Otonom araçlarda yapay zekâ

Kendi kendine giden otomobiller artık yalnızca geleceğe yönelik bir fikir değil; otonom sürüş için yapay zekâdaki (AI) gelişmeler sayesinde gerçeğe dönüşüyor. Bu araçlar, çevrelerindeki dünyayı anlamak ve yorumlamak için büyük ölçüde gelişmiş yapay zekâ sistemlerine, özellikle de bilgisayarlı görüye dayanıyor. Bu teknoloji, gerçek zamanlı olarak nesneleri belirlemelerini, trafik işaretlerini tanımalarını ve karmaşık ortamlarda güvenli biçimde ilerlemelerini sağlıyor.

Küresel otonom otomobil pazarı 2021'de 27 milyar ABD dolarının üzerinde değerlenmişti ve 2026'ya kadar yaklaşık 62 milyar dolara ulaşması bekleniyordu. Bu da otonom sürüş için yapay zekânın ulaşımın geleceğini şekillendirdiğini açıkça gösteriyor. Bu makalede, bilgisayarlı görünün kendi kendine giden otomobillerde nasıl uygulandığına yakından bakacak; yaya algılama, trafik işareti tanıma ve şeritte kalma sistemleri gibi temel uygulamaları ele alarak bu yeniliklerin sürüşün geleceğini nasıl dönüştürdüğünü göstereceğiz.

Kendi kendine giden otomobillerde yapay zekânın rolü#

Yapay zekâ, kendi kendine giden otomobillerin çevrelerini anlamasına ve gerçek zamanlı kararlar almasına büyük ölçüde yardımcı olabilir. Otonom sürüşün güvenilirliğini artıran iki temel unsur olan yaya algılama ve trafik işareti tanımada yapay zekânın nasıl yardımcı olduğunu ve diğer birçok uygulamasını inceleyelim.

Yaya algılama için yapay zekâ#

Araç kullanmak, direksiyon başındayken çevrende olup bitenlere sürekli dikkat ve odaklanma gerektirir. Otonom araçlardaki yapay zekâ, araçlarımızı günlük kullanmanın birçok yönüne yardımcı olabilir. Örneğin yapay zekâ, yayaları tespit edip hareketlerini tahmin ederek güvenliklerini sağlamada önemli bir rol oynayabilir. "Otonom Araçlarda Yaya Tespiti Araştırması" başlıklı çalışmaya göre bu süreç, çevrenin yolları, kaldırımları ve yaya geçitlerini de içeren genel görüntüsünü yakalamak için aracın her tarafına yerleştirilen kameralarla başlar. Bu kameralar sürekli görsel veri toplar ve aracın yoğun ya da zorlu koşullarda bile yayaları "görmesine" yardımcı olur.

Toplanan görsel veriler daha sonra Ultralytics YOLOv8 gibi bilgisayarlı görü modelleriyle işlenebilir. Bunun için ilk adım, görüntüde yayalar, araçlar ve trafik işaretleri gibi olası nesnelerin konumlarını belirlemeyi içeren nesne tespitini kullanmaktır. Nesne tespit edildikten sonra yapay zekâ modeli, tespit edilen her nesnenin gerçekte ne olduğunu belirleyen sınıflandırma adımına geçer. Modeller, çeşitli duruşlarda, ışık koşullarında ve ortamlarda, kısmen engellenmiş veya hareket hâlinde olsalar bile yayaları tanıyabilmeleri için geniş veri kümeleriyle eğitilir.

Bazı bilgisayarlı görü modelleri tespit ve sınıflandırmada başarılıyken diğerleri, tespit edilen yayaların hareketini tahmin etme gibi görevlere odaklanır. Bu sistemlerde bir nesne yaya olarak sınıflandırıldıktan sonra yapay zekâ modeli, bir adım daha ileri giderek yayanın sonraki hareketini tahmin eder. Örneğin yaya geçidinin kenarında duran birinin yola çıkıp çıkmayacağını araç öngörebilir. Bu tahmin yeteneği, aracın olası tehlikelerden kaçınmak için yavaşlayarak, durarak veya yön değiştirerek gerçek zamanlı tepki vermesinde kritik öneme sahiptir. Bu kararları daha isabetli hâle getirmek için yapay zekâ sistemleri, aracın çevresini daha bütünlüklü anlamasını sağlayan LiDAR gibi diğer sensörlerden gelen girdileri kameraların görsel verileriyle birleştirebilir.

Şekil 1. Ultralytics YOLOv8 bir yayayı algılıyor.

Trafik işareti tanıma için yapay zekâ#

Trafik işareti tanıma (TSR), otonom araçların bir diğer önemli parçasıdır. Aracın dur işaretleri, hız sınırları ve yönler gibi trafik işaretlerini gerçek zamanlı olarak tanımasına ve bunlara tepki vermesine yardımcı olur. Böylece araç trafik kurallarına uyar, kazalardan kaçınır ve yolcuların konforlu ve güvenli bir yolculuk yapmasını sağlar.

TSR'nin temelinde, işaretleri belirlemek için otomobilin kameralarını kullanan derin öğrenme algoritmaları yer alır. Bu sistemler yağmur, düşük ışık veya işaretin açıyla görüldüğü durumlar gibi farklı koşullarda çalışabilmelidir. Eski yöntemler işaretlerin şeklini ve rengini analiz etme gibi tekniklere dayanır; ancak kötü hava koşulları gibi karmaşık durumlarda çoğu zaman başarısız olabilir.

Bir araştırma makalesinde yazarlar, trafik işaretlerinin bulunduğu görüntü alanlarını belirlemek için YOLOv8 modelini kullandıklarını anlatıyor. Model; farklı açılar, ışık koşulları ve mesafeler gibi çeşitli koşullarda çekilmiş trafik işareti görüntülerini içeren bir veri kümesiyle eğitildi. YOLOv8 modeli trafik işaretlerini içeren bölgeleri algıladığında bu işaretleri sınıflandırıyor. Bu yetenekler, önemli trafik işaretlerini gerçek zamanlı olarak belirleyerek otonom araçların yol koşullarını anlamasına yardımcı olabilir ve daha güvenli sürüş kararlarına katkı sağlayabilir. TT100K gibi herkese açık veri kümeleri, benzer trafik işareti algılayıcılarının eğitilmesini mümkün kılıyor.

Şekil 2. Otonom araçların güvenli biçimde ilerlemesini sağlayan, trafik işaretini doğru şekilde algılayıp sınıflandıran bilgisayarlı görü modeli. (Kaynak: computervision.zone)

Kendi kendine giden otomobillerde yapay zekânın faydaları#

Yapay zekâ, otonom araçların çalışma biçimini giderek değiştirerek onları daha güvenli ve verimli hâle getiriyor. Akıllı algoritmalar ve verileri hızla işleme becerileri sayesinde bu araçlar tehlikeleri fark edebilir, daha iyi sürüş kararları alabilir ve çevre üzerindeki etkilerini azaltabilir. Yapay zekânın otonom araçlara sağladığı başlıca faydalardan bazıları şunlardır.

Gelişmiş güvenlik#

Yapay zekâ, tehlikeleri gerçek zamanlı algılayıp bunlara karşılık vererek otonom araçlarda güvenliği artırabilir. Ulusal Karayolu Trafik Güvenliği İdaresi'nin (NHTSA) bir raporuna göre ciddi kazaların %94'ü insan hatasından kaynaklanıyor. Otonom sistemler geliştikçe yapay zekâ, insan sürücülerden daha hızlı tepki vererek bu tür olayları azaltma ve kaza oranlarını düşürme potansiyeline sahip.

Daha akıcı trafik akışı ve yakıt verimliliği#

Otonom araçlarda yapay zekâ destekli nesne algılama, yalnızca güvenliğe yardımcı olmakla kalmaz, trafik akışını da iyileştirir. Bu araçlar yapay zekâ kullanarak hızlarını ayarlayabilir, ideal mesafeyi koruyabilir ve ani fren ya da hızlanma ihtiyacını azaltabilir; bunların tümü trafik sıkışıklığını en aza indirmeye yardımcı olur. Yapay zekâ algoritmaları ayrıca otomobillerin en verimli rotaları izlemesini, gereksiz duraklamalardan kaçınmasını ve yakıt tüketimini insan sürücülerden daha iyi yönetmesini sağlayarak yakıt verimliliğini optimize eder. Böylece yapay zekâ sürüş deneyimini iyileştirmenin yanı sıra emisyonları ve yakıt maliyetlerini de azaltmaya katkıda bulunur.

Kendi kendine giden otomobillerin geleceği#

Kendi kendine giden otomobillerin geleceği, ortam ya da durum ne olursa olsun insan müdahalesi gerektirmeyen tam otonom sürüş anlamına gelen 5. Seviye otonomiye ulaşmaya dayanıyor. Teknolojinin nereye yöneldiğini anlamak için Otomotiv Mühendisleri Derneğinin (SAE) tanımladığı beş otonom sürüş seviyesini ayrıntılı biçimde ele almak önemli:

• Seviye 0: Otomasyon yoktur. Aracın kontrolü tamamen insan sürücüde olur.
• Seviye 1: Sürücü desteği. Hız sabitleyici gibi temel sistemler sürüşe yardımcı olur ancak insan denetimi gerekir.
• Seviye 2: Kısmi otomasyon. Araç hem direksiyonu hem de hızlanmayı kontrol edebilir ancak sürücü dikkatini vermeli ve devralmaya hazır olmalıdır.
• Seviye 3: Koşullu otomasyon. Araç çoğu sürüş görevini yönetebilir ancak karmaşık durumlarda insan müdahalesi gerekir.
• Seviye 4: Yüksek otomasyon. Araç çoğu ortam ve koşulda kendi kendine gidebilir ancak aşırı koşullarda sürücü gerekebilir.
• Seviye 5: Tam otomasyon. Araç tamamen otonomdur ve hiçbir insan girdisi olmadan tüm koşullarda çalışabilir.

Şu anda ticari olarak satışa sunulan araçların çoğu, otomobilin direksiyon ve hız kontrolüne yardımcı olabildiği ancak sürücünün dikkatini vermeye devam etmesini gerektiren Seviye 2 otonomide çalışıyor. Mercedes-Benz, belirli koşullarda sürücülerin ellerini direksiyondan çekmesine, gözlerini yoldan ayırmasına ve çevresini izlemesine olanak tanıyan Seviye 3 otonomiye ulaşan ilk şirketlerden biri.

Ancak araçların yoğun şehir merkezlerinden uzak kırsal yollara kadar her türlü arazide, harita veya insan müdahalesi olmadan ilerleyebildiği Seviye 5 otonomiye ulaşmak önemli zorluklar barındırıyor. Bu zorluklar arasında öngörülemeyen ortamlarda gerçek zamanlı kararlar alabilen gelişmiş yapay zekâ geliştirmek, karmaşık hava koşullarıyla başa çıkmak ve tüm sürüş senaryolarında güvenliği sağlamak yer alıyor.

Önemli çıkarımlar#

Otonom araçları gerçeğe dönüştürmede yapay zekâ kilit rol oynar. Bu araçların nesneleri tespit etmesine, trafik işaretlerini tanımasına, şeritlerinde kalmasına ve YOLOv8 gibi bilgisayarlı görü modelleriyle trafiği yönetip park yönetimini optimize etmesine yardımcı olarak sürüşü daha güvenli ve akıcı hâle getirir. YOLO ve CNN gibi teknolojiler, araçların yolda akıllı kararlar almasını sağlıyor. Şu anda otonom araçların çoğu, sürüşe yardımcı olduğu ancak yine de insan gözetimi gerektirdiği 2. seviyede çalışıyor; sınırlı süreyle sürücüsüz kullanıma izin veren 3. seviye otonomi ise test ediliyor.

Önümüzdeki büyük zorluk, otomobillerin insan yardımı olmadan her koşulda kendi kendine gidebildiği Seviye 5 otonomiye ulaşmak. Bunun için beklenmedik olaylarla başa çıkmak ve her durumda gerçek zamanlı karar verebilen sistemler oluşturmak üzere daha fazla çalışma gerekiyor. Yapay zekâ geliştikçe tamamen otonom otomobiller gerçeğe biraz daha yaklaşıyor; bu da daha güvenli yollar ve daha konforlu bir sürüş deneyimi vadediyor.

Yapay zekâyı merak mı ediyorsun? Projelerimizi görmek ve büyüyen topluluğumuzla bağlantı kurmak için GitHub depomuzu incele. Sağlık hizmetlerinden otonom sürüşe kadar görsel yapay zekâyı farklı sektörlerde nasıl kullandığımızı keşfet.