GELECEĞİN ŞOFÖRLERİ: Otonom Araçlara Genel Bakış

Merhaba değerli okuyucular bugün sizler ile çok merak ettiğimiz acaba gerçekleşse nasıl olur dediğimiz, gerçekten yakın zamanda bu teknoloji ile tanışmaya hazır mıyız sorularını sordurtan, etkilerini düşündüğümüzde kendimizi adeta Black Mirror dizisi izliyormuş hissi veren bir konudan bahsetmek istiyorum. Nedir bu otonom sistemler, nasıl olacakta insanlar araba sürme zevkini ve can güvenliğini yapay zekanın eline bırakacak, gelin birlikte bu sistemleri elimizden geldiğince inceleme fırsatı bulalım.

Otonom araçlar, sürücü tarafından kontrol edilmeyen aracın kendi yazılım ve donanımını ile aracı kendi başına sürdüğü herhangi bir insan yardımının olmadığı sistemlere denir. Günümüzde otomotiv üreticilerinin, elektrikli araç bataryaları ile birlikte belki de en çok kafa yordukları konuların başında gelmektedir. Otonom sistemler aracın kendi kendine hareket etmesi gibi düşünceleri kafamızda oluştursa da aslında insanoğlu için bambaşka bir dünyanın kapısını bizlere açabilecek sistemler olabilirler çünkü bu sistemlerin hayatımıza girmesi ile yeni teknolojik ulaşım yollarının kurulması ile değişik şehir planlamaları, lojistik sektöründe bu sistemlerin kullanılması ile lojistik alanının inanılmaz bir hız kazanmasının getirileri ve tabi ki gündelik hayatta insanların ulaşım alışkanlıklarının tamamen değişecek olması bizlerin yaşamını kökünden değiştirebilir. Bunun gibi nedenler günümüz firmalarının dikkatini çekmiş ve Ar-Ge planları yapmaya yıllar öncesinden başlamışlardır şu an adını bildiğimiz hemen hemen her marka bu teknoloji üzerine çalışmakta ve gelecekte otomotiv piyasasında bulunan yarıştan kopmamak adına sektörün gerekliliklerine uyum sağlamaya çalışmaktadırlar.

Aslında otonom araçların tarihi 1920’li yıllara kadar dayanmaktadır. 1925 yılında Francis Houdina adlı bir elektrik mühendisinin Amerika’da radyo sinyalleri ile kontrol ettiği aracını sürmesi ile otonom sistemlerin tarihi de başlamış oluyor ve her ne kadar düşünce olarak bu fikir o yıllarda ortaya çıkmış olsa da otonom araçları biz 1980 yılından itibaren ciddi çalışmalar içerisinde tanıma fırsatı buluyoruz. Ernst Dickmanns ve ekibi tarafından Almanya’nın Münih kentindeki Bundeswehr Üniversitesi’nde tasarlanan, Mercedes-Benz marka minibüs trafiğe kapalı alanda saatte 63 km hıza ulaşarak otonom araçların ilk örneklerinden biri olmayı başardı. Daha sonra bu gelişmeyi Euruka Prometheus projesi yani o güne kadar ki en yüksek bütçeli otonom araç Ar-Ge projesi yapılarak, otonom sistemleri gittikçe geliştirilmek üzere hayatımıza girmiş oldular. 2010 yılına gelindiğinde ise birçok büyük otomotiv üretici firmalar( General Motors, Ford, Mercedes-Benz, Volkswagen, Audi, Toyota, Nissan, BMW ve Volvo) sürücüsüz araç sistemlerini test etmeye başladılar.

Tesla Motor CEO’su Elon Musk, Firemont’taki fabrikasında elektrikli model S aracı ile birlikte.

2014 yılının Ekim ayında Elon Musk’ın sahibi olduğu Tesla Motors markası ilk otonom sistemle donatılmış olan model S aracının otomatik direksiyon ve fren kontrolü, ve çeşitli görüntü işleme algoritmaları temelinde hız limitinin ayarlanması ile şerit kontrolünü yapabildiğini açıkladı. Bu sistemli bir araç içinde aynı zamanda otonom park etme ve geçen sürelerde bu yazılımların güncelleme alabilecek şekilde tasarlandığı anlatıldı ve bu güncellemeler ile aracın yazılımı geçen süreler boyunca çok iyi hale getirilmesi hedeflendi ve nitekim de öyle oldu. Tesla, 2015’in mart ayında San Francisco ile Seattle arasındaki otoyolda oto pilot sistemlerini bir sürücü ile test etmeye başladı ve araç dışarıdan bir yardım almadan yolu tamamlamayı başardı. Elon Musk’ın kişisel popülerliği ve reklam gücünü iyi kullanması neticesinde ise otonom yani sürücüsüz araçları hemen hemen herkes tarafından bilinmesinin hikayesi de bu şekilde başlamış oldu diyebiliriz.

Bu gelişmeler bir çok kurum ve kuruluş tarafından inceleme altına alınmış olup bu teknolojide ki gelişmeler dikkatlice incelenmektedirler. Bu otonom teknolojinin altında yatan bir diğer neden ise iki nokta arasında yapılacak yolculukların konfor, güvenlik, enerji tasarrufu gibi konularda katkı sağlayacağının düşünülmesidir. Otomotiv Mühendisleri Topluluğu(Society of Automotive Engineer’s) kuruluşu otonom taşıtları 6 seviye üzerinden değerlendirmektedir ve bu değerlendirmeye göre 0 seviyesi yani sürüşün tamamen sürücü tarafından kontrol edildiği araçlar için geçerliyken, 5’inci seviye ise tamamen yapay zeka idaresinde gerçekleşen sürüşleri sağlayan araçlar için geçerlidir. Günümüzde ise son kullanıcılar tarafından kullanılan araçlar ise 2. veya 3. seviye olarak nitelendirilmektedirler fakat son zamanlarda ki hızlı gelişmeler sonucunda 5. seviye otonom sistemlerin hayatımızda yer edecek olması ise çokta geç olmayacağının sinyalini vermektedir.

SAE(Otomotiv Mühendisleri Derneği) göre sürüş otomasyon seviyelerinin bulunduğu görsel

Otonom Araçlarda Connected Vehicles Teknolojisi

Sürücüsüz araçların çalışma prensibi aslında araçta bulunan sensörler vasıtası ile yapılmaktadır. Aracın iç algısı (propriosepsiyon) ve yine aracın dış algısı (eksteropsiyon) olmak üzere iki temel alandaki sensörler aracılığıyla alınan veriler karar mekanizmasına iletilir. Aracın iç algısında, savrulma oranı ve tekerlek hız sensörü gibi veriler kullanılırken, kamera, radar, GPS, lidar gibi dış sensörler ise aracın dış algısını oluştururlar. İç sensörler aracın yönelimini yani savrulma, sapma, hız ve ivmelenmesinin belirlenmesinde görev alırken, dış sensörler aracın dış çevreye göre lokalizasyonunun belirlenmesi görevini yerine getirir. Bu sensörlerden gelen bu işlenmemiş veriler algılama safhasında yorumlanır ve aracımız sürücü yardımı olmaksızın yoldaki engelleri tanıyarak, hızını ve yola göre kontrolünü otonom olarak belirleyebilir. Aracımız sürekli diğer taşıt, mevcut alt yapı ve diğer trafik bileşenleri ile sürekli iletişim halinde olmalıdır ve bu iletişim bilgilerin işlenmesi sayesinde aracın otonom şekilde hareketi planlanmaktadır.

Bilişim ve mekaniğin koordineli çalışması sonucunda otonom araçların varlığının ortaya çıktığını söylemek mümkün, evet araçlarımızı sürücüsüz hareket ettirmek için bilişim ve yazılım teknolojilerinin kullanılması elbette çok önemli bir yere sahip. Bu teknolojilerin kullanımı sonrasındaki etkilerini kurallarını yeni baştan oluşturan otomotiv sektöründe de görmeye devam etmekteyiz. Otonom sürüş için gerekli olan teknoloji ise işte burada yatıyor bu teknolojinin adı ‘Connected Car’ teknolojisi ve bu sistem sayesinde araçlar daha güvenli ve konforlu sürüş imkanlarıyla tanışıyorlar. Connected Car teknolojisini, bir internet bağlantısına ve WLAN ağına sahip olan ve bu bağlantı yardımı ile diğer internete bağlı birimlerle belirli protokoller üzerinden iletişime geçebilen otomobil olarak tanımlayabiliriz. Bu teknoloji daha genel ve diğer taşıtları da kapsayan haliyle ‘Connected Vehicle’ olarak da tanımlayabilmekteyiz.

  • V2V (Vehicle to Vehicle): Kablosuz bağlantı ile yapılan iletişim teknolojisidir. Bu iletişim sayesinde araçta ne yaptığınızın bilgisi etrafınızdaki diğer araçlarla paylaşılabilmektedir. Bu bilgi paylaşımı hız, konum, seyahat, frenleme yönü gibi parametrelerden oluşmaktadır ve V2V teknolojisi kısaca araçların birbirleriyle konuşması olarakta anlatılabilir. VANET (Vehicular Ad Hoc Network) olarak da bilinen bu teknolojinin amacı araç kazalarını önlemek, kör noktaların üstesinden gelmek gibi sorunları ortadan kaldırmak üzerine kuruludur.

V2V Raporlama sistemi ile; Araç hızı konumu, frenler ve frenleme sistemleri, şerit değişiklikleri, cam silecekleri ve farlar, denge kontrolü ve çekiş gücü ayarı, vites konumu, trafik işaretleri, öndeki araçtan gelen sinyaller ve yaklaşan acil yardım yani polis vb. araçların raporlanması görevi yerine getirilerek güvenli ve konforlu sürüş sağlanması amaçlanır.

V2V Sisteminin etki alanının gösterildiği görsel.

  • V2I (Vehicle to Infrastructure): Taşıt Çevre Bağlantısı olarak Türkçeye çevirebileceğimiz bu iletişim biçiminde taşıtlar yollardaki çevre birimleriyle sürekli iletişim halinde olmalarını belirtir. Bu birimler RFID okuyucuları, kameralar, trafik ışıkları, şerit çizgileri, tabelalar ve park otomatları olarak örneklendirilebilirler ve V2I iletişim modelinde veri akışı iki yönlü olmaktadır. ABD’de çevreden toplanan bu veriler ITS teknolojisi için anlık trafik bilgisi, yol durumu, kaza bilgisi, park bilgisi sağlayabilir. Bu bilgilere dayanarak otoyolların hız limitleri, trafik ışıklarının süresi ve değişme sıklığı gibi parametrelerin anlık değiştirilmesi hedeflenmektedir.

Örnek verecek olursak bu sistemdeki ana çalışma amaçlarından biri de eğer aracımız şehir içinde sürüş sağladığı esnada V2I bağlantısı ile gideceği güzergah üzerindeki trafik yoğunluğunu algılayıp anlayabilir ve yakıt tüketimini düşürmek için daha az trafiğin olduğu alternatif bir yol üzerinden seyahatine devam etme opsiyonuna sahip olabilir bir nevi araç yol opsiyonlarını değerlendirerek kendi için en uygun güzergahta sürüş yapabilir.

V2I Sisteminin çalışma alanını gösteren görsel.
  • V2C (Vehicle to Cloud): Taşıt Bulut Bağlantısı anlamında dilimize çevrilebilen bu sistemlerde taşıt verilerinin ve analizlerinin bulut sistemi ile taşınmasına ve işlenmesi konularını ele almaktadır. Araçlarımız her biri kendi ürettiği verileri bulut teknolojisi sayesinde depolayabilecek ve bu bilgiler işlenebilecektir. Otomotiv üreticileri bu özelliğe önem vermektedirler çünkü dünyanın farklı yerlerinde kullanılan araçların konum farkı ile farklı tipte veri üretmeleri ve sürüş karakteristiklerinin farklı bölgelerde nasıl işleneceği gibi bu verilerin sigorta ve araç bakımı gibi konularda kullanılması planlanmaktadır.

Kısacası V2C’nin otomobil üreticileri için önemi aracın kullanım alışkanlıkları, yakıt tüketimi, emisyon değerlerin işlenmesi ve araç yazılım güncellenmelerinin ise araç servise gitmeden uzaktan otomatik bir şekilde güncellemesini sağlamaya yarayan sistemler olarak kullanmak istemektedirler.

  • V2P (Vehicle to Pedestrian): Yine Türkçe anlamına çevirdiğimizde ise Taşıt ve Yaya bağlantısı olarak geçen bu sistemlerde ana amaç trafikteki yayaların güvenliğini sağlamak ve yaya ile bağlantılı olan tüm kazaların ortadan kalkmasını hedeflemektir. V2V sistemine benzer bir iletişim sistemi kullanılarak yayaların ve sürücülerin uyarılması çalışma prensibi üzerine kurulu olacaktır.

Örneğin yüksek araçların kör noktasında kalarak kazaya karışan yayaların bu teknoloji sayesinde uyarılarak bu tür kaza tiplerine karışmaması ve bu kaza tiplerinin önlenmesi hedeflenmektedir. Aslında V2P ile araçlar yayalar ile bilgi alışverişinde bulunulduğunu söylemiştik fakat araçtan yayalara iletişim olarak adlandırılmasına rağmen, iletişim sistemi genellikle bisikletçiler ve iki tekerlekli motorlu araç sürücüleri gibi savunmasız yol kullanıcıları verilerini içermektedir.

V2P sistemi ile araç ile bisiklet sürücüsü arasındaki iletişimi gösteren görsel.
  • V2X (Vehicle to X): V2X modeli taşıtların onları etkileyecek tüm dış faktörlerle iletişim halinde olduğu teknolojidir. Buna uçak, tren gibi taşıtlar ve trafik ışığı, tabela gibi uyarıcı birimler örnek olarak verilebilir. V2X sistemi ise diğer V2 modellerini kapsayan bir model olarak düşünülebilir.

V2X modülü bir aracın yerleşik sensörleri ile çevredeki alanlardaki sensörlerle yüksek bant genişliği, düşük gecikme süresi ve son derece güvenilir bağlantılar üzerinden bilgi alışverişinde bulunmasını sağlar. V2X araçların sürücü menzilinin ötesine bakmasına ve gerçek zamanlı olarak yol güvenliği, trafik akışı ve engellerle ilgili uyarılar oluşturmasına olanak tanır.

V2X Sisteminin çalışma alanını gösteren görsel.
Tüm Connected Vehicle sistemlerinin çalışmasını tek görsel üzerinde gösteren GIF çalışması.

Otonom Araçlarda Kullanılan Derin Öğrenme ve Makine Öğrenme Sistemleri Nedir ?

Otomotiv sektöründe hızla önem kazanan otonom sistemlerin, teknolojinin gelişmesi ve firmaların insansız sürücü fikri üzerine yaptıkları Ar-Ge çalışmaları ile hız kazanmıştır son yıllarda gelinen yüksek teknolojili sensörlerin kullanımı ile de bu hedefe çok büyük bir hızla gittiğimizi söylemek mümkün. Robot sistemlerinde kullanılan bazı planlama örneklerinin araç otonom sürüşe entegrasyonu çalışması ile iyi bir mesafe kaydedilmiştir burada bu planlama görevlerinin sürücü görevleri ile eşleştirme yapacak olursak global planlama, başlangıç ve bitiş noktaları arasındaki yolu genel hatları ile belirleme ve yol takip sistemi olarak kullanılmaktadır. Lokal planlama ise kavşaklarda ve yol ayrımlarında aracın hareketini ve şerit değişim yetenekleri için kullanılmaktadır ayrıca davranışsal planlama ise aniden beklenmedik bir şekilde yola çıkan araçlar gibi durumlarda anlık tepki görevlerini gerçekleştirmektedir. Bu planlama çeşitleri, sensörler ve yukarıda bahsettiğim Connected Vehicle gibi sistemlerin koordineli çalışmasının sonucu olarak karşımıza sürücüsüz araçların çıktığını söylemek mümkün.

Otonom araçların gelişmesi ile birlikte artık araçlarımızda birden fazla veriyi bağlantı araçları ile alıp değerlendirme yapabiliyoruz. Lidar sensörler, kameralar, GPS, ultrasonik radarlar ve bunlar gibi birçok aracı kullanarak aracın hızı, bulunduğu konumu, trafik akışı değerlendirmesi ve araç yönlendirmesi gibi komutları aracımız kendisi yapay zeka sayesinde otomatik olarak yapabilmekte ve sürücü yardımlı bir yolculuğa ihtiyaç duyulmamaktadır. Bu sistemlerle birlikte derin öğrenme(Deep Learning) mantığına sahip yapay zeka algoritmalarının birlikte kullanılmasıyla otonom araçlarda emniyetli sürüş sağlanması hedeflenmektedir.

Makine Öğrenmesi Nedir(Machine Learning)? Makine öğrenme sisteminin iki modeli bulunmaktadır bunlar denetimli(Supervised) ve denetimsiz(Unsupervised) olmak üzere ikiye ayrılır. Denetimsiz öğrenme ile bir makine öğrenimi etiketlenmemiş verileri alır ve nasıl işleyeceğine dair bir talimatı bulunmadığı için işleyiş şekline makinenin kendisinin karar vermesi gerekir. Denetimli modelde ise bir algoritma giriş verilerinin nasıl yorumlanacağına dair talimatlar ile beslenir. Bu sürücüsüz otomobillerde için öğrenmede kullanılan ve tercih edilen yaklaşımdır. Algoritmanın eğitim verilerini tam olarak etiketlenmiş bir veri kümesine dayalı olarak değerlendirmesine olanak sağlayarak, sınıflandırma durumu söz konusu olduğunda denetimli öğrenmeyi daha kullanışlı hale getirir.

Derin Öğrenme Nedir(Deep Learning)? Derin Öğrenme, göreve özgü daha dar yapay zeka algoritmalarının aksine, verilere özgü öğrenme şekline sahip olan bir makine öğrenmesi alt dalıdır. Derin öğrenmede, öğrenmeler denetimli(Supervised), denetimsiz(Unsupervised) ya da yarı denetimli(Semi-Supervised) olabilir. Sisteme verilen veri seti ile sonuçları tahmin eden birden fazla katmandan oluşan bir makine öğrenme yöntemi diyebiliriz. Yukarıda bahsettiğim gibi derin öğrenme gözetimli, yarı gözetimli veya gözetimsiz olarak gerçekleştirilebilir. Derin öğrenmede çok sayıda veri girişiyle ayırt edici özellikleri kendisi öğrenir. Öğrenme işlemini için ne kadar çok veri girişi olursa o kadar çok başarılı olunur ve veriler birden çok katmandan geçer ve üst katmanlar daha çok ayrıntı çıkaran katmanlar olarak tanımlanmaktadır.

Derin öğrenme çeşitlerini oluşturan 3 ana derin öğrenme model çeşitleri;

  • Çok katmanlı Perceptron (Multilayer Perceptrons)
  • Evrişimsel Sinir Ağı (Convolutional Neural Networks)
  • Yinelenen Sinir Ağı (Recurrent Neural Networks)

Derin öğrenme metotlarının kullanıldığı alanlar ise yüz tanıma sistemleri, otonom araç sistemleri, ses tanıma sistemleri, kamera sistemleri ve bazı sağlık alanlarıdır. Gelecekte daha çok hayatımızda payı olacak bu sistemlerin ülkemizde de anlatılması ve öğrenilmesi son derece kritik öneme sahip olacaktır. İnsanların tecrübelerinden öğrendiklerine benzer olarak, derin öğrenme algoritması, sonucu iyileştirmek adına her defasında biraz değişiklik yaparak daha iyi bir iş çıkarmaktadır.

OTONOM ARAÇLAR 5 TEMEL ÇALIŞMA HATTINDAN OLUŞMAKTADIR

  • LOKALİZASYON (LOCALIZATION)
  • ALGI (PERCEPTION)
  • TAHMİN (PREDICTION)
  • PLANLAMA (PLANNING)
  • KONTROL (CONTROL)
Otonom araçlarda kullanılan yukarıda belirttiğim sistemlerin görsel tablosu.

1-LOKALİZASYON (Localization)

Sürücüsüz araçlarda şüphesiz en çok kafa yorulan ve önemsenen konulardan biri araç konumunun tespiti çünkü aracımızın kendi konumunu bilmesi bu tür sürüş tipleri için çok önemlidir. Olurda bu konum hesaplamalarında yapılacak 1 metre gibi bile konum sapmaları kazalara sebep olabilir ve sistemin çalışmasını kötü yönde etkiler. Bu sistemlerde araçta bulunan sensörler vasıtası ile gelen veriler yüksek hassasiyet ile kalman filtreleri adı verilen teknik ile hesaplanıyor ve sapmaların en aza indirgenmesi hesaplanıyor. GPS ve Lidar sensörlerin koordineli çalışması ve bu iki farklı verilerinde değerlendirilmesi sonucu konum sapmalarının ortadan kaldırılması için büyük bir çaba ortaya konuyor.

Aracın Tam Konumunun Belirlenmesinde Kullanılan Sistemler

1-Odometry(Kilometre sayacı): Bu sistem ile konumdaki değişimleri tahmin etmek için hareket sensörlerinden gelen verilerin işlenerek kullanılmasıyla aracın konumu belirlenir fakat tekerlek kaymaları gibi araç durumlarından dolayı bu sistemlerde hata payı olabilmektedirler. Odometri kelimesi Yunan kökenli olmakla birlikte Odos(Rota) ve Metron(Önlem) kelimelerinin birleşiminden ortaya çıkmıştır.

Odometri algılama şeklini gösteren görsel.

2-Kalman Filtresi: Durum uzayı modeli ile gösterilen bir dinamik sistemde, modelin önceki bilgileriyle birlikte giriş ve çıkış bilgilerinden sistemin durumlarını tahmin edilebilen filtredir. Macar asıllı Amerikan matematiksel sistem teorisyeni Rudolf Kalman tarafından bulunmuştur. Bu sistemi bir örnek ile açıklayacak olursam, biz bir aracın konumunu hassas olarak hesaplamak istiyoruz ve bu aracımıza pozisyon tahminini 1 kaç metre hata payıyla hesaplayabilen bir GPS taktığımızı düşünelim. GPS tahminleri her zaman hareketlidir ve gerçek pozisyonun birkaç metre yakınında olmasına rağmen sürekli değişim gösterir fakat biz kalman filtresi ile işlem yaptığımızda iki fazda işlem yapmış olacağız Tahmin Et ve Güncelle aşamaları ile direksiyon konum değişikliği ve gaz pedalı parametreleri ile aracımızın konumunu belirlemede bu sistem ile daha doğru sonuçlar elde edebiliriz. Bu sisteme ise Kalman Filtresi denmektedir.

Kalman Filtreleme aşamalarını gösteren görsel.

3.SLAM( Eş Zamanlı Konum Belirleme ve Haritalama) Sistemleri: Bu çalışma son yıllarda robotlar üzerinde de kullanılmaktadır ve amacı çevrenin ön topolojik bilgilerine ya da birtakım referans nesnelerinin yer bilgisine sahip olmadan ve ihtiyacı olmadan eş zamanlı yer belirleme ve haritalama yapmasını sağlamaktadır. Bu sistemler otonom araçlarla da kullanılmasıyla konum belirleme ve haritalama işlemlerinde hata payı düşürülmesi hedeflenmektedir.

Örnek bir robotic SLAM sistemi haritalandırma görseli.

4-Parçacık Filtreleri (Particle Filter): Otonom sistemlerde nesne takip etme amacıyla sıklıkla kullanılan biraz yavaş olmasına karşın farklı yöntemlerle harmanlanıp performansı geliştirilebilen bir algoritmadır. Kabaca anlatacak olursam statik yani zamanda değişken olmayan parametreleri kestirmeye yarayan sistemler diyebiliriz örneklendirmek gerekirse eğer hesaplamaya çalıştığımız hipotezler için her birine atanmış bir olasılık değeri ile beraber zaman içerisinde takip etmeye dayanan sistemlerdir. Bu takip süresi boyunca az olasılıklı hipotezler elenirken, yüksek olasılıklı hipotezlerden yeni hipotezler oluşturulur ve sistem bu şekilde devam eder.

Parçacık filtreleri hesaplama grafiği görseli.

2-ALGI (PERCEPTION)

Aracımızın adete gözleri diyebileceğimiz bu sistemler ile otomobiller çevrelerindeki nesneleri algılayarak güvenli bir sürüş sağlanması ve hareket kabiliyetlerinin arttırılması hedeflenir. Bu çevredeki hareketli nesneleri tanıma ve nesnelerin konumlarını saptama gibi konularda bilgisayar görüntüsü ve sinir ağları gibi sitemler kullanılarak, derin öğrenme algoritmaları kullanılması ile bu sistemlerin geliştirilmesi hedeflenir.

Nesne tanıma aşamaları ise 3 ana başlıktan oluşmaktadır ve bunlar görüntü sınıflandırma, sınıflandırma ve konumlama, algılama olmak üzeredir. Belki de otonom araç sistemlerini en çok zorlayan parametrelerden biri olan bu görüntü işleme aşamasında araç güzergahında birden fazla araçların oluşu birden fazla levha ve aracın okuması gereken nesnelerin olması sebebi ile bu sistemler sürekli geliştirilmeye çalışılmaktadır. Hava şartlarının bile görüntüleme ve algılamayı etkilediğini düşünürsek trafik levhalarını ve araç tiplerini okumanın zorluğunu sizin düşüncelerinize bırakıyorum. Özellikle bu sistemlerin ülkemizdeki trafik kültürüne entegrasyonunun nasıl olacağını ben şahsım adıma merakla beklemekteyim zira minibüs şoförlerinin ani manevralarını hangi görüntü sistemi yakalayıp anlayabilir ki sorusunun cevabını sizlere bırakıyorum 🙂 Yine de kullanılan sistemlere bakacak olursak.

1- R-CNN: CNN resim ve video işleme için geliştirilmiş 2010 yılından sonra önemli gelişme kaydetmiş ve şu an dünyada oldukça yaygın olarak kullanan bir derin öğrenme ağ çeşididir. Bu ağ çeşidi genel olarak 4  katmandan oluşmaktadır ve açılımı ise Convolutional Neural Network yani Türkçe anlamı ile Evrişimli Sinir Ağı olarak geçmektedir.

R-CNN’de resim öncelikle yaklaşık 2000  tane bölge önerilerine bölünür ve daha sonra her bölge için sırasıyla CNN(ConvNet) uygulanır çıkan özellikler haritası için sınıflandırma algoritmalarından SVM kullanılır.

R-CNN sisteminin görüntü algılama aşamaları.

2- YOLO (You Only Look Once): Uzun açılımı ile You Only Look Once evet şarkı ismi gibi olan bu sistem aslında çok popüler olan bir görüntü işleme algoritmasıdır. Çok hızlı görüntü işleme elde ettiği için son yıllarda kullanımı artmıştır. YOLO algoritmasının hızlı olmasının sebebi ise elindeki görüntüyü tek bir seferde nöral ağdan geçirerek resimdeki tüm nesnelerin sınıfını ve koordinatlarını tahmin edebilmesidir. Bu görüntüdeki her bir ızgara kendi içerisinde, bölgede nesnenin var olup olmadığını eğer varsa orta noktasının içinde olup olmadığını, orta noktası da içerisinde bulunuyor ise uzunluğunu, yüksekliğini ve hangi sınıftan olduğunu bulmakla sorumludur. Yani böylece tır, kamyon, binek araç ya da farklı araç tipleri için ayrı ayrı algılama yapması ile trafikte ki araç çeşitliliğinin tanımlanmasında önemli bir görev almaktadır.

YOLO görüntü algoritma sisteminin trafikte tanımladığı cisimleri gösteren görsel.

3- SSD (Single Shot Multibox Detector): SSD modeli, RCNN hatta Faster R-CNN yapısına göre çok daha hızlı çalıştığı için kimi zaman nesne tespiti söz konusu olduğunda kullanılmaktadır ve otonom sistemlerde de tabi ki kullanımı söz konusudur. Türkçe anlamı ise Tek Atış Çoklu Kutu Algılama anlamına gelmektedir. Adından da anlaşılacağı gibi tek atış dediği konu ise nesne algılama konusunda tek seferde algılama imkanı bizlere tanımaktadır.

Oluşturulmuş bu dikdörtgenler aktivasyon haritasında olduğu için farklı boyutlardaki nesneleri algılamada son derece iyi seviyededir. Aşağıda göreceğiniz görselde girdi olarak 300×300’lük bir görüntü gönderilmiştir fakat ilerledikçe görüntü boyutları düşürülmüştür. En son gerçekleşen konvolüsyonel sinir modelinde ise boyut 1 olana kadar indirgenmiştir. Eğitim sürecinde belirlenen sınırlar ile test sonucunda gerçekleşen tahminler arasında karşılaştırma yapılmaktadır. Bu tahminler arasında en iyiyi bulmak için %50 metodu kullanılmaktadır. %50′ den büyük olan sonuç seçilmektedir. Yani görüntü işlemede bisiklet süren bir insan için %75 bisiklet %50 insan gibi bir ölçüm değerine sahip ise büyük yüzdeli oranlı tahmini alır ve bu örneğimiz için görüntünün bisiklet olduğu seçilir %50 metodu ile söylenmek istenen budur.

SSD görüntü işleme prensibini gösteren görsel.

4- Tensorflow Object Detection API: Nesne tanıma görüntülerdeki ve videolardaki nesneleri tespit etmemizi, nesneleri tanımlamamızı, sınıflandırmamızı ve takibini yapabilmemizi sağlayan bilgisayarlı görüntü işleme ile alakalı bir teknolojidir. Açık kaynak kodlu bir derin öğrenme kütüphanesi diyebiliriz. Esnek yapısı sayesinde tek bir API ile platform farkı olmadan hesaplamaları, bir veya birden fazla CPU, GPU kullanarak dağıtmanıza olanak sağlar. Daha çok Google tarafından kullanılan bu sistemleri ayrıca otonom araçlarda önceden eğitilmiş nesne algılama modelleri kullanarak nesnelerin tespitini kolaylaştırmak mümkündür. Nesnelerin hazır olarak eğitilmesi ile yani trafikte çok karşılaşılan nesnelerin algılanmasında pratik sağlanarak hazır eğitilmiş modeller ile araç tespiti yapma konusunda bize avantaj sağlar.

Tensorflow görüntü algılama sistemini gösteren görsel.

3-TAHMİN (PREDICTION)

Bu kısımda ise otonom aracımızın trafikte hareket eden diğer araçlarımızı tahmin edebilmesine imkan veren derin öğrenme metotlarına yer verilir. Sürüş sırasında otonom aracımız çevresindeki diğer araç ve insanların davranışlarını tahmin etmeye çalışır yani trafikteki diğer bir aracın hızının ne kadar olduğu, hangi yöne gideceği nasıl reaksiyon alacağı gibi temel konular üzerinde tahmin edebilme yetisi kazanır. Böylece otonom araçların kazaya karışması ya da yayalara zarar vermesi gibi durumların ortadan kalkması hedeflenir. Bu tahmin aşamasında kullanılan sistemler ise Yinelenen Sinir Ağları diye Türkçemize geçen RNN sinir ağları vasıtasıyla yapılmaktadır.

1- Recurrent Neural Network(RNN): Yinelenen Sinir Ağları olarak dilimize çevrilen bu sistemlerde, ileri beslemeli bir sinir ağının aksine, nöronlar arasındaki bağlantıların yönlendirilmiş bir döngü oluşturduğu yinelemeli yapay sinir ağının bir çeşididir. Yinelenen sinir ağlarında çıktı(output) sadece mevcut girdilere(input) göre değil aynı zamanda önceki adımın nöronunun durumuna da bağlıdır ve örnek olarak t-1 anındaki input için verilen karar, t anında verilecek olan kararı da etkilemektedir yani bu ağlarda inputlar şimdiki ve önceki bilgilerin birleştirilmesi ile çıktı(output) üretirler. Bu bellek, kullanıcıların el yazısını tanıma veya konuşma tanıma gibi doğal dil işleme sorunlarını çözme de kullanılır.

2- Long-Short Term Memory(LSTM): Bir Recurrent Neural Network çeşididir. Uzun Kısa Vadeli Hafıza Ağları diye Türkçe çevirisine sahip bu sistem, geçici dizileri ve uzun menzilli bağımlılıklarını geleneksel yinelenen sinir ağlarından daha doğru modellemek için tasarlanmış, özel bir yinelenen sinir ağı mimarisidir. Yapay sinir ağlarında uzun vadeli bağımlılıkları anlamaya yani bağlam farkındalığına sahip sinir ağları elde etmeye yarayan sistemlerdir.

3- Gated Recurrent Unit(GRU): Geçitlendirilmiş Özyinelemeli Birim yani temel olarak geçmişteki bilgilerin mevcut bilgiyi açıklamasında ve gelecek bilginin tahmin edilmesinde etkili olduğu RNN sistemlerinden biridir.

RNN, LSTM ve GRU deep learning sistemlerinin şematik gösterimi.

4-PLANLAMA (PLAINING)

Hareket planlaması olarak da geçen bu sistemlerin gelişiminde 90’lı yıllarda Shladover ve arkadaşlarının yaptığı çalışmaların büyük etkisi vardır. Görüntü işleme ve yörünge bulma metotlarını kullanarak bir otonom araç tasarımı yapmaya çalışmışlardır ve bu da otonom sistemlerde hareket planlamanın temelini ortaya koymaktadır. Mobil robotlarda da bu sistemlerin kullanılması ile bu sistemler son yıllarda büyük bir gelişme sergileyerek günümüz otonom araç sistemlerinde kullanılmaktadırlar. Hareket planlama tekniklerini 4 başlığa ayırmak mümkündür ve bunlar grafik taraması temelli planlayıcılar, örnekleme temelli planlayıcılar, eğri interpolasyonu ve nümerik optimizasyon olarak alt başlıklarda sınıflandırılabilirler.

1-Grafik Taraması Temelli Planlayıcılar: Otonom araçların temel prensiplerinden biri olan bir konum noktasından başka bir konum noktasına sürücü yardımı olmadan hareket etmesini sağlayan ve bu koşulda çevresindeki araç ve engelleri bertaraf edip yoluna devam etmesini sağlayacak ve oluşacak durumlara göre en kısa yolu tercih etmesini sağlayacak sistemlerdir. Bu sistem temel olarak 3 algoritma üzerinden gelişim göstermektedir.

  • Djisktra Algoritması: Bu geliştirilen algoritma sayesinde iki konum arasındaki olası tüm yolların maliyet fonksiyonları hesaplanıp en küçük maliyet fonksiyonuna sahip yolun seçilmesini sağlayan sistemdir.

  • A-Star Algoritması: Bu algoritma ise djisktra algoritmasının geliştirilmiş bir sürümü olarak nitelendirilmektedir. Bu sistemler hızlı işlem kabiliyetine sahip olsalar da sonuç olarak djisktra algoritması kadar doğru bir sonuç veremeyebilirler.

  • Durum Örgüsü Algoritması: Bu algoritma ise ayrık durumlar için tasvir edilen örgülerden oluşturulur ve yukarıdaki algoritmalara benzer bir şekilde işleyişe sahip olmakla birlikte maliyet fonksiyonu yardımı ile en iyi yolun seçilmesi sağlanır.
Otonom araçlarda farklı hareket planlama sistemlerinin gösterimi.

2-Örnekleme Temelli Planlayıcılar: Rota oluşturulacak alanlardan rasgele örnekler alınıp bunların hedefe olan uzaklık maliyetine ve engellerden geçip geçmediğine bakılır. Bu teknikte en çok kullanılanları ise PRM (Probabilistic Roadmap Method) ve RRT (Rapidly-exploring Random Tree) algoritmalardır.​ Global ve lokal rota planlamanın her ikisinde de kullanılabilirler fakat otonom araçlarda daha popüler olan hareket planlama uygulaması RRT daha olumlu bir kullanım sağladığı için daha kullanışlı ve olumlu algoritma olarak görülmektedir.​

  • RRT Algoritması: Türkçe anlamı ile Süratle Keşfedilen Rastgele Karar Ağaçları olarak geçen bu algoritma harita üzerinde gidilecek iki konum arasındaki bir yere rastgele bir nokta atanır ve bu noktaya yine rastgele bir şekilde komşu nokta atanarak rota genişletilir eğer bu genişleme sırasında bir engel ile karşılaşmadan karşı noktaya gidildi ise o komşu rotaya eklenir ve dönüş yolu içinde kullanılmak üzere bu noktalar okunur ve kaydedilir.

  • PRM Algoritması: Bu algoritma RRT algoritmasından farklı olarak haritadan rasgele nokta kümesi alır.​ Engele çarpmadan bitişe gidiyorsa seçilen nokta kümesi rota olarak seçilir.​
Bilinmeyen bir alanı keşfetmek için RRT algoritmasının kullanılmasını gösteren görsel.

3-Eğri İnterpolasyonu: Sürücüsüz araçlar için lokal rota planlaması için kullanılır ve lokal rota planlamadaki amaç rotanın sürekliliğini bozan viraj , kavşak gibi kısımların iyileştirilmesidir.​ Doğru ve çember eğrileri , polinomlar , klotoid eğriler , bezire eğrileri şeklinde alt dallara ayrılır.​

4-Nümerik Optimizasyon: Nümerik optimizasyon ile birlikte belli bir fonksiyona sahip olduğu kısıtlamalara göre minimum ya da maksimuma getirmeye yarayan matematiksel yöntemdir. Otonom araç sistemlerinde hareket planlaması açısından kullanımı ise önceki yöntemlerle elde edilen rota fonksiyonunu optimize etmektedir. Böylece enerji tasarrufu, konfor, güvenlik gibi konularda avantaj elde edilmesi sağlanır.

5-KONTROL (CONTROL)

Kontrol kısmında, aracın direksiyonun yönü, hızı ve fren durumu ayarlanır. En çok kullanılan yöntem PID (Proportional Integral Derivative) kontrolüdür. Direksiyonun kontrolü şerit takip sisteminden gelen bilgiye göre hareket eder. Şerit takip sisteminden çıkan sonuç farklı bir sinir ağına da aktarılarak sürüş optimize edilir. Aracın yol ve trafik durumuna göre istenen hızda seyri, hız ayarlama sistemi ile gerçekleşmektedir. Aracın direksiyon sistemine monte edilmiş step, servo ya da hidrolik motorlar yardımı ile de aracın yönlendirilmesi gerçekleştirilmesi sağlanır. Aracın çalıştırma ve durdurulma zamanını ve şeklini kullanıcı karar verirken diğer işlemler ise aracı kontrol eden bilgisayar tarafından otomatik olarak devreye alınmaktadır.

Otonom Araç Sistemlerinin Bileşenleri Nelerdir ?

Otonom araçlarda kullanılan lidar sensörler, kamera, GPS, radar gibi teknolojik ekipmanlar sayesinde aracımız sürücüsüz bir şekilde trafikte hareket edebilmektedir. Gelin bu sistemlerin hangi amaçla kullanıldığını anlamaya çalışalım.

Otonom araçlarda kullanılan sensör ve sistemlerin araç üzerinde konumlandığı yerleri gösteren görsel.

1-Radar: Radio Detection and Ranging yani kısaltması ile Radar, otomobilin etrafında bulunan nesneleri tespit etmek amacıyla arabanın 360 derece etrafını gösteren radar sistemiyle donatılmıştır. Ön ve arka tampondaki kaza önleyici sensörler sayesinde kör noktada kalan herhangi bir cisme olan uzaklık araç tarafından tam olarak tespit edilebiliyor.

2-Kamera Sistemleri

Mono Kamera: Genellikle ön camın üstüne monte edilmiş tek bir kamera kullanır ve otomasyon özelliklerinin çoğu çalışmak için bu tarz kamera kullanımı yaygındır.

Stereo Kamera: Ön cama entegre edilmiş kameralar sayesinde aracın önündeki yolun anlık olarak 3 boyutlu görüntüleri çıkarılabiliyor, bu sayede yayaların konumu ve hızlarından yola çıkarak, gelecekte ki yani birkaç saniye sonra hangi konumda olacakları tahmin ediliyor ve herhangi bir cisimle çarpışmayı engellemiş oluyor.

Kızılötesi Kamera: Gece görüş sistemleri insan gözüyle görünemeyen ve yansımayan kızılötesi ışınları yola yönlendiriyor. Ön cama entegre edilmiş alıcılar vasıtası ile bu ışınların çarptığı objeleri algılayıp araç içi ekrana tespit edilmiş, olası cisimleri yansıtıyor.

3-Lidar Sensörler: Açılımı Light Detection and Ranging olan bu sistemler ışık sinyalleri gönderir ve sinyallerin geri dönmesini bekler. Temel olarak ölçme işlemi için lazer veya ışık kullanan bir uzaktan algılama yöntemidir. Harita sektöründe, karmaşık cisimlerin veya bölgelerin ölçmesi imkansız yerlerin kurtarıcı yöntemi olmasına rağmen klasik inşaat aşamalarında da fazlasıyla yer almaktadır. Öte yandan günümüz teknolojisinin trendlerinden olan otonom yani sürücüsüz araçlarda yine bu yöntemi kullanırken anlık olarak veri üretimi ve analizi yaparak bir nevi lazer gözü ile kontrollü bir şekilde hareket edebilirler.

4-Ultrasonik Sensörler: Ses dalgaları yardımı ile nesneleri algılamaya ve mesafe ölçümüne yarayan bu sistemler. Bir ses kaynağı ve yankıyı algılayan alıcılardan oluşur, mesafe hesaplanırken sesin engele çarpıp döndüğü zaman ikiye bölünerek ses hızı ile çarpılır. Sensörler birbirlerine olan üstünlüklerini daha kapsamlı bir algılamaya dönüştürmek için birlikte kullanılırlar. Kamera sistemi yüzeyin rengini algılarken, lidar cismin yüzeyinin materyal türünü belirler. Birlikte kullanıldığında sistem algıladığı yeşil yüzeylerin çimen ya da yol olmadığını algılayıp araca çevre hakkında bilgi kazandırması sağlanır.

5-GPS-Atalet Ölçüm Ünitesi: Otomobil hangi konuma gideceği ve nerede bulunduğu bilgisini bu sensörler ile tespit ediyor. Otonom araçlarda, GPS’ten gelen verilerin 1–10 metre arasında hata payına sahip olması, ölümcül sonuçlara yol açabilir. Bu yüzden de hem GPS hem LIDAR gibi sensörlerden gelen verilerin birlikte kullanılarak oluşabilecek hata, en düşüğe çekilmesi sağlanıyor.

6-Şerit Takip Sistemleri: Otomobilin ön camına entegre edilmiş kameralar, yol yüzeyi, yol kenarları ve şeritler arasındaki kontrast farkını algılayıp şeritleri izlemek üzere tasarlanıyor. Eğer otomobil kendi şeridini siz farkında olmadan terk ederse araç direksiyona gönderdiği titreşimler ile sürücüyü uyarıyor. Bu sistem sayesinde akıllı şerit sistemlerine sahip yollarda güvenle yolculuk yapmak imkanı tanınıyor.

7-Tekerlek Kodlayıcılar: Tekerleklere entegre edilmiş sensörler vasıtası ile otomobilin hızı anlık olarak ölçülebildiği sistemlerdir.

Otonom sistemli araçlarda kullanılan sensörlerin genel görünümü.

Evet değerli arkadaşlar bugün sizler ile aslında karmaşık diyebileceğimiz bir konuyu bitirdik, alışılmışın dışına çıkmak istediğim bir yazı konusu oldu benim içinde ve bu tür konularda yazılar yazmayı daha çok istiyorum açıkçası. Sürücüsüz araçlar kesinlikle gelecekte yerini alacak bunu hepimiz az çok tahmin edebiliyoruz fakat beni kullanıldığı sistemlerinden daha çok etkileyen şey ise hayata geçtiğinde ve popülerliğini kazandığında nasıl bir etki yaratacağı konusu. Önümüzdeki yazılarımda kesinlikle bu değişim etkilerini yazmayı düşünüyorum özellikle lojistik alanında nasıl bir etki yaratacağı üzerine bir yazı yazmayı çok isterim. Toparlayacak olursam eğer aslında yukarıda anlattığım çoğu sistem ayrı ayrıda olsa günümüz internet dünyasında kullanılıyor Google firmasının zaten çoğunun yapımında katkısı çok yüksek çünkü arama motorları ve görseller üzerinde bu sistemleri kullanarak filtreleme ya da siber güvenlik konularında gelişim göstermek istiyorlar. Biz otonom araç kısmını ele aldık ve ileride bu farklı metotların kullanıldığı ve 5. seviye sürücüsüz araçlar göreceğimizi umut ediyorum. Yazının biraz uzun olduğunun farkındayım umarım sonuna kadar okuma fırsatınız olur, üstünde emek harcayarak derlediğim bir yazı oldu hem ben kendim bu sistemleri öğrenmiş ve ufkumu genişletmiş oldum hem de sizlere güzel bilgiler aktarabilecek olmamdan dolayı mutluluk duydum. Umarım yazımı severek okursunuz ve benim hissettiğim duyguları sizde kendi iç dünyanızda yaşarsınız 🙂

Pes etmediğiniz sürece şansınız devam eder, pes etmek yapılacak en büyük hatadır.

-Jack Ma

Sağlıcakla.

GELECEĞİN ŞOFÖRLERİ: Otonom Araçlara Genel Bakış” için bir yanıt

Add yours

  1. Good explain.
    I didn’t know how old was this technology.
    But I think can be good for us, after a lot of tests.
    I will always like to drive a manual car.

    Beğen

Bir Cevap Yazın

Aşağıya bilgilerinizi girin veya oturum açmak için bir simgeye tıklayın:

WordPress.com Logosu

WordPress.com hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Twitter resmi

Twitter hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Facebook fotoğrafı

Facebook hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Connecting to %s

WordPress.com'da bir web sitesi veya blog oluşturun

Yukarı ↑

%d blogcu bunu beğendi: