolutional Neural Networks (CNN), one of the deep learning methods that can process large datasets, analyze visual information, and make accurate predictions on two-dimensional data, for indoor route planning. Based on this objective, a CNN architecture was employed to design a route planning system in two-dimensional space. The system was tested on 2000 randomly generated mazes, each representing a complex indoor environment. The goal was to identify passable paths, detect obstacles, reroute when obstacles were encountered, and ultimately navigate from the starting point to the destination based on the shortest path. In the developed application, it was observed that the route was successfully planned along the shortest valid path from the starting point to the destination, with successful results achieved in each trial.