KaydedilenlerDerginizi ekleyin

Dergiler / El-Cezeri / 2025 / Cilt: 12 Sayı: 3

ArUco İşaretleyicileri Kullanarak Mobil Robotlar İçin Çoklu Kamera Tabanli İç Mekan Konum Tespiti ve Yol Optimizasyonu

Multicamera-Based Indoor Localization and Path Optimization for Mobile Robots Using ArUco Markers

Abdulhamit Sevgi(OSTIM TECHNICAL UNIVERSITY)0000-0003-3567-848X
H. Erdinç Koçer(SELÇUK ÜNİVERSİTESİ)0000-0002-0799-2140
Sayfa
339–355
Yayın Tarihi
2025-09-30
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Önerilen yöntem, çok kameralı sistemlerin güvenilir iç mekan navigasyonu için potansiyelini göstererek endüstriyel ve hizmet alanlarında umut verici uygulamalar sunar.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Öz: GPS sinyallerinin bulunmadığı iç mekanlarda, mobil robot konumlarını belirlemek zordur.
📊
Temel Bulgular & Veri:Yaygın yöntemler arasında SLAM, işaretleyici tabanlı yerelleştirme, eylemsiz ölçüm birimleri (IMU'lar) ve hibrit konumlandırma sistemleri (HPS) bulunur.
💡
Sonuç & Katkı:Önerilen yöntem, çok kameralı sistemlerin güvenilir iç mekan navigasyonu için potansiyelini göstererek endüstriyel ve hizmet alanlarında umut verici uygulamalar sunar.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Kapalı Alan Yer Belirleme · Mobil Robotlar · ArUco Markerları

Özet

Öz: GPS sinyallerinin bulunmadığı iç mekanlarda, mobil robot konumlarını belirlemek zordur. Yaygın yöntemler arasında SLAM, işaretleyici tabanlı yerelleştirme, eylemsiz ölçüm birimleri (IMU'lar) ve hibrit konumlandırma sistemleri (HPS) bulunur. SLAM eş zamanlı yerelleştirme ve haritalama sağlarken, işaretleyici tabanlı yerelleştirme konum tespiti için belirli işaretleyiciler kullanır. IMU'lar hareketi hız, ivme ve açısal hız yoluyla izler ve HPS, gelişmiş doğruluk için sensörleri birleştirir. Bu çalışma, Cordoba Üniversitesi'nden ArUco işaretleyicileri kullanarak bir rota planlama ve hareket optimizasyon yöntemi geliştirmektedir. Görüntü işleme yoluyla tespit edilen bu işaretleyiciler, robotları hedeflere en kısa ve en güvenli yolları hesaplayarak yönlendirir. Birden fazla kamera hareket aralığını ve görüşü iyileştirirken, otomatik bir pan ayarlaması çakışmaları ve hizalama sorunlarını ele alarak sorunsuz görüntü entegrasyonunu sağlar. Önerilen yöntem, çok kameralı sistemlerin güvenilir iç mekan navigasyonu için potansiyelini göstererek endüstriyel ve hizmet alanlarında umut verici uygulamalar sunar.

Abstract

Abstract : In indoor environments where GPS signals are unavailable, determining mobile robot positions is challenging. Common methods include SLAM, marker-based localization, inertial measurement units (IMUs), and hybrid positioning systems (HPS). SLAM enables simultaneous localization and mapping, while marker-based localization uses specific markers for position detection. IMUs track motion via velocity, acceleration, and angular velocity, and HPS combines sensors for improved accuracy. This study develops a route planning and motion optimization method using ArUco markers from the University of Córdoba. Detected via image processing, these markers guide robots by calculating the shortest and safest paths to targets. Multiple cameras enhance motion range and vision, while an automatic pan adjustment addresses overlaps and alignment issues, ensuring seamless image integration. The proposed method demonstrates the potential of multi-camera systems for reliable indoor navigation, offering promising applications in industrial and service domains.

🔖

Bu Makaleye Atıf Yap

Sevgi, A., Koçer, H. E. (2025). ArUco İşaretleyicileri Kullanarak Mobil Robotlar İçin Çoklu Kamera Tabanli İç Mekan Konum Tespiti ve Yol Optimizasyonu. El-Cezeri, Cilt: 12 Sayı: 3, 339–355. https://doi.org/10.31202/ecjse.1614568

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (24)

  1. H. Sahib Hasan, M. Hussein, S. Mad Saad, and M. Azuwan Mat Dzahir, “An Overview of Local Positioning System: Technologies, Techniques and Applications,” International Journal of Engineering & Technology, vol. 7, no. 3.25, p. 1, Aug. 2018. DOI: 10.14419/ijet.v7i3.25.17459.
  2. A. Francis, A. Akinnusotu, and A. Adeyemi, “Global Positioning System and It’s Wide Applications,” Continental J. Information Technology, vol. 9, no. 1, pp. 22–32, Oct. 2015.
  3. N. Syazwani C. J., A.Wahab, N. Sunar, H. Syed, K. Y.Wong, and Y. Aun, “Indoor Positioning System: A Review,” International Journal of Advanced Computer Science and Applications, vol. 13, no. 6, Jan. 2022. DOI: 10.14569/ijacsa.2022.0130659.
  4. S. Bastiaens, M. Alijani, W. Joseph, and D. Plets, “Visible Light Positioning as a Next-Generation Indoor Positioning Technology: A Tutorial,” IEEE Communications Surveys & Tutorials, vol. 26, no. 4, pp. 2867–2913, Fourth Quarter 2024. DOI: 10.1109/COMST.2024.3372153.
  5. X. Zhu, W. Qu, T. Qiu, L. Zhao, M. Atiquzzaman, and D. O. Wu, “Indoor Intelligent Fingerprint-Based Localization: Principles, Approaches and Challenges,” IEEE Communications Surveys & Tutorials, vol. 22, no. 4, pp. 2634–2657, Fourth Quarter 2020. DOI: 10.1109/COMST.2020.3014304.
  6. X. Feng, S. Liu, Q. Yuan, J. Xiao, and D. Zhao, “Research on wheel-legged robot based on LQR and ADRC,” Scientific Reports, vol. 13, no. 1, p. 15122, Sep. 2023. DOI: 10.1038/s41598-023-41462-1.
  7. O. Marques, Practical Image and Video Processing Using MATLAB®, Hoboken, NJ, USA: John Wiley & Sons, Inc., 2011. DOI: 10.1002/9781118093467.
  8. A. Babinec, L. Jurišica, P. Hubinsky, and F. Duchon, “Visual Localization of Mobile Robot Using Artificial Markers,” Procedia Engineering, vol. 96, pp. 1–9, 2014. DOI: 10.1016/j.proeng.2014.12.091.
  9. G. Bradski and A. Kaehler, Learning OpenCV, O’Reilly Media, Inc., 2008.
  10. M. Fiala, “ARTag, a fiducial marker system using digital techniques,” Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2005, pp. 590–596. DOI: 10.1109/CVPR.2005.74.
  11. E. Tola, “Real-Time UAV Pose Estimation and Tracking Using FPGA Accelerated April Tag,” RIT Digital Institutional Repository, 2021. URL: https: //repository.rit.edu/theses/10853.
  12. M. Nahangi, A. Heins, B. McCabe, and A. P. Schoellig, “Automated Localization of UAVs in GPS-Denied Indoor Construction Environments Using Fiducial Markers,” Proceedings of ISARC, Jul. 2018. DOI: 10.22260/isarc2018/0012.
  13. I. Ullah, D. Adhikari, H. Khan, M. Shahid Anwar, S. Ahmad, and X. Bai, “Mobile robot localization: Current challenges and future prospective,” Computer Science Review, vol. 53, Aug. 2024. DOI: 10.1016/j.cosrev.2024.100651.
  14. A. Sampathkrishna, “ArUco Marker-based localization and Node graph approach to mapping,” arXiv.org, Aug. 2022. URL:https: //arxiv.org/abs/2208.09355.
  15. J. Kim, Y. Jeong, H. Lee, and H. Yun, “Marker-Based Structural Displacement Measurement Models with Camera Movement Error Correction Using Image Matching and Anomaly Detection,” Sensors, vol. 20, no. 19, p. 5676, Oct. 2020. DOI: 10.3390/s20195676.
  16. H. Bin, L. W. Zhen, and L. H. Feng, “The Kinematics Model of a Two-Wheeled Self-Balancing Autonomous Mobile Robot and Its Simulation,” Proceedings of the International Conference on Computer Engineering and Applications, 2010, pp. 64–68. DOI: 10.1109/ICCEA.2010.169.
  17. W. Burger and M. J. Burge, “Scale-Invariant Feature Transform (SIFT)”, Texts in Computer Science, pp. 709–763, Jan. 2022. DOI: 10.1007/978-3-031-05744- 1_25.
  18. W. Cui, Q. Liu, L. Zhang, H. Wang, X. Lu, and J. Li, “A robust mobile robot indoor positioning system based on Wi-Fi,” International Journal of Advanced Robotic Systems, vol. 17, no. 1, p. 172988141989666, Jan. 2020. DOI: 10.1177/1729881419896660.
  19. D. R. Philips, E. Salami, H. Ramiah, and J. Kanesan, “Location Accuracy Optimization in Bluetooth Low Energy (BLE) 5.1-Based Indoor Positioning System (IPS)—A Machine Learning Approach,” IEEE Access, vol. 11, pp. 140186–140201, 2023. DOI: 10.1109/ACCESS.2023.3338358.
  20. F. Jiang, D. Caruso, A. Dhekne, Q. Qu, J. J. Engel, and J. Dong, “Robust Indoor Localization with Ranging-IMU Fusion,” arXiv, Cornell University, Jan. 2023. DOI: 10.48550/arxiv.2309.08803.
  21. M. Faeik, S. Junginger, T. Roddelkopf, and K. Thurow, “UWB-Based Real-Time Indoor Positioning Systems: A Comprehensive Review,” Applied Sciences, vol. 14, no. 23, pp. 11005–11005, Nov. 2024. DOI: 10.3390/app142311005.
  22. S. Roos-Hoefgeest, I. A. Garcia, and R. C. Gonzalez, “Mobile robot localization in industrial environments using a ring of cameras and ArUco markers,” Proceedings of IECON 2021-47th Annual Conference of the IEEE Industrial Electronics Society, Toronto, ON, Canada, 2021, pp. 1–6. DOI: 10.1109/IECON48115.2021.9589442. ECJSE
  23. E. Tola, “Real-Time UAV Pose Estimation and Tracking Using FPGA Accelerated April Tag,” RIT Digital Institutional Repository, 2021. URL: https: //repository.rit.edu/theses/10853.
  24. A. Sampathkrishna, “ArUco Marker-based localization and Node graph approach to mapping,” arXiv.org, Aug. 2022. URL:https: //arxiv.org/abs/2208.09355.