نوقشت رسالة الماجستير للطالب (المجتبى مناف جلال) من قسم هندسة الميكاترونكس صباح يوم الأربعاء الموافق 10/7/2024 في قاعة مناقشات الدراسات العليا في الكلية وكانت اللجنة برئاسة أ.م.د. يعرب عمر ناجي من جامعة بغداد/ كلية الهندسة الخوارزمي / قسم هندسة الميكاترونكس وعضوية أ.م.د. بشرى كاظم عليوي من الجامعة التكنولوجية / هندسة السيطرة والنظم وأ.م.د. فرات ابراهيم حسين من كلية الهندسة الخوارزمي / قسم هندسة الميكاترونكس وبأشراف م.د. احمد رحمن جاسم من جامعة بغداد / كلية الهندسة الخوارزمي / قسم هندسة الميكاترونكس، وبعد الاستماع اللجنة الى الطالب أعلن رئيس اللجنة الدرجة التي حصل عليها الباحث والتي كانت بدرجة جيد جداً. وذلك لتقديم بحثه الذي كانت الخلاصة منه.
تطوير وتنفيذ استراتيجيات التحكم المختلفة وخوارزميات تخطيط المسار للروبوتات المتحركة ذات القيادة التفاضلية، بهدف تعزيز قدراتها على التنقل في البيئات المعقدة. الهدف الرئيسي هو تطوير خوارزمية تُمكّن الروبوت من التوجيه بدقة والحفاظ على مسار سلس أثناء التنقل عبر سيناريوهات صعبة وديناميكية. تبحث الدراسة في أداء أساليب التحكم التقليدية، بما في ذلك التحكم التناسبي التكاملي التفاضلي (PID) وتنظيم المربعات الخطية (LQR)، وتقارنها بتقنيات التعلم الآلي المتقدمة مثل تعلم Q. بالإضافة إلى ذلك، تتضمن الدراسة دمج خوارزميات تحديد المواقع ورسم الخرائط في الوقت الحقيقي (SLAM)، وخاصة خوارزميات مرشح كالمان الموسع (EKF) وFastSLAM، لتحسين دقة تحديد المواقع ورسم الخرائط للروبوت. تشير النتائج الرئيسية إلى أنه بينما توفر أدوات التحكم التقليدية مثل PID وLQR الاستقرار والمسارات السلسة، فإنها غالبًا ما تواجه صعوبة في تتبع المسار بدقة في البيئات الديناميكية. من ناحية أخرى، أظهر التحكم التنبؤي النموذجي (MPC) أسوأ أداء، حيث فشل في الوصول إلى الهدف بدقة في العديد من السيناريوهات. يبرز هذا القصور في الوصول إلى الهدف حدود MPC في التطبيقات الزمنية الفعلية للروبوتات المتحركة. تظهر تقنيات التعلم الآلي، وخاصة تعلم Q، تحسينات كبيرة في دقة المسار وقابليتها للتكيف. مقارنة بأدوات التحكم التقليدية، حسنت خوارزمية تعلم Q دقة المسار بنسبة 30% وقللت وقت التنقل بنسبة 25% في المتوسط. تقيّم الدراسة دمج تعلم Q وSLAM مع أدوات التحكم التقليدية لتعزيز تنقل الروبوت.

Comments are disabled.