Araştırma, insansı bir robotun iki koluyla bir tepsiyi kavrayıp üzerinde serbest duran nesneleri düşürmeden veya devirmeden uzaktan taşıması sırasında ortaya çıkan bir güvenlik problemini ele alıyor. Buradaki “nonprehensile transportation”, taşınan nesnelerin robot tarafından tek tek kavranmadığı; sürtünme, yerçekimi ve atalet kuvvetleri kullanılarak bir tepsi veya taşıyıcı yüzey üzerinde dengede tutulduğu taşıma biçimini ifade ediyor. Bu görevde robotun eklem ve çalışma alanı sınırları ile tepsideki nesnelerin kaymama ve devrilmeme koşulları aynı anda sağlanmak zorunda.

Araştırmacılar bu çatışan gereksinimleri tek bir büyük optimizasyon problemine koymak yerine Multiple-Constraint Safety-Critical Control Framework (MC-SCCF) adlı üç katmanlı bir mimari oluşturuyor. Üst katman, robot çalışma alanının sınırına yaklaşırken operatörün hız komutunu güvenli biçimde filtreliyor. Orta katman, tepsi üzerindeki nesnelerin kaymasını ve devrilmesini önleyecek konum–yönelim bağlantılı referans hareketini Model Predictive Control (MPC) ile oluşturuyor. Alt katman ise QP tabanlı ters kinematik kullanarak çift kol koordinasyonu, eklem sınırları, tekillikten kaçınma, öz-çarpışma önleme ve bel düzenlemesini birlikte yönetiyor.

Çalışma alanı erişilebilirliğini gerçek zamanlı değerlendirmek için her kol için önceden oluşturulmuş ayrık erişilebilirlik haritaları, tam bağlı bir sinir ağıyla sürekli ve türevlenebilir bir vekil modele dönüştürüldü. Bir milyon rastgele çift-kol hedef pozu üzerinde önerilen erişilebilirlik karar mekanizmasının genel doğruluğu %97,86, precision değeri %97,60 ve ortalama sorgu süresi 60 µs olarak bildirildi. Ayrıntılı çalışma alanı sınırı aramasında 10.000 test için ortalama mesafe sapması 2,26 cm, ortalama hesaplama süresi ise 1,18 ms oldu.

Fiziksel deneylerde 10 kullanıcı, çift kollu insansı robotla tepsi üzerindeki 14 nesneyi bir engelin üzerinden geçirerek hedef bölgeye taşımaya çalıştı. Her katılımcı üç kontrol modunu dört kez kullandı ve toplam 120 deneme gerçekleştirildi. Önerilen MC-SCCF ve standart doğrusal CBF modu %100 görev başarısına ulaşırken güvenli hız filtresi olmayan No-SVF modu %82,5 başarı gösterdi. MC-SCCF'nin ortalama görev süresi 76,8 saniye iken standart CBF'de 103 saniyeydi. No-SVF modunda toplam nesne kayması 121 mm; standart CBF'de 57,8 mm; MC-SCCF'de 60,9 mm oldu.

Bu sonuçlar MC-SCCF'nin test edilen sabit tabanlı insansı robot ve belirli taşıma görevi altında güvenlik ile çalışma akıcılığı arasında başarılı bir denge kurabildiğini gösteriyor. Bununla birlikte çalışma yalnız 10 katılımcı, tek robot platformu ve tek temel görev düzeni kullanıyor; mobil taban, yürüyüş, bütün-vücut denge kontrolü ve model içinde açık iletişim gecikmesi doğrulanmamıştır. Sonuçlar bütün insansı robot platformlarına veya bütün teleoperasyon görevlerine doğrudan genellenemez.

Türkiye açısından yöntem; tehlikeli madde taşıma, uzaktan endüstriyel müdahale, afet sahası robotları veya insanın doğrudan yaklaşmasının riskli olduğu ortamlardaki robotik manipülasyon araştırmaları için teknik açıdan incelenebilir. Ancak çalışma Türkiye'deki bir saha, işletme veya robot platformunda yapılmamıştır. Yerel uygulamada robot kinematiği için erişilebilirlik haritalarının yeniden oluşturulması, kullanılacak nesnelerin sürtünme ve geometrik parametrelerinin yeniden belirlenmesi ve gerçek iletişim gecikmeleriyle saha doğrulaması gerekir.

Kavramasız taşıma neden klasik robot taşımadan daha zor?

Klasik kavramada nesne parmaklar veya bir mekanik tutucu tarafından fiziksel olarak sıkıştırılır. Kavramasız taşımada ise nesne çoğu zaman yalnız bir tepsinin veya düz yüzeyin üzerinde durur. Dolayısıyla nesne ile robot arasında onu doğrudan sabitleyen mekanik bir bağlantı bulunmaz.

Robot hızlandığında nesne üzerinde atalet kuvveti oluşur. Yanal ivme çok yüksekse nesne kayabilir. Tepsi fazla yatırılır veya açısal ivme kontrolsüz değişirse nesne devrilebilir. Bu nedenle robotun konumu, hızı, doğrusal ivmesi, tepsi yönelimi ve açısal ivmesi birbirinden bağımsız kontrol değişkenleri değildir.

Aynı anda insansı robotun kendi fiziksel sınırları da vardır: kol eklemleri sınıra ulaşmamalı, iki kol birbirine veya gövdeye çarpmamalı, robot tekil kinematik duruma girmemeli ve iki uç efektör tepsiyi taşırken birbirine göre sabit pozunu korumalıdır.

Neden bütün kısıtlar tek optimizasyon problemine konmamış?

Araştırmanın temel iddiası, çalışma alanı sınırı ile nesne dinamiğinin doğrudan aynı seviyede çatıştırılmasının sorun yaratabileceğidir. Robot sınırına birden ulaştığında klasik sert sınır uygulaması hızda veya ivmede keskin değişime neden olabilir. Robotun kendisi korunurken tepsinin üzerindeki nesne bu ani hareket nedeniyle kayabilir veya devrilebilir.

Bu nedenle MC-SCCF kısıtları fiziksel rollerine göre üç katmana ayırıyor:

Geliştirilmiş CBF neden klasik doğrusal CBF'den farklı?

Control Barrier Function (CBF), sistemin izin verilen güvenli kümenin dışına çıkmasını engellemek için kontrol girdisini sınırlayan matematiksel bir güvenlik mekanizmasıdır. Çalışmada güvenli küme:

\[ C=\{x\in\mathbb{R}^n \mid h(x)\geq0\} \]

olarak tanımlanıyor. Burada \(h(x)\), nesnenin mevcut hareket doğrultusunda yaklaşmakta olduğu çalışma alanı sınırına kalan mesafedir.

Temel bariyer koşulu:

\[ \dot{h}(x)\geq-\alpha(h(x)) \]

şeklindedir. Klasik doğrusal yaklaşımda \(\alpha(h)=\gamma h\) seçilir. Bu yapı sınır yakınında güvenlidir; ancak robot yüksek hızla sınıra yaklaşırken kısıt etkinleştiği anda yüksek ivme tepesi oluşturabilir. \(\gamma\) küçültülürse bu tepki yumuşar fakat robot sınırdan çok daha erken yavaşlamaya başlar.

Çalışmada önerilen parça-bazlı fonksiyon:

\[ \alpha(h)= \begin{cases} \sqrt{2a_{\max}(h-0.5h_t)}, & h\geq h_t\\ \gamma h, & 0\leq h<h_t \end{cases} \]

ve iki parçanın kesintisiz bağlanması için:

\[ \gamma=\sqrt{\frac{a_{\max}}{h_t}} \]

koşulu kullanılıyor.

\(a_{\max}\), izin verilen maksimum yavaşlama ivmesi; \(h_t\) ise sabit yavaşlama davranışından doğrusal CBF bölgesine geçiş mesafesidir. Araştırmacıların ispatına göre bariyer etkin olduğu sürece yavaşlama ivmesinin büyüklüğü \(a_{\max}\)'ı aşmıyor.

İki aşamalı yavaşlama ne anlama geliyor?

Sistem sınırdan görece uzaktayken sabit ivme sınırlı yavaşlama uygulanıyor. Sınırın çok yakınına gelindiğinde doğrusal CBF bölgesine geçiliyor ve hız üstel biçimde sıfıra yaklaşıyor. Böylece robotun sınırda ani durması yerine kontrollü biçimde yavaşlaması amaçlanıyor.

Yüksek başlangıç hızı için kaynakta verilen teorik fren mesafesi:

\[ D_{dec}= \frac{\|\dot{x}\|^2}{2a_{\max}}+ \frac{1}{2}h_t \]

olarak tanımlanıyor. Başlangıç hızı \(\sqrt{a_{\max}h_t}\) eşiğinin altındaysa yalnız üstel yakınsama bölgesi kullanılıyor:

\[ D_{dec}= \|\dot{x}\| \sqrt{\frac{h_t}{a_{\max}}} \]

Bu formüller yalnız hareket doğrultusunun sabit kaldığı varsayım altında verilen fren mesafesi ilişkileridir.

Robot sınırın nerede olduğunu nasıl biliyor?

Çift kollu insansı robotlarda tek kolun erişebildiği bir noktanın iki kol tarafından aynı anda erişilebilir olması garanti değildir. İki kolun hedef pozları birbirine bağlıdır ve bel konfigürasyonu iki kolun erişilebilirliğini aynı anda değiştirir.

Araştırmacılar bu nedenle her kol için üç boyutlu bir ayrık erişilebilirlik haritası oluşturdu. Konum uzayı 5 cm kenar uzunluğuna sahip voxel'lere ayrıldı. Her voxel konumunda 40 farklı dönme ekseni ve 18 farklı açı kullanılarak 720 yönelim sorgulandı.

Her kol için başlangıçta 68.921 uzaysal örnek bulundu. Sıfır erişilebilirliğe sahip noktalar çıkarıldıktan sonra sol kol için 30.757, sağ kol için 30.753 geçerli örnek kaldı. Bunlar %70 eğitim ve %30 doğrulama olarak bölündü.

Erişilebilirlik sinir ağı nasıl kurulmuş?

Diferansiyellenebilir vekil model üç boyutlu uç-efektör konumunu girdi olarak alıp sürekli bir erişilebilirlik puanı üreten tam bağlı sinir ağıdır.

11. sayfadaki Şekil 3, gerçek ayrık erişilebilirlik yüzeyi ile ağın sürekli tahminini farklı kesitlerde üst üste gösteriyor. Kaynak, gösterilen kesitlerde uyum hatasının 0,15'ten küçük olduğunu belirtiyor.

Bel eklemi erişilebilirlikte nasıl kullanılıyor?

Vekil model türevlenebilir olduğu için hedef konumun hangi yönde daha erişilebilir hale geldiğini gösteren \(\nabla\hat{R}(P)\) gradyanı hesaplanabiliyor. Araştırmacılar bu gradyanı sanal bir çekim kuvveti gibi kullanarak bel konfigürasyonunu iteratif biçimde güncelliyor.

Sol ve sağ kolun erişilebilirlik gradyanları ilgili bel Jacobian'ları üzerinden bel eklemine aktarılıyor. İterasyon yakınsadığında elde edilen bel konfigürasyonu gerçek ayrık erişilebilirlik haritasında yeniden sorgulanıyor. Böylece sinir ağı son “gerçek erişilebilirlik kararı” yerine hızlı bir arama yönlendiricisi olarak kullanılıyor.

Predicted Stopping Pose neden hesaplanıyor?

Çalışma alanı sınırının tam mesafesini her kontrol çevriminde aramak gereksiz hesaplama yaratabilir. Bu nedenle robot önce mevcut hızından güvenli biçimde fren yaparsa ulaşacağı Predicted Stopping Pose (PSP) konumunu hesaplıyor.

PSP hâlâ erişilebilirse sınır araması yapılmıyor. PSP erişilemezse mevcut konum ile tahmini durma noktası arasındaki doğrultuda bisection araması başlatılıyor ve çalışma alanı sınırı yaklaşık olarak bulunuyor.

Tepside çok sayıda nesne nasıl tek modele indirgeniyor?

Orta katmanda araştırmacıların daha önce geliştirdiği sanal nesne yaklaşımı kullanılıyor. Tepsideki gerçek nesneler arasında en küçük taban boyutu, en büyük yükseklik ve en düşük sürtünme katsayısı seçiliyor. Bu parametrelerle gerçek nesnelerden daha kararsız olacak biçimde bir “virtual offset object” oluşturuluyor.

Mantık şudur: en olumsuz özellikleri taşıyan bu sanal nesne kaymıyor ve devrilmiyorsa tepsideki gerçek nesnelerin de güvenli kalması hedeflenir.

Sanal nesne aynı anda sürtünme konisi ve Zero Moment Point (ZMP) kısıtını sağlamalıdır. Kaynak bu iki koşulu referans nesnenin izin verilen açısal ivmesine indirger:

\[ \|\dot{\Omega}\| \leq \min \left( \frac{\|\ddot{x}-g\|}{\|P_A\|}\sin\theta_0,\, \frac{\|\ddot{x}-g\|d} {2J_{\max}+\|P_A\|\sqrt{d^2+h^2}} \right) \]

Burada \(d\) sanal nesnenin taban kenarı, \(h\) yüksekliği, \(\mu\) minimum sürtünme katsayısı, \(\theta_0=\arctan\mu\), \(P_A\) sanal ofset uzaklığı ve \(J_{\max}\) maksimum atalet momentidir.

MPC neden beş integratör kullanıyor?

İnsan operatörün el hareketinden gelen komut yüksek mertebeden düzgünlük taşımayabilir. Buna karşılık tepsinin yönelimi doğrusal ivmeye, açısal ivmesi ise konumun daha yüksek türevlerine bağlıdır.

Bu nedenle orta katmandaki MPC'nin durum vektörü konum, hız, ivme, üçüncü türev ve dördüncü türeve kadar genişletilmiş; kontrol girdisi ise konumun beşinci türevi olarak seçilmiştir. Amaç yalnız hedef konumu izlemek değil, nesneyi devirebilecek yüksek mertebeden ani değişimleri de sınırlamaktır.

Alt katman robotun hangi güvenlik koşullarını koruyor?

Alt katman, istenen tepsi hareketini robot eklem hızlarına dönüştürürken beş ana koşulu ele alıyor:

• Tepsinin konum ve yönelimini izleme,
• İki uç efektörün birbirine göre sabit pozunu koruma,
• Manipulability değerini güvenli alt sınırın üzerinde tutarak tekillikten kaçınma,
• Eklem fiziksel sınırlarını koruma,
• Yapay potansiyel alan ile öz-çarpışmayı önleme.

Manipulability için kullanılan güvenlik koşulu:

\[ \dot{M}(q) \geq -\lambda_M \left( M(q)-M_{\min} \right) \]

şeklindedir. Böylece \(M(q)\) değerinin belirlenen güvenlik eşiğinin altına geçmemesi hedeflenmektedir.

Çalışmanın desteklediği sonuçlar

• Diferansiyellenebilir erişilebilirlik vekil modeli çift-kol hedef pozu sorgularında yüksek doğruluk ve çok düşük hesaplama süresi sağlamıştır.
• Önerilen çalışma alanı sınırı araması ortalama milisaniye düzeyinde çalışmıştır.
• İvme sınırlı parça-bazlı CBF, simülasyonda klasik doğrusal CBF'nin “erken ve konservatif frenleme / yüksek ivme” ödünleşimini azaltmıştır.
• MC-SCCF, fiziksel teleoperasyon deneylerinde %100 görev başarısı sağlamıştır.
• MC-SCCF, standart doğrusal CBF'ye göre daha kısa ortalama görev süresine ulaşmıştır.
• Güvenli hız filtresi kullanılan iki modda nesne kayması No-SVF moduna göre belirgin biçimde daha düşük raporlanmıştır.
• Alt katman kontrolörü deney sırasında yüksek hassasiyetli çift-kol göreli poz ve yörünge takibi sağlamıştır.

Çalışmanın desteklemediği veya test etmediği sonuçlar

• MC-SCCF'nin bütün insansı robotlarda aynı başarıyı sağlayacağı gösterilmemiştir.
• Mobil taban hareketi veya yürüyen bütün-vücut insansı robotla birlikte doğrulama yapılmamıştır.
• İletişim gecikmesinin kontrol modeli içinde açık biçimde telafi edildiği gösterilmemiştir.
• 10 kişilik kullanıcı çalışması geniş operatör popülasyonunun temsilî örneklemi değildir.
• Üç mod arasındaki davranışsal farkların istatistiksel anlamlılığı için p-değeri veya etki büyüklüğü raporlanmamıştır.
• Vekil erişilebilirlik modeli robotlar arasında doğrudan taşınabilir değildir; robot kinematiği değiştiğinde harita ve modelin yeniden oluşturulması gerekir.
• Nesnelerin tamamen hiç kaymadığı gösterilmemiştir; çalışma kaymayı ölçmüş ve azaltmıştır.
• Farklı yüzey sürtünmeleri, çok daha ağır yükler veya çok daha karmaşık dinamik sahnelerde aynı sonuçlar doğrulanmamıştır.

Çalışmanın Yöntemi ve Bulguları

Erişilebilirlik belirleme testi

Önerilen erişilebilirlik algoritması, gerçek değer olarak kabul edilen ayrıntılı bel konfigürasyonu taramasıyla karşılaştırıldı. Tepsi genişliği 25–80 cm arasında değişen ve rastgele yönelimlere sahip 1.000.000 hedef tepsi pozu, bel tabanı merkezli 1,5 m yarıçaplı uzay içinde üretildi.

Bu matristen kaynakta hesaplanan precision %97,60, genel doğruluk ise %97,86'dır.

Hız farkı ne kadar?

Önerilen yöntem son erişilebilirlik kararını yalnız sinir ağı tahmininden vermiyor; vekil model bel aramasını yönlendiriyor ve karar gerçek ayrık erişilebilirlik haritasındaki en yakın komşu sorgusuyla tamamlanıyor.

Çalışma alanı sınırı testi

10.000 rastgele başlangıç konumu ve hareket yönüyle gerçekleştirilen sınır aramasında predictive stopping pose pruning devre dışı bırakılmış ve doğrudan bisection performansı test edilmiştir.

Kaynak, sınır sapmasının büyük ölçüde 5 cm'lik ayrık erişilebilirlik haritası çözünürlüğüyle sınırlı olduğunu belirtiyor ve mühendislik uygulamasında tespit edilen sınırdan 4,5 cm güvenlik payı çıkarılmasını öneriyor.

CBF simülasyonu

Robot 0,5–0,9 m/s başlangıç hızlarında çalışma alanı sınırına doğru hareket ettirilmiştir. Kaynaktaki Şekil 7'de klasik doğrusal CBF'lerde hız arttıkça maksimum eğim açısı ve fren mesafesi artarken geliştirilmiş CBF'de maksimum eğim açısının hıza bağımlılığı belirgin biçimde azaltılmıştır.

Şekil 7'deki çizgi noktaları kaynak metninde sayısal tablo olarak verilmediğinden bu görselden göz kararı kesin ara değerler türetilmemiştir.

Fiziksel robot platformu

Deneylerde özel geliştirilmiş çift kollu insansı robot kullanıldı. Robotun iki kolu da yedi serbestlik dereceli SRS antropomorfik manipülatördür ve robot paletli bir mobil taban üzerindedir. Ancak deney sırasında mobil taban hareket ettirilmemiştir.

Operatör, CyberSystem el kumandasıyla bileğinin üç boyutlu konumunu sisteme gönderdi. İnsan hareketi robotun daha geniş çalışma alanına aktarılırken konumsal hareket 4 kat ölçeklendirildi. Ayak pedalı clutch görevi görerek operatörün kolunu yeniden rahat bir pozisyona almasına izin verdi.

Gerçek taşıma görevi

24. sayfadaki Şekil 9, robotun tepsiyi ilk konumdan kaldırıp giderek yükselttiğini, önündeki fiziksel engeli aştığını, ardından tepsiyi indirerek hedef noktaya bıraktığını sekiz ardışık fotoğrafla gösteriyor.

Tepsi 560 × 375 × 80 mm boyutlarındaydı. Üzerine vazo, su şişesi, ahşap blok ve cam eşya gibi toplam 14 nesne rastgele yerleştirildi. Nesnelerin yüksekliği 100–235 mm arasındaydı.

Deneyde nesnelerin konumu kontrol döngüsüne geri beslenmedi. Üstten bakan ayrı kamera üzerlerindeki işaretleri yalnız deney sonrası/sonuç analizi için izledi; nesnelerin kayma mesafesi bu yolla ölçüldü. Dolayısıyla sistem nesne kaymasını kamera üzerinden gerçek zamanlı kapalı çevrim düzelten bir kontrol sistemi değildir.

İnsan deneyi nasıl yapıldı?

Çalışmaya 10 kişi katıldı. Dokuzu erkek, biri kadın; dört katılımcının daha önce teleoperasyon deneyimi vardı. Her katılımcıya görevden önce yaklaşık 40 dakika sistem tanıtımı ve alıştırma yapıldı.

Her kişi üç kontrol modunun her birini dört kez kullandı:

1. No-SVF: Üst katman güvenli hız filtresi yok; sert çalışma alanı sınırları kullanılıyor.
2. CBF: Standart doğrusal CBF, γ=1,5.
3. MC-SCCF: Önerilen ivme sınırlı geliştirilmiş CBF ve bütün üç katmanlı çerçeve.

Toplam deney sayısı 10 × 3 × 4 = 120 deneme oldu.

Görev başarısı

No-SVF başarısızlıklarının kaynakta ters kinematik çözümü bulunamaması sonucu acil durma ile nesne kayması/devrilmesine bağlı olduğu belirtilmiştir. Güvenli hız filtresi bulunan iki modda bu deney düzeneğinde görev başarısı %100 olmuştur.

Güvenlik ile hız arasında nasıl bir fark oluştu?

Standart CBF en düşük nesne kaymasını sağlamasına rağmen en uzun görev süresine, en yüksek filtre kullanımına ve en fazla duraklamaya sahipti. Araştırmacılar bunu doğrusal CBF'nin operatör komutunu daha erken ve daha sık bastırmasıyla ilişkilendiriyor.

MC-SCCF'nin nesne kayması standart CBF'den 3,1 mm daha yüksek olmasına karşın görev süresi 26,2 saniye daha kısaydı. Bu iki fark kaynak verilerinden doğrudan hesaplanabilir; ancak çalışma bunlar için istatistiksel anlamlılık testi vermemektedir.

Operatörler hangi modu daha rahat buldu?

Öznel değerlendirmeler 1–7 arası Likert ölçeğiyle yapıldı ve bütün ölçütlerde yüksek puan daha olumlu deneyimi ifade etti.

No-SVF doğrudan operatör komutunu uyguladığı için en yüksek sezgisellik puanını aldı. Buna karşılık MC-SCCF görev kolaylığı, düşük bilişsel yük ve gelecek görev güveninde en yüksek ortalamaları verdi. Standart CBF'nin sezgisellik puanı en düşük kaldı.

Bu değerler katılımcıların betimsel öznel değerlendirmeleridir; kaynak modlar arası istatistiksel anlamlılık testi raporlamamaktadır.

Alt seviye kontrol ne kadar hassastı?

Kaynağın Şekil 12'sinde seçilmiş bir MC-SCCF deney koşusunun yaklaşık 80 saniyelik kontrol değişkenleri gösteriliyor. Turuncu/kırmızı düşey bölgeler operatörün durakladığı dönemleri temsil ediyor.

Bu performans değerleri bütün 120 denemenin dağılımını temsil eden toplu bir istatistik tablosu değildir; kaynak bu grafik için MC-SCCF modundaki seçilmiş bir deney koşusunu kullandığını belirtmektedir.

Çalışmanın temel sınırlılıkları

• Robotun paletli mobil tabanı fiziksel deney sırasında hareket ettirilmemiştir.
• Yürüyüş ve bütün-vücut denge kontrolü MC-SCCF ile birlikte doğrulanmamıştır.
• Çift-kol erişilebilirlik modeli robotun özgün kinematiğine bağlıdır.
• Robot değiştirildiğinde erişilebilirlik haritasının ve vekil modelin yeniden oluşturulması gerekir.
• 5 cm voxel çözünürlüğü çalışma alanı sınırı hassasiyetini sınırlamaktadır.
• İletişim ve kontrol gecikmeleri görev dinamiğinin açık bir parçası olarak modellenmemiştir.
• Kullanıcı çalışması 10 katılımcı ile sınırlıdır.
• Mod karşılaştırmaları için çıkarımsal istatistiksel anlamlılık testleri raporlanmamıştır.
• Whole-body humanoid sistemlerde daha yüksek DoF ve daha büyük QP problemleri için ölçeklenebilirlik ayrıca araştırılmalıdır.

Kaynak ve Yöntem Notu

Özgün çalışma: Humanoid Robot Teleoperation for Nonprehensile Transportation: A Multiple-Constraint Safety-Critical Control Framework.

Yazarlar ve sıraları: Xinyang Fan; Fenglei Ni.

Sorumlu yazar: Fenglei Ni. Kaynakta eş birinci veya eş katkı beyanı bulunmamaktadır.

Kurum: State Key Laboratory of Robotics and Systems, Harbin Institute of Technology, Harbin, China.

Dergi: Machines. Yayınevi: MDPI. Cilt: 14. Makale: 637. Yayın tarihi: 1 Haziran 2026. DOI: 10.3390/machines14060637. Resmî bağlantı: https://doi.org/10.3390/machines14060637

Kaynak türü ve hakemlik durumu: Hakem değerlendirmesinden geçmiş araştırma makalesidir. Çalışma 16 Nisan 2026'da alınmış, 19 Mayıs 2026'da revize edilmiş ve 28 Mayıs 2026'da kabul edilmiştir.

Lisans: Creative Commons Attribution (CC BY) açık erişim lisansı.

Finansman: National Natural Science Foundation of China, Basic Science Center Program for “Space Robot Intelligent Manipulation”, Grant No. T2388101.

Etik: İnsan katılımcılı teleoperasyon protokolü Harbin Institute of Technology Medical Ethics Committee tarafından HIT-2025013 numarasıyla onaylanmış; tüm katılımcılardan bilgilendirilmiş onam alınmıştır.

Veri erişilebilirliği: Çalışmanın özgün katkılarının ve verilerin makale içinde bulunduğu, ek soruların sorumlu yazara yöneltilebileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmektedir.

Yazar katkıları: Finansman edinimi, metodoloji ve gözden geçirme/düzenleme Fenglei Ni; yazılım ve ilk taslak Xinyang Fan tarafından gerçekleştirilmiştir.

Bu Verianla metnindeki kontrol mimarisi, CBF denklemleri, erişilebilirlik modeli, simülasyon koşulları, fiziksel robot deneyleri, kullanıcı sonuçları ve sınırlılıklar yalnız incelenen çalışmaya dayanmaktadır. Dış bibliyografik kontrol yalnız yayın kimliğinin doğrulanması için kullanılmış; dışarıdan yeni deneysel performans veya bilimsel sonuç eklenmemiştir.

Kaynakta yöntem adı bazı sonuç paragraflarında ve Tablo 7'de “MS-SCCF” olarak yazılmıştır; makalenin başlık, özet, yöntem ve ana tanımlarındaki yöntem adı “MC-SCCF” olduğundan Verianla metninde ana teknik ad MC-SCCF olarak korunmuştur. Bu farklılık kaynak içi yazım tutarsızlığıdır.

Kaynağın kısaltmalar bölümünde CBF yanlışlıkla “Directory of open access journals” biçiminde açılmıştır. Çalışmanın teori, formüller, yöntem ve kaynak literatürü CBF'yi açık biçimde “Control Barrier Function” anlamında kullanmaktadır. Kaynak hatası görünür biçimde not edilmiş ve teknik açıklamada doğru kavram kullanılmıştır.

Kaynakta çalışma alanı sınırı doğrulamasındaki bir iç bölüm referansı “Section 5.1” olarak görünmektedir; erişilebilirlik belirleme algoritması ise esasen Bölüm 3.3.1'de açıklanmaktadır. Bu editoryal referans uyuşmazlığı sessizce düzeltilmiş bir bilimsel sonuç gibi sunulmamıştır.

İnsan deneyi yalnız 10 katılımcı ve tek temel taşıma senaryosuyla gerçekleştirilmiştir. Çalışma modların ortalama, standart sapma ve görev metriklerini raporlamakla birlikte modlar arasındaki farklar için p-değeri veya başka bir çıkarımsal anlamlılık analizi vermemektedir. Bu nedenle kullanıcı deneyimi sonuçları çalışma örneklemi ve görev düzeni sınırları içinde yorumlanmalıdır.