A*-DWA ile geliştirilmiş lazer SLAM bahçe navigasyon sistemi, küresel yol planlamasında geliştirilmiş A* algoritmasını, gerçek zamanlı yerel engelden kaçınmada Dynamic Window Approach (DWA) yöntemini, konumlandırmada AMCL'yi ve haritalamada GMapping'i birleştiren bir tarımsal robot navigasyon mimarisidir. Hongsen Wang ve çalışma arkadaşları, özellikle armut bahçelerinde geleneksel A* tabanlı navigasyonun engellere gereğinden fazla yaklaşması, keskin ve gereksiz dönüşler üretmesi, hareketli engellere tepki verememesi ve enerji tüketimini artırması sorunlarını gidermek amacıyla bu bütünleşik sistemi geliştirmiştir. Sistem, küresel yolu önceden optimize ederken LiDAR ile algılanan beklenmedik engeller karşısında DWA aracılığıyla yerel güzergâhı değiştirir ve engel geçildikten sonra robotu tekrar küresel yola yönlendirir.

Geliştirilmiş A* planlayıcısında üç temel değişiklik yapılmıştır: engel köşelerine komşu yüksek riskli düğümlerin elenmesi, gereksiz ara düğümlerin kaldırılması ve engel yoğunluğunun sezgisel maliyet fonksiyonuna eklenmesi. Üretilen yol daha sonra Bresenham erişilebilirlik doğrulaması, kübik spline interpolasyonu ve eğrilik kısıtı optimizasyonundan oluşan üç aşamalı bir işlemle yumuşatılmıştır. DWA tarafında ise yönelim, engel mesafesi, doğrusal hız, tahmin ufku ve hız çözünürlüğü gibi parametreler paletli bahçe robotunun kinematiğine ve 0.8–1.2 m güvenlik mesafesi gereksinimine göre ayarlanmıştır.

Matlab, Gazebo ve Rviz tabanlı simülasyonlar ile “Xinli No. 7” armut bahçesindeki gerçek robot deneyleri, önerilen bütünleşik yaklaşımın incelenen koşullarda geleneksel A*'a kıyasla daha güvenli ve daha kararlı navigasyon sağladığını göstermiştir. Saha deneylerinde güç tüketim oranı %23'ten %13'e düşmüş, ortalama yanal sapma 0.021 m'den 0.011 m'ye gerilemiş ve dönüş sırasında görülen en yüksek yanal sapma 0.40 m'den 0.14 m'ye düşürülmüştür. Engelden kaçınma deneylerinde kullanılan senaryolarda A*-DWA %100 başarı göstermiş ve yaklaşık 1.05–1.12 m minimum güvenlik mesafesini korumuştur.

Bu sonuçlar, A*-DWA yaklaşımının çalışmada kullanılan armut bahçesi, robot platformu, LiDAR sistemi ve test koşulları altında elde edilmiştir. Sonuçlar farklı tarım arazilerinde, farklı robotlarda veya tüm çevresel koşullarda otomatik olarak aynı performansın elde edileceği anlamına gelmez. Araştırmanın önemli sınırlılıklarından biri algılamanın ağırlıklı olarak LiDAR'a dayanmasıdır.

Lazer SLAM Bahçe Robotlarında Nasıl Kullanılır?

Lazer SLAM, bir mobil robotun LiDAR ölçümlerinden yararlanarak çevresinin haritasını oluştururken aynı anda bu harita içindeki kendi konumunu tahmin etmesini sağlayan navigasyon yaklaşımıdır. Bu çalışmada LiDAR çevredeki geometrik yapıyı algılar, GMapping iki boyutlu doluluk haritasını oluşturur, AMCL robotun harita üzerindeki konumunu tahmin eder, A*-DWA katmanı izlenecek yolu hesaplar ve hareket kontrol katmanı hesaplanan hız ile yön komutlarını paletli platforma uygular.

Bahçe navigasyonunun temel problemi

Bir meyve bahçesi tamamen açık bir arazi değildir. Ağaç sıraları, dallar, meyve kasaları, çalışanlar, tarım makineleri ve yere düşmüş araç veya dallar robot için engel oluşturabilir. Ayrıca ağaç sıraları arasında robotun manevra yapabileceği alan sınırlıdır.

Araştırmanın yürütüldüğü armut bahçesinde sıra aralığı yaklaşık 4 m, bitkiler arasındaki mesafe 1.5–2 m ve tarla kenarı boşluğu 3–5 m'dir. Bu yapı, ortamı düzenli görünmesine rağmen navigasyon açısından yarı yapılandırılmış hale getirir.

Klasik A* algoritması başlangıç ve hedef arasında küresel bir yol bulabilir. Ancak önceden oluşturulan haritaya dayanması nedeniyle sonradan ortaya çıkan bir insan veya meyve kasası gibi dinamik ya da haritada bulunmayan engelleri kendi başına yönetemez. DWA ise robotun mevcut hızını, dönüş yeteneğini ve yakın çevredeki engelleri hesaba katarak gerçek zamanlı yerel karar verebilir; fakat yalnız yerel bilgiyle hareket ettiğinde çıkmazlara veya yerel minimumlara yakalanabilir.

Araştırmacıların temel yaklaşımı bu iki yöntemin birbirinin zayıflığını tamamlamasıdır: A* genel hedefe ulaşılacak küresel yolu belirler, DWA ise yol üzerinde beklenmeyen bir engel belirdiğinde kısa süreli yerel kaçış manevrası üretir.

Sistem mimarisi

Çalışmada navigasyon sistemi beş temel katman halinde düşünülebilir:

1. Donanım: paletli mobil robot ve LiDAR.
2. Algılama: çevredeki nesnelerin lazer taramasıyla belirlenmesi.
3. Haritalama ve konumlandırma: GMapping ve AMCL.
4. Yol planlama: geliştirilmiş A* ve DWA ortak çalışması.
5. Hareket kontrolü: doğrusal ve açısal hız komutlarının robot şasisine uygulanması.

Robotun LiDAR'ı hesaplama yükünü azaltmak amacıyla navigasyon sırasında öne doğru 180° algılama alanı kullanacak şekilde yapılandırılmıştır. Bu bölge, robotun ilerlediği koridoru gözlemlemek ve yeni engelleri zamanında algılamak için kullanılır.

Geliştirilmiş A* Algoritması Geleneksel A*'tan Nasıl Ayrılır?

Geliştirilmiş A* algoritması geleneksel A*'ın temel maliyet aramasını korurken, meyve bahçesi navigasyonuna özgü olarak engel köşelerine güvenli mesafe bırakır, gereksiz ara düğümleri kaldırır, engel yoğunluğunu sezgisel maliyete dahil eder ve üretilen yolu kinematik açıdan daha yumuşak hale getirir. Böylece yalnız en kısa geometrik bağlantının değil, gerçek paletli robotun daha güvenli ve daha az keskin dönüşle izleyebileceği bir referans yolun oluşturulması amaçlanır.

Geleneksel A* maliyet fonksiyonu

A* algoritmasının temel değerlendirme fonksiyonu şöyledir:

\[ f(n)=g(n)+h(n) \]

Burada \(g(n)\), başlangıç noktasından mevcut \(n\) düğümüne kadar oluşan gerçek maliyeti; \(h(n)\), mevcut düğümden hedefe kalan tahmini maliyeti; \(f(n)\) ise toplam değerlendirme maliyetini ifade eder.

Algoritma her adımda en düşük \(f(n)\) değerine sahip düğümleri önceliklendirerek hedefe doğru ilerler. Ancak yalnız grid üzerinde kısa yol bulmak, gerçek robot güvenliği için yeterli değildir.

Engel köşesi güvenlik kontrolü

Çalışmada GMapping grid çözünürlüğü 0.5 m olarak belirlenmiştir. Bir aday düğüm engel köşesine bir grid veya daha az, yani en fazla 0.5 m uzaklıktaysa yüksek riskli kabul edilerek arama listesinden çıkarılır.

Optimize edilen yolun engel köşelerinden en az iki grid, yaklaşık 1 m uzaklıkta kalması hedeflenmiştir. Bu değer, çalışmada belirtilen 0.8–1.2 m tarım makinesi güvenlik gereksinimi ve robotun 0.862 m genişliği dikkate alınarak seçilmiştir.

Bu değişiklik özellikle dönüş noktalarında önemlidir. Grid üzerinde matematiksel olarak boş görünen bir hücre, gerçek robot genişliği ve ağaç dalları dikkate alındığında güvenli olmayabilir.

Gereksiz düğümlerin kaldırılması

Geleneksel A* tarafından oluşturulan yol çok sayıda küçük doğrultu değişimi içerebilir. Bu durum paletli bir araçta hem dönüş sayısını hem de enerji tüketimini artırabilir.

Geliştirilmiş yöntemde ardışık yol parçalarının eğimleri değerlendirilir. Aradaki bir düğüm yön bilgisini değiştirmiyorsa veya doğrudan bağlantı engelle kesişmeden kurulabiliyorsa bu düğüm kaldırılabilir. Böylece robotun izlemesi gereken waypoint sayısı ve dönüş miktarı azalır.

Engel yoğunluğu içeren sezgisel fonksiyon

Çalışmada iyileştirilmiş maliyet fonksiyonu şu biçimde tanımlanmıştır:

\[ f(n)=w\,g(n)+\left(1-\log(P)\right)h(n) \]

Burada \(P\), mevcut düğüm ile hedef arasındaki arama koridorundaki engel yoğunluğunu; \(w\) ise gerçek yol maliyeti ile engel yoğunluğuna duyarlı sezgisel maliyet arasındaki dengeyi belirleyen statik katsayıyı ifade eder.

Araştırmacılar \(w\) için 0.3–0.6 aralığını test etmiş ve kendi deney koşullarında \(w=0.4\) değerini kullanmıştır.

Engel yoğunluğu \(P\), mevcut düğüm ile hedef arasındaki referans çizgisinin çevresinde dört grid, yani yaklaşık 2 m genişliğinde bir arama koridoru oluşturularak hesaplanmaktadır:

\[ P=\frac{N_{\mathrm{obs}}}{N_{\mathrm{total}}} \]

\(N_{\mathrm{obs}}\) koridordaki dolu gridlerin, \(N_{\mathrm{total}}\) ise değerlendirilen toplam gridlerin sayısıdır. GMapping doluluk olasılığında %70'in üzerindeki hücreler engel, %30'un altındaki hücreler boş olarak sınıflandırılmıştır.

Üç aşamalı yol yumuşatma

İlk A* yolu oluşturulduktan sonra araştırma üç aşamalı bir iyileştirme uygular:

1. Bresenham doğrulaması: iki önemli düğüm arasındaki düz hattın engelle kesişip kesişmediği denetlenir ve gereksiz ara düğümler kaldırılır.
2. Kübik spline interpolasyonu: keskin köşeler yerine türev sürekliliği olan daha yumuşak bir yol oluşturulur.
3. Eğrilik kısıtı optimizasyonu: robotun takip etmekte zorlanacağı ani eğrilik değişimleri azaltılır.

İlk optimizasyondan sonra yol düğümleri şu biçimde ifade edilir:

\[ P=\{(x_1,y_1),(x_2,y_2),\ldots,(x_n,y_n)\} \]

Her düğüm için yol başlangıcından itibaren kümülatif yay uzunluğu hesaplanır:

\[ t_1=0 \]

\[ t_k=\sum_{i=2}^{k}\sqrt{(x_i-x_{i-1})^2+(y_i-y_{i-1})^2} \]

Bu parametre, iki koordinat bileşeni için parça parça kübik fonksiyonların kurulmasında kullanılır:

\[ x=S_x(t), \qquad y=S_y(t) \]

Spline parçaları düğümlerde yalnız konumsal olarak birleşmez; birinci ve ikinci türevlerin de sürekliliği korunur. Böylece yol yönünün ve eğriliğinin ani sıçramalar göstermemesi amaçlanır.

Daha sonra yol üzerinde örnekleme yoğunluğu \(m=5n\) olacak biçimde yeni noktalar hesaplanır ve toplam eğrilik karesini azaltmaya yönelik optimizasyon uygulanır:

\[ \min \sum_{i=2}^{n-1} k_i^2 \]

Düz bir yol parçasında \(k_i\) küçükken keskin dönüşlerde büyür. Dolayısıyla bu amaç fonksiyonunun azaltılması paletli robot için daha yumuşak bir hareket geometrisi üretmeye yardımcı olur.

DWA Dinamik Engellerden Kaçınmayı Nasıl Sağlar?

Dynamic Window Approach, robotun ulaşabileceği doğrusal ve açısal hız kombinasyonlarını kısa bir tahmin ufku boyunca simüle eder ve her aday hareketi hedef yönelimi, engel mesafesi ve hız açısından değerlendirerek uygulanabilecek yerel bir hız komutu seçer. Bu çalışmada DWA, LiDAR'ın küresel A* yolunda bulunmayan yeni bir engel algılaması durumunda devreye girerek robotu küresel yoldan geçici olarak saptırır, engeli güvenli mesafeden dolaştırır ve ardından tekrar referans yola bağlar.

Robot hareket modeli

Paletli diferansiyel sürüş platformunun kısa zaman aralığındaki hareketi şu denklemlerle modellenmektedir:

\[ x_{t+\Delta t}=x_t+v\Delta t\cos(\theta_t) \]

\[ y_{t+\Delta t}=y_t+v\Delta t\sin(\theta_t) \]

\[ \theta_{t+\Delta t}=\theta_t+\omega\Delta t \]

Burada \(v\) doğrusal hız, \(\omega\) açısal hız, \(\theta\) robot yönelimi ve \(\Delta t\) kısa tahmin zaman aralığıdır.

Bu sürede alınacak yaklaşık doğrusal mesafe:

\[ \Delta S=v\Delta t \]

olarak hesaplanır.

DWA değerlendirme fonksiyonu

Aday hareketlerin değerlendirilmesinde çalışma şu genel yapıyı kullanır:

\[ G(v,\omega)=\sigma\left[ \alpha\,heading(v,\omega) +\beta\,dist(v,\omega) +\gamma\,velocity(v,\omega) \right] \]

\(heading(v,\omega)\), öngörülen hareketin hedef yönüyle uyumunu; \(dist(v,\omega)\), öngörülen yol ile en yakın engel arasındaki mesafeyi; \(velocity(v,\omega)\) ise doğrusal hız bileşenini temsil eder.

Bu yapı üç ihtiyacı aynı anda dengeler: hedefe yönelmek, engelden güvenli uzaklıkta kalmak ve gereksiz yere çok düşük hızlarda hareket etmemek.

DWA parametreleri

Duyarlılık deneylerinde \(\alpha\) değerinin 0.3'ün altına düşmesi U biçimli ağaç boşluklarında yerel minimum sorunlarını artırırken, 0.5'in üzerine çıkması yol uzunluğunu artırmıştır. \(\beta=0.5\), çalışmada güvenlik mesafesi ile tepki süresi arasında uygun bir denge sağlamıştır. Tahmin ufkunun 0.8 s seçilmesi ise LiDAR örnekleme ritmi ile gerçek zamanlı hesaplama yükü arasında denge oluşturmuştur.

A*-DWA'nın “sap–kaçın–geri dön” mekanizması

Sistemin temel çalışma akışı şu şekildedir:

1. Geliştirilmiş A* başlangıçtan hedefe küresel referans yol üretir.
2. Robot bu yolu takip eder.
3. LiDAR haritada bulunmayan yeni bir engel tespit eder.
4. DWA mevcut hız uzayındaki güvenli yörüngeleri değerlendirir.
5. Robot küresel yoldan geçici olarak sapar.
6. Engelin çevresinden uygun güvenlik mesafesiyle geçer.
7. A* tarafından tanımlanan genel hedef yönünü korur.
8. Engel geçildikten sonra küresel referans yola yeniden birleşir.

Bu işbirliği özellikle iki tekil algoritma sorununu hedefler: küresel A* dinamik engelleri göremezken, yalnız DWA ile çalışan sistemler U biçimli veya benzeri yerel çıkmazlarda hedef yönünü kaybedebilir.

Çalışmanın Yöntemi ve Bulguları

Simülasyon altyapısı

Geliştirilmiş A* küresel planlayıcısı Matlab 2023b üzerinde test edilmiştir. Geleneksel A*, Bidirectional Adaptive A*, Obstacle-Density-Weighted A*, Bézier-Smoothed A* ve araştırmacıların geliştirdiği A* olmak üzere beş yaklaşım basit, orta ve karmaşık engel haritalarında karşılaştırılmıştır.

Değerlendirme ölçütleri:

• dönüş sayısı,
• yol uzunluğu,
• genişletilen düğüm sayısı,
• hesaplama süresi.

Kaynağın metinsel analizinde geliştirilmiş A* için basit, orta ve karmaşık koşullarda sırasıyla 2, 5 ve 11 dönüş ifadesi yer almakla birlikte Table 1'de orta senaryo için 8 dönüş gösterilmektedir. Bu kaynak içi farklılık sessizce düzeltilmemelidir. Verianla açısından tablo kaynak-of-truth olarak ele alındığında orta senaryo değeri 8 olarak korunmuştur; kaynak metnindeki 5 ifadesi ayrıca bir editoryal tutarsızlık olarak not edilmelidir.

Gazebo-ROS1 engelden kaçınma deneyleri

Ortamda bahçelerde karşılaşılabilecek üç temsilî engel kullanılmıştır:

• 0.6 × 0.4 × 0.3 m meyve kasası,
• yaklaşık 1.7 × 0.7 m insan/çalışan engeli,
• 0.05 m çapında ve 1.2 m uzunluğunda ahşap çubuk.

Ek Gazebo-ROS1 simülasyonlarında toplam 45 deneme gerçekleştirilmiştir.

Aynı simülasyon koşullarında geleneksel A* için raporlanan engelden kaçınma başarı oranı %72–78, tepki süresi yaklaşık 1.03–1.23 s ve minimum güvenlik mesafesi 0.36–0.42 m aralığındadır.

Gerçek robot platformu

Gerçek saha testi

Saha deneyi 14 Temmuz 2025'te “Xinli No. 7” armut bahçesinde gerçekleştirilmiştir. Bahçe 1.2 hektardır. Deney için yaklaşık 500 m²'lik, üç ağaç sırasını içeren bir alt alan kullanılmıştır. Merkez navigasyon koridorunun genişliği yaklaşık 3–4 m'dir. Test sırasında hava açık ve ortam sıcaklığı 32 °C olarak raporlanmıştır.

Robot önce GMapping ile bahçenin lazer SLAM haritasını oluşturmuş, ardından AMCL ile harita üzerindeki konumunu tahmin ederek navigasyon deneylerini gerçekleştirmiştir.

Gerçek saha çalışmasında geleneksel A* ve A*-DWA için altı tekrarlı koşular yapılmış; farklı engel yerleşimleriyle toplam 36 geçerli saha deneyi raporlanmıştır.

A*-DWA Saha Testlerinde Ne Kadar İyileşme Sağladı?

“Xinli No. 7” armut bahçesindeki deneylerde A*-DWA, geleneksel A*'a göre güç tüketimi, yanal yol takip hatası, dönüş kararlılığı, engelden kaçınma tepki süresi ve güvenlik mesafesinde daha iyi değerler üretmiştir. En belirgin sonuçlardan biri dönüş sırasında tepe yanal sapmasının 0.40 m'den 0.14 m'ye düşmesi, diğeri ise güç tüketim oranının %23'ten %13'e gerilemesidir.

Tepe dönüş sapmasının 0.40 m'den 0.14 m'ye düşmesi yaklaşık %65 azalmaya karşılık gelmektedir. Global yanal sapma standart sapması 0.061 m'den 0.029 m'ye düşerek yaklaşık %52.5 azalırken, dönüş bölgesindeki standart sapma 0.162 m'den 0.045 m'ye gerilemiştir.

Gerçek bahçede engelden kaçınma

A*-DWA'nın gerçek saha deneylerinde koruduğu 1.05–1.12 m minimum engel mesafesi, araştırmacıların kullandığı 0.8–1.2 m tarımsal makine güvenlik aralığının içindedir. Geleneksel A* için ölçülen 0.35–0.41 m değerleri ise bu deneysel gereksinimin oldukça altındadır.

Enerji tüketimi neden azalmış olabilir?

Kaynak verileri, A*-DWA yolunda dönüş sayısının dört yerine ikiye, yol uzunluğunun 820 m'den 813 m'ye ve toplam seyir süresinin 1210 s'den 1050 s'ye düştüğünü göstermektedir. Bu değişimler, gereksiz düğümlerin kaldırılması ve daha yumuşak yol geometrisinin enerji tüketimindeki azalmayla birlikte ortaya çıktığını göstermektedir. Ancak deney yalnız bu faktörlerin bağımsız enerji katkılarını ayrı ayrı ölçmediği için %10'luk enerji farkının tamamını tek bir mekanizmaya bağlamak doğru değildir.

Çalışmanın desteklediği sonuçlar

• Geliştirilmiş A*, test edilen bahçe haritalarında engellere daha güvenli uzaklıkta yol üretebilmektedir.
• Gereksiz düğüm azaltma ve yol yumuşatma, incelenen koşullarda dönüş ve yol takip sapmalarını azaltmıştır.
• DWA, statik küresel yol üzerinde sonradan ortaya çıkan engeller için gerçek zamanlı yerel kaçış sağlayabilmiştir.
• A*'ın küresel hedef bilgisi DWA'nın yerel minimum sorununu azaltmak için kullanılmıştır.
• Gazebo-ROS1 simülasyonlarında ve gerçek armut bahçesi testlerinde sistem incelenen engelleri başarıyla aşmıştır.
• Gerçek saha testinde enerji tüketim oranı, yanal sapma ve navigasyon süresi geleneksel A*'a göre azalmıştır.

Çalışmanın desteklemediği genellemeler

• %100 engelden kaçınma oranı bütün bahçeler ve bütün koşullar için garanti anlamına gelmez.
• Çalışma çok yüksek hızlı hareketli engeller üzerinde kapsamlı doğrulama sunmamaktadır.
• LiDAR algılaması nesnenin türünü her koşulda güvenilir biçimde sınıflandırdığını göstermemektedir.
• Sistem farklı ağaç türleri, sıra geometrileri, eğimli zeminler veya ağır hava koşullarında aynı performansı gösterecek biçimde doğrulanmamıştır.
• Bu çalışma tam otonom meyve toplama sisteminin tamamını doğrulamamaktadır; navigasyon katmanına odaklanmaktadır.
• A*-DWA'nın bütün robotik yol planlama algoritmalarından evrensel olarak üstün olduğu sonucuna varılamaz.

Sınırlılıklar ve gelecek çalışmalar

Araştırmacılar algılama katmanının LiDAR ağırlıklı olmasını temel sınırlılıklardan biri olarak belirtmektedir. LiDAR çevrenin geometrisini güçlü biçimde ölçse de engelin semantik türünü ayırt etme kapasitesi sınırlıdır.

Gelecek çalışmalarda LiDAR ile RGB-D kameranın birleştirilmesi, yüksek hızlı dinamik engeller için DWA tahmin ufkunun geliştirilmesi ve navigasyon sistemine meyve toplama uç efektörlerinin eklenmesi önerilmektedir.

Bu yönelim, çalışmanın bugünkü sonucunun tam otonom hasat sistemi değil, güvenli ve düşük maliyetli bahçe robotu navigasyonu için doğrulanmış bir temel olduğunu göstermektedir.

Kaynak ve Yöntem Notu

Özgün başlık: An A*-DWA Algorithm Enhanced Laser SLAM System for Orchard Navigation: Design and Performance Analysis

Yazarlar: Hongsen Wang, Xiuhua Zhang, Zheng Huang, Yongwei Yuan, Degang Kong ve Shanshan Li

Sorumlu yazar: Xiuhua Zhang

Kurumlar: College of Mechanical and Electrical Engineering, Hebei Agricultural University; Hebei Intelligent Agriculture Technology Innovation Center, Baoding, Çin.

Dergi: Agriculture

Yayıncı: MDPI

Cilt / sayı / makale: 16(4), 469

Yayın tarihi: 18 Şubat 2026

DOI: 10.3390/agriculture16040469

Kaynak türü: Hakemli özgün araştırma makalesi.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Hebei Agriculture Research System (HARS), Grant No. HBCT2024170207.

Veri erişilebilirliği: Yazarlar çalışmanın özgün katkılarının makale içinde bulunduğunu, ilave soruların sorumlu yazara yöneltilebileceğini belirtmektedir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Deney tipi: Matlab tabanlı küresel yol planlama simülasyonları; Gazebo-ROS1/Rviz engelden kaçınma simülasyonları; gerçek paletli robotla armut bahçesi saha doğrulaması.

Saha: “Xinli No. 7” armut bahçesi; yaklaşık 1.2 hektar toplam alan ve deney için yaklaşık 500 m² alt bölge.

Temel sensör: RoboSense 16 hatlı LiDAR.

Haritalama: GMapping.

Konumlandırma: AMCL.

Küresel planlama: engel-köşe güvenlik kontrolü, gereksiz düğüm eliminasyonu, engel yoğunluğu ağırlıklı sezgisel fonksiyon ve üç aşamalı yol yumuşatma içeren geliştirilmiş A*.

Yerel planlama: bahçe koşullarına kalibre edilmiş Dynamic Window Approach.

Temel yöntemsel sınır: Sonuçlar belirli bir robot platformu, LiDAR sistemi, armut bahçesi geometrisi ve test engelleri altında elde edilmiştir. Özellikle LiDAR-only algılama ve daha hızlı dinamik engeller için mevcut DWA tahmin yapısı araştırmacılar tarafından geliştirilmesi gereken alanlar olarak belirtilmiştir.

Kaynak içi veri notu: Küresel A* simülasyon sonuçlarının anlatı bölümünde orta karmaşıklıktaki senaryo için dönüş sayısı 5 olarak ifade edilirken, Table 1'de geliştirilmiş A* için değer 8 olarak görünmektedir. Kaynak içerisindeki bu tutarsızlık Verianla tarafından sessizce düzeltilmemiş; tablo değeri veri tablosunda korunmuş ve farklılık açıkça belirtilmiştir.

Verianla anlatım yöntemi: Bu içerik kaynak akademik makalenin cümle cümle çevirisi veya yakın yeniden yazımı değildir. Kaynaktaki algoritmalar, denklemler, deney koşulları, ölçümler, sonuçlar ve sınırlılıklar bilimsel bilgi düzeyinde çıkarılarak bağımsız Türkçe öğretici yapıda yeniden düzenlenmiştir.