Otonom Araçlar

Sık sık otonom araçlar olarak adlandırılan otonom araçlar (AV'ler), çevrelerini algılayabilen ve insan müdahalesi olmadan çalışabilen akıllı ulaşım sistemleridir. Bu sistemler, karmaşık çevreyi yorumlamak için gelişmiş donanım ile gelişmiş yazılım algoritmalarını birleştiren otomotiv inovasyonunda yapay zekanın zirvesini temsil eder. Temel olarak, bu araçlar AV teknolojisinin temel amacı, insan hatasından kaynaklanan kazaları en aza indirerek yol güvenliğini artırmak, aynı zamanda trafik verimliliğini optimize etmek ve araba kullanamayanlara mobilite sağlamaktır. Bu araçlar, temel olarak yapay zeka (AI) kullanarak uyaranları algılar, bilgileri işler ve anlık sürüş kararları alır.

Algılama ve Sensör Teknolojileri

Otonom bir aracın güvenli bir şekilde seyretmesi için, çevresini kapsamlı bir şekilde anlaması gerekir. Bu , bir dizi sensörden gelen verileri toplayan bir algılama katmanı aracılığıyla sağlanır.

• Bilgisayar Görme (CV): Kameralar, insan görüşünü taklit eden birincil görsel sensörler olarak işlev görür. Algoritmalar, video akışlarını işleyerek şerit işaretlerini, trafik ışıklarını ve tabelaları tanır.
• LiDAR Teknolojisi: Işık Algılama ve Mesafe Ölçümü (LiDAR), lazer darbeleri kullanarak derinlemesine algılama için gerekli olan çevrenin hassas, yüksek çözünürlüklü 3D haritalarını oluşturur.
• Nesne Algılama: Derin öğrenme modelleri, dinamik engelleri tanımlar ve konumlarını belirler. YOLO26 gibi yüksek hızlı modeller, yayaları ve diğer araçları düşük gecikme süresiyle algılamak için çok önemlidir.
• Sensör Füzyonu: Hiçbir sensör tüm koşullarda mükemmel değildir (örneğin, sisli havalarda kameralar). Füzyon algoritmaları, kameralar, radar ve LiDAR'dan gelen verileri birleştirerek sağlam bir çevre modeli oluşturur.
• Anlamsal Segmentasyon: Bu teknik, bir görüntüdeki her pikseli sınıflandırarak aracın sürülebilir yol yüzeyi, kaldırımlar ve bitki örtüsü arasında ayrım yapmasına yardımcı olur.

Özerklik Düzeyleri

Otonom sistemlerin yetenekleri, bilgisayar kontrolü ile insan müdahalesinin kapsamını tanımlayan SAE J3016 sürüş otomasyon seviyelerine göre sınıflandırılır.

• Gelişmiş Sürücü Destek Sistemleri (ADAS): Seviye 1 ve 2'yi kapsayan bu sistemler, direksiyon veya hızlanma konusunda yardımcı olur (örneğin, uyarlanabilir hız sabitleyici), ancak sürücünün dikkatini kaybetmemesini gerektirir.
• Koşullu Otomasyon: Seviye 3'te araç, otoyol trafiği sıkışıklığı gibi belirli koşullarda çoğu sürüş görevini yerine getirebilir, ancak insan uyarıldığında kontrolü devralmaya hazır olmalıdır.
• Yüksek ve Tam Otomasyon: Seviye 4 ve 5, insan müdahalesi olmadan çalışabilen araçları temsil eder. Seviye 4, coğrafi sınırlı alanlarla sınırlıdır, Seviye 5 ise genellikle güçlü Edge AI donanımı gerektiren, her türlü yolda tam otonomi hedefler.

Gerçek Dünya Yapay Zeka Uygulamaları

Otonom araç teknolojisi şu anda çeşitli sektörlerde kullanılıyor ve gerçek dünyadaki karmaşıklığı ele almak için yoğun makine öğrenimi (ML) hesaplamalarına dayanıyor .

1. Robotaxis: Waymo gibi şirketler, kentsel ortamlarda yolcuları taşımak için tamamen otonom araç filolarını kullanıyor. Bu araçlar, karmaşık şehir manzaralarında yayaların ve diğer sürücülerin davranışlarını tahmin etmek için öngörüsel modelleme kullanıyor.
2. Otonom Kamyon Taşımacılığı: Uzun mesafeli lojistik, öngörülebilir otoyol rotalarında otomasyondan yararlanır. Aurora gibi yenilikçiler, yakıt verimliliğini ve güvenliği artırmak için uzun menzilli algılamayı kullanan otonom kamyonlar geliştiriyor.
3. Son Kilometre Teslimatı: Küçük, otonom robotlar nesne izleme özelliğini kullanarak kaldırımlarda yolunu bulur ve paketleri teslim eder, böylece lojistik maliyetlerini ve karbon ayak izini azaltır.

İlgili Kavramları Ayırt Etme

Otonom Araçları, robotik ve otomotiv alanlarındaki ilgili terimlerden ayırmak önemlidir.

• Vs. Robotik: AV'ler teknik olarak mobil robotlar olsa da, robotik alanı daha geniştir ve sabit endüstriyel kollar ve insansı yardımcıları da kapsar. AV'ler özellikle ulaşım mantığına özelleştirilmiştir.
• Vs. Bağlantılı Araçlar (V2X): Bağlantılı araçlar birbirleriyle (V2V) ve altyapıyla (V2I) iletişim kurarak hız ve konum gibi verileri paylaşır. Bir araç otonom olmasa da bağlantılı olabilir, ancak bağlantı genellikle otonom araçların güvenliğini artırır.
• Vs. Teleoperasyon: Teleoperasyon, bir insanın bir aracı uzaktan sürmesini içerir. Buna karşılık, gerçek otonom araçlar, kararları yerel olarak almak için araçtaki sinir ağlarına güvenir.

YOLO26 ile Algıyı Uygulama

Herhangi bir otonom sistemin kritik bir bileşeni, track zaman içinde track etme yeteneğidir. Aşağıdaki örnek , Ultralytics Platformu uyumlu ultralytics bir videoda nesne takibi gerçekleştirmek için kütüphane, bir aracın algılama sistemini simüle eder.

from ultralytics import YOLO

# Load the YOLO26 model, optimized for speed and accuracy
model = YOLO("yolo26n.pt")

# Track vehicles and pedestrians in a video stream
# This simulates the continuous perception required by an AV
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    show=True,
)

# Process results (e.g., counting objects or estimating speed)
for r in results:
    print(r.boxes.xywh)  # Print bounding box coordinates