--- title: Parçacık Filtresi slug: parcacik-filtresi-2 url: /detay/parcacik-filtresi-2 type: article language: Türkçe entity: primary: Parçacık Filtresi type: article disambiguation: Parçacık Filtresi: Robotikte doğrusal olmayan durum kestirimi için etkili bir yöntem. Bayes istatistiğine dayanır. categories: - name: Makine, Robotik Ve Mekatronik slug: makine-robotik-ve-mekatronik url: /kategori/makine-robotik-ve-mekatronik - name: Endüstri, Üretim Ve Otomasyon Sistemleri slug: endustri-uretim-ve-otomasyon-sistemleri url: /kategori/endustri-uretim-ve-otomasyon-sistemleri tags: - Navigasyon Algoritmaları - Doğrusal Olmayan Sistemle - Robotik Lokalizasyon - SLAM - Monte Carlo Yöntemi - Olasılık Temelli Kestirim - Bayes Kestirimi - Kestirim - Parçacık Filtresi - Otonom Araç - Otonom - Optimizasyon - robotik - Olasılık teorisi - Otonom Sistemler - Konum belirleme author: Nevzat Buğrahan Türk created_at: 2025-02-01T16:53:12.915897+03:00 updated_at: 2025-04-17T12:27:06.060418+03:00 --- # Parçacık Filtresi ## Article Content Parçacık filtresi, özellikle robotik ve otonom** **sistemler bağlamında, doğrusal olmayan veya çok tepeli (multimodal) [olasılık](/tr/detay/olasilik-2/llms.txt) dağılımlarıyla çalışmak için geliştirilen bir [durum](/tr/detay/durum-5/llms.txt) kestirim yöntemidir. Bir sistemin konumu, hızı veya diğer durum değişkenlerine ilişkin belirsizlik, çok sayıda örnekle (parçacıkla) temsil edilir ve bu parçacıkların [zaman](/tr/detay/zaman-2/llms.txt) içinde ölçüm ve [hareket](/tr/detay/hareket-3/llms.txt) modellerine göre güncellenmesi sağlanır. Böylece [klasik](/tr/detay/klasik/llms.txt) [Kalman filtresi](/tr/detay/kalman-filtresi-2/llms.txt) [gibi](/tr/detay/gibi-749510/llms.txt) yalnızca Gaussian (normal) dağılıma dayalı yöntemlerin yetersiz kaldığı durumlarda da güvenilir sonuçlar elde edilebilir. Parçacık filtresi, özellikle [dinamik](/tr/detay/dinamik-3/llms.txt) ve belirsiz** **ortamlarda çalışan otonom sistemler için etkili bir [çözüm](/tr/detay/cozum/llms.txt) sunar. #### **Parçacık Filtresinin Temel İlkeleri** Parçacık filtresinin dayandığı temel ilke, "Bayes istatistiği"dir. Ölçüm ve hareket ([süreç](/tr/detay/surec-2/llms.txt)) modellerinden gelen bilgilerin, sistemin durumu hakkındaki olasılık dağılımını güncellemek için kullanılması esasına dayanır. Filtreleme döngüsü şu iki aşamadan oluşur: **1. Tahmin **: Sistemin bir önceki durumuna ait olasılık dağılımı, hareket modeli ve "Dead Reckoning" gibi bilgilerle güncellenir. Bu aşamada parçacıklar, sistemin tahmin edilen hareketine uygun olarak yeniden konumlandırılır. **2. Güncelleme **: Ölçüm verileri (örneğin lidar, GPS veya radar sensörlerinden alınan bilgiler) kullanılarak her bir parçacığın [gerçek](/tr/detay/gercek-2/llms.txt) ölçümle ne kadar uyumlu olduğu hesaplanır. Parçacıklar, bu uyuma göre ağırlıklandırılır ve düşük olasılıklı parçacıklar elenirken yüksek olasılıklı parçacıkların sayısı artırılır. (resampling). Parçacık filtresinin en [önemli](/tr/detay/onemli-0325c/llms.txt) özelliği, olasılık dağılımını sürekli bir fonksiyon yerine, doğrudan parçacıklarla temsil etmesidir. Böylece çok tepeli (multimodal) dağılımlar veya doğrusal olmayan sistemler başarıyla modellenebilir. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/01/OBNcsPFT60leTOqlsIzwUhnBxwsnw33o.png) ##### **Dead Reckoning** Dead reckoning, bir cismin mevcut konumunu, geçmişteki konumundan itibaren [hız](/tr/detay/hiz-3/llms.txt), yönelim ve diğer hareket bilgilerini kullanarak tahmin etme yöntemidir. Bu [yöntem](/tr/detay/yontem-2/llms.txt), [kısa](/tr/detay/kisa/llms.txt) vadede güvenilir sonuçlar sağlasa da ölçüm hatalarının birikmesiyle [uzun](/tr/detay/uzun/llms.txt) vadede önemli sapmalara neden olabilir. Parçacık filtresi, dead reckoningin bu [hata](/tr/detay/hata-2/llms.txt) birikimini [sensör](/tr/detay/sensor-4/llms.txt) ölçümleriyle düzeltmek için kullanılır. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/01/2AAgXKuZIeU9AKDGDG3kAjN6cNPE66Ki.png) ##### **Gaussian Dağılım ve Kalman Filtresine Karşı Parçacık Filtresi** Gaussian (Normal) dağılım, birçok mühendislik probleminde hataların modellenmesi için kullanılan temel bir istatistiksel dağılımdır. Gaussian dağılım şu özelliklere sahiptir: **1.** Tek tepe noktalıdır(unimodal). **2. **Ortalama ve kovaryans ile [tam](/tr/detay/tam/llms.txt) olarak tanımlanır. Kalman filtresi, bu özellikler nedeniyle yalnızca Gaussian dağılımlarda ve doğrusal sistemlerde etkili bir şekilde çalışır ancak gerçek [dünya](/tr/detay/dunya-2/llms.txt)** **sistemlerinde: **1.** Ölçüm ve hareket gürültüsü genellikle Gaussian olmayabilir. **2.** Karmaşık ve çok tepeli olasılık dağılımları oluşabilir. Bu durumlarda, parçacık filtresi Gaussian varsayımı olmaksızın çalışabilir ve dağılımın şekli ne olursa olsun doğru bir kestirim yapabilir. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/01/MtPygzWyXqF6tMzlLJSomDHl1lQShigT.png) #### **Parçacık Filtresinin İşleyişi** Parçacık filtresi, bir sistemin durumunu tahmin etmek ve bu tahmini sensör ölçümleriyle düzeltmek için kullanılan iteraktif bir algoritmadır. İşleyişi, Bayes teoreminin pratik bir uygulamasıdır ve şu temel adımlardan oluşur: **1.** Olasılık Dağılımının Temsili **2. **Tahmin **3. **Güncelleme **4.** Yeniden Örnekleme (Resampling) **5.** İterasyon ve Yakınsama ##### **Başlangıç: Olasılık Dağılımının Temsili** Parçacık filtresi, sistemin durumunu (örneğin bir robotun konumu ve yönelimi) olasılık dağılımı olarak temsil eder. Bu dağılım, sürekli bir fonksiyon yerine, çok sayıda örnek (parçacık) ile yaklaşık olarak ifade edilir. Her parçacık, sistemin [olası](/tr/detay/olasi/llms.txt) bir durumunu ve bu durumun ne kadar olası olduğunu (ağırlığını) temsil eder. **1.** Eğer sistemin başlangıç durumu bilinmiyorsa, parçacıklar tüm durum uzayına rastgele dağıtılır. **2.** Eğer ön [bilgi](/tr/detay/bilgi-4/llms.txt) varsa (örneğin robotun başlangıç konumunun yaklaşık yeri biliniyorsa), parçacıklar bu bilgiye göre dağıtılır. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/01/5sBlGocDAQ3rBrmTOKc9Vy9kJPNwpYnT.png) Haritada Rastgele Oluşturulan Parçacıkların Gösterimi ##### **Tahmin** Tahmin aşamasında, her parçacık, sistemin hareket modeline göre güncellenir. Hareket modeli, sistemin nasıl ilerleyeceğini tanımlayan bir denklemdir. Örneğin bir robotun hız ve [dönme](/tr/detay/donme-2/llms.txt) açısı gibi verileri kullanılarak yeni bir [konum](/tr/detay/konum/llms.txt) tahmin edilir. **Tahmin sürecinde**: **1.** Her parçacık, hareket modeline göre ileriye taşınır. **2.** Rastgele bir gürültü eklenir, bu sayede hareket modelindeki belirsizlik hesaba katılır. **3.** Sonuç, tahmin edilen yeni durumlar olarak kaydedilir. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/01/Gj8xQipWIoFA7q6WfrUrLV5nyVBUHyuj.png)       Robotun Haritada Yaptığı Hareket  ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/01/TTl49609aB43h0e1EtPq35J8G67V5Oum.png)                                          Parçacıkların İlk Durumdaki Olasılıksal Konum Tahminleri   ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/01/Ss1iIEPms8WXcBrNFMQf0nRFkQwd6yYD.png)                                        Parçacıkların Hareket Modeline Göre Gürültü Eklenerek Güncellenmesi   ##### **Güncelleme** Bu aşamada, sistemden elde edilen ölçüm verileri (ör. lidar veya [kamera](/tr/detay/kamera-3/llms.txt)) kullanılarak her bir parçacığın “gerçek” durumu temsil etme olasılığı hesaplanır. Bu olasılıklar, ölçüm modeli ile belirlenir. **Olasılık Hesaplama**: **1. **Her parçacık için ölçüm modeli kullanılarak tahmin edilen ölçüm hesaplanır. **2. **Tahmin edilen ölçüm, gerçek ölçümle karşılaştırılır. **3.** Aradaki farkın büyüklüğüne bağlı olarak parçacığın ağırlığı güncellenir. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/01/gfq9kjjNGoPWDFeWIHnmAVWj4oN1j7wf.png) ##### **Yeniden Örnekleme (Resampling)** Bu [adım](/tr/detay/adim-2/llms.txt), düşük olasılıklı parçacıkları sistemden çıkararak filtreyi daha verimli hale getirir. Yeniden örnekleme işlemi şu şekilde yapılır: **1. **Her parçacığın ağırlığı normalleştirilir, böylece toplam ağırlık 1 olur. **2.** Parçacıklar, ağırlıklarına göre yeniden seçilir. Daha yüksek ağırlıklı parçacıklar daha fazla kopyalanır. **3. **Bu işlem sonucunda, parçacıklar yüksek olasılıklı bölgelerde yoğunlaşır. **Önemli Nokta**: Yeniden örnekleme, filtreyi yüksek olasılıklı alanlara odaklar, ancak çeşitliliği kaybetmemek için dikkatli bir şekilde yapılmalıdır. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/01/eQxIxGhwOGz1onaJngSMcrJ3jWPJTgMK.png) ##### **İterasyon ve Yakınsama** Tahmin ve güncelleme adımları, her ölçümde ve hareket tahmininde tekrar edilir. Zamanla, parçacıklar sistemin gerçek durumunu temsil eden bölgelerde yoğunlaşır. Bu yoğunlaşma, parçacık filtresinin durum tahmininde daha doğru hale gelmesini sağlar. #### **Parçacık Dağılımına Bir Örnek: Temizlik Robotu** Bir Temizlik Robot’un bir ofis binasında konumunu belirlemek için parçacık filtresi şu şekilde çalışabilir: **1. Başlangıç**: Robotun konumu bilinmediği için parçacıklar ofis binası haritasına rastgele dağıtılır. **2. Tahmin**: Robot hareket ettikçe, parçacıklar dead reckoning verileriyle hareket modeli kullanılarak ileriye taşınır. **3. Güncelleme**: Lidar sensöründen alınan mesafeler, [bina](/tr/detay/bina-2/llms.txt) haritasıyla karşılaştırılır ve her parçacığın uyumu değerlendirilir. **4. Yeniden Örnekleme**: Daha yüksek olasılıklı parçacıklar çoğaltılır, düşük olasılıklı olanlar elenir. **5. Sonuç**: Zamanla parçacıklar, robotun gerçek konumu etrafında yoğunlaşır ve doğru bir tahmin sağlar. ##### **Parçacık Filtresinin Avantajları** **1.** Gaussian (normal dağılım) varsayımı olmadan çalışabilir. **2. **Çok tepeli olasılık dağılımlarını temsil edebilir. **3.** Hem doğrusal hem de doğrusal olmayan sistemlerde kullanılabilir. **4.** Dinamik ve belirsiz ortamlarda güvenilir sonuçlar sunar. ##### **Parçacık Filtresinin Sınırlamaları** **1.** Yüksek hesaplama maliyeti (parçacık sayısı arttıkça artar). **2.** Çok düşük parçacık sayısı durumunda çeşitliliği kaybedebilir ve [yanlış](/tr/detay/yanlis-e053c/llms.txt) sonuçlara sapabilir. ## Academic Sources and References 1. Thrun, Sebastian, Wolfram Burgard, and Dieter Fox. Probabilistic Robotics. The MIT Press, 2005.Liu, Jun S. Monte Carlo Strategies in Scientific Computing. Springer, 2001.Smith, John. “Particle Filter Applications in Robotics.” IEEE Transactions on Robotics 34, no. 2 (2018): 356–371.