In this thesis, a new approach is developed, avoiding the correspondence problem caused by the difference in embodiment between imitator and demonstrator in imitation learning. In our work, the imitator is a fluidic system of dynamics totally different than the imitatee, which is a human performing hand gestures and human body postures. The fluidic system is composed of fluid particles, which are used for the discretization of the problem domain. In this work, we demonstrate the fluidics formation control so as to imitate by observation initially given human body poses and hand gestures. Our fluidic formation control is based on setting suitable parameters of Smoothed Particle Hydrodynamics (SPH), which is a particle based Lagrangian method, according to imitation learning. In the controller part, we developed three approaches: In the first one, we used Artificial Neural Networks (ANN) for training of the input-output pairs on the fluidic imitation system. We extracted shape based feature vectors for human hand gestures as inputs of the system and for output we took the fluid dynamics parameters. In the second approach, we employed the Principal Component Analysis (PCA) method for human hand gesture and human body pose classification and imitation. Lastly, we developed a region based controller which assigns the fluid parameters according to the human body poses and hand gestures. In this controller, our algorithm determines the best fitting ellipses on human body regions and human hand finger positions and maps ellipse parameters to the fluid parameters. The fluid parameters adjusted by the fluidics imitation controller are body force (f), density, stiffness coefficient and velocity of particles (V) so as to lead formations of fluidic swarms to human body poses and hand gestures.

Bu tezde, taklit ederek öğrenme metodundaki taklit eden ve taklit edilen arasındaki şekillenme farkından dolayı ortaya çıkan uyuşma problemine karşı yeni bir yaklaşım geliştirilmiştir. Çalışmamızda, insan vücut duruşları, insan el hareketleri ve işaretleri taklit edilen olarak alınmış ve taklit eden ise dinamiği taklit edilenden tamamen farklı olan akışkan bir sistemdir. Akışkanlar dinamiği tabanlı sistem problem alanine ayrıştırmada kullanılan akışkan parçacıklardan oluşturulmuştur. Bu çalışmada, insan vücut duruşları ve insan el hareketleri özelliklerinin gözlenmesi ile taklit edilmesini sağlayacak akışkanlar dinamiği tabanlı biçimlendirme kontrolü gerçekleştirilmiştir. Bu çalışmada kullanılan biçimledirme kontrolörü Lagrangian, parçacık tabanlı bir metod olan Yumuşatılmış Parçacık Hidrodinamiği (YPH) parametrelerinin taklit ederek öğrenmeye göre uygun değerlere ayarlanmasına dayanır. Kontrolör kısmında üç farklı yaklaşım geliştirildi: Birincisinde akışkan tabanlı taklit ederek öğrenme sisteminde giriş çıkış çiftlerinin eğitilmesinde Yapay Sinir Ağları (YSA) kullanıldı. Sistemin girişi olarak insan el işaretlerine ait özellik vektörlerini çıkarıldı ve buna karşılık çıkış olarak akışkanlar dinamiğine ait parametreler akışkan parçacıklarından oluşan koloniye uygulandı.İkinci yaklaşımda, insan vücut duruşlarının ve insan el işaretlerinin sınıflandırılmasında ve taklit edilmesinde Temel Bileşenler Analizi (TBA) kullanıldı. Son olarak, insan vücut duruşlarına ve el işaretlerine göre akışkan parametrelerini ayarlayan bölgesel bir kontrolör geliştirildi. Bu kontrolör için geliştirilen algoritma insan vücut ve el parmak bölgelerine en iyi oturan elipsi saptayıp, elips parametrelerini akışkan parametrelerine dönüştürmektedir. Akışkan tabanlı taklit etme kontrolörü tarafından akışkan sürüye insan vücut duruşlarını ve el işaretlerini biçimi verecek şekilde akışkanlar dinamiğine ait uygun değerlere ayarlanan parametreler gövde kuvveti (f), yoğunluk, sertlik katsayıları ve parçacık hızlarıdır.