Otonom Araçlar

Otonomiye Yön Veren Temel Teknolojiler

Otonom bir aracın güvenli bir şekilde çalışabilmesi, öncelikle yapay zeka ve makine öğrenimi, özellikle de Derin Öğrenme (DL) tarafından yönlendirilen bir dizi entegre teknolojiye bağlıdır.

• Bilgisayarla Görme (CV): Bu, AV'lerin dünyayı "görmesi" ve yorumlaması için temeldir. Kameralar, yol şeritlerini, trafik işaretlerini, yayaları, diğer araçları ve engelleri tanımlamak için CV algoritmaları kullanılarak işlenen görsel verileri yakalar.
• Nesne Algılama: Modellerin aracın görüş alanı içindeki nesneleri tanımladığı ve konumlandırdığı, genellikle algılanan her öğenin etrafına bir sınırlayıcı kutu çizdiği önemli bir CV görevi. Gibi son teknoloji modeller Ultralytics YOLO11 hızlı reaksiyonlar için çok önemli olan gerçek zamanlı çıkarım yetenekleri nedeniyle sıklıkla kullanılır. Evrimlerini anlamak için farklı YOLO modelleri arasındaki karşılaştırmaları keşfedebilirsiniz.
• Sensör Paketi: AV'ler tipik olarak birden fazla sensör tipi kullanır:
  • Kameralar: Zengin görsel bilgi sağlayın.
  • LiDAR (Işık Algılama ve Uzaklık): Çeşitli aydınlatma koşullarında etkili olan, çevrenin ayrıntılı 3D haritalarını oluşturmak için lazer darbeleri kullanır.
  • Radar (Radyo Algılama ve Uzaklık Ölçme): Nesneleri tespit etmek ve hızlarını ölçmek için radyo dalgalarını kullanır, yağmur veya sis gibi olumsuz hava koşullarında güvenilirdir.
• Sensör Füzyonu: Algoritmalar çeşitli sensörlerden (kameralar, LiDAR, Radar, GPS, IMU'lar) gelen verileri birleştirerek çevre hakkında kapsamlı ve sağlam bir anlayış oluşturur. Bu, tek bir sensör türünün sınırlamalarının üstesinden gelir.
• Yol Planlama: Yapay zeka algoritmaları, algılanan çevre, hedef, trafik kuralları ve araç dinamiklerine dayalı olarak en güvenli ve en verimli rotayı ve anlık yörüngeyi belirler. Bu, karmaşık karar verme süreçlerini içerir.
• Kontrol Sistemleri: Planlanan yolu, genellikle Robotik ilkelerini kullanarak direksiyon, hızlanma ve frenleme gibi fiziksel eylemlere dönüştürür.

Sürüş Otomasyonu Seviyeleri

SAE International, yetenekleri standartlaştırmak için Seviye 0'dan (otomasyon yok) Seviye 5'e (tam otomasyon, hiçbir koşulda insan sürücüye ihtiyaç yok) kadar altı sürüş otomasyonu seviyesi tanımlamaktadır. Mevcut birçok Gelişmiş Sürücü Destek Sistemi (ADAS) 1. ve 2. Seviyelere girmektedir. Tamamen otonom sistemler geliştiren şirketler genellikle Seviye 4 (coğrafi olarak sınırlandırılmış kentsel alanlar gibi belirli operasyonel tasarım alanlarında yüksek otomasyon) veya Seviye 5'i hedeflemektedir.

Otonom Araçlarda Gerçek Dünya AI/ML Uygulamaları

Otonom araçlar sadece fütüristik kavramlar değil; aktif olarak geliştiriliyor ve kullanılıyor, karmaşık, gerçek dünya senaryolarında yapay zekanın gücünü sergiliyorlar.

1. Robotaksi Hizmetleri: Waymo ( Google'ın ana şirketi Alphabet'e ait) ve Cruise (GM'nin çoğunluk hissesine sahip olduğu) gibi şirketler sınırlı alanlarda tamamen otonom araç çağırma hizmetleri sunmaktadır. Araçları, algılama(nesne algılamave segmentasyondan yararlanma), diğer yol kullanıcılarının davranışlarını tahmin etme ve karmaşık kentsel ortamlarda navigasyon için sofistike yapay zeka kullanmaktadır. Bu sistemler, Makine Öğrenimi Operasyonlarının (MLOps) temel bir ilkesi olan operasyon sırasında toplanan verilere dayanarak sürekli öğrenir ve gelişir. Kendi Kendine Giden Araçlarda Yapay Zeka ile ilgili tartışmalarda daha fazla bilgi bulunabilir.
2. Tehlike Tespiti ve Kaçınma: AV'ler beklenmedik yol tehlikelerini tespit etmeli ve bunlara tepki vermelidir. Örneğin, çukurları, enkazları veya inşaat alanlarını tespit etmek için Ultralytics HUB gibi platformlar kullanılarak nesne algılama modelleri özel olarak eğitilebilir. Bir örnek, çukur tespiti içinYOLO modellerinin kullanılmasını içerir ve aracın yapay zekasının engelin etrafında güvenli bir yol planlamasına veya sistemi uyarmasına olanak tanır. Bu uygulama, algılamada yüksek doğruluk ve düşük gecikme ihtiyacını vurgulamaktadır.

Gelişim ve Eğitim

AV'lerin geliştirilmesi, genellikle COCO gibi büyük veri kümeleri veya Argoverse gibi özel sürüş veri kümeleri kullanılarak titiz test ve doğrulama gerektirir. Temel derin öğrenme modellerinin eğitimi önemli hesaplama kaynakları(GPU'lar, TPU'lar) ve aşağıdaki gibi çerçeveler gerektirir PyTorch veya TensorFlow. Simülasyon ortamları, gerçek dünya dağıtımından önce sayısız senaryo altında algoritmaların güvenli bir şekilde test edilmesinde çok önemli bir rol oynar. Model dağıtımı genellikle niceleme ve özel donanım hızlandırıcıları(Edge AI cihazları, NVIDIA Jetson) gibi optimizasyon tekniklerini içerir. Tüm yaşam döngüsü, sürekli iyileştirme ve izleme için sağlam MLOps uygulamalarından yararlanır.