Otonom araçlarda yapay zekâ

Otonom araçlar artık yalnızca fütüristik bir fikir değil; otonom sürüş için yapay zekâdaki (AI) gelişmelerin etkisiyle gerçeğe dönüşüyor. Bu araçlar, çevrelerindeki dünyayı anlamak ve yorumlamak için büyük ölçüde gelişmiş yapay zekâ sistemlerine, özellikle bilgisayarlı görüye dayanıyor. Bu teknoloji, nesneleri belirlemelerini, yol işaretlerini tanımalarını ve karmaşık ortamlarda gerçek zamanlı olarak güvenle ilerlemelerini sağlıyor.

Küresel otonom araç pazarı 2021'de 27 milyar ABD dolarının üzerinde bir değere sahipken ve 2026'ya kadar yaklaşık 62 milyar dolara ulaşması beklenirken, otonom sürüş için yapay zekânın ulaşımın geleceğini şekillendirdiği açıkça görülüyor. Bu makalede, bilgisayarlı görünün otonom araçlarda nasıl uygulandığına daha yakından bakacak; yaya algılama, trafik işareti tanıma ve şerit takip sistemleri gibi temel uygulamaları ele alarak bu yeniliklerin sürüşün geleceğini nasıl dönüştürdüğünü göstereceğiz.

Otonom araçlarda yapay zekânın rolü#

Yapay zekâ, otonom araçların çevrelerini anlamasına ve gerçek zamanlı kararlar almasına büyük ölçüde yardımcı olabilir. Yapay zekânın birçok uygulaması arasından yaya algılama ve trafik işareti tanımada, otonom sürüşün güvenilirliğini artıran iki temel unsurda nasıl yardımcı olduğunu inceleyelim.

Yaya algılama için yapay zekâ#

Araç kullanmak, direksiyon başındayken çevrende olup bitenlere sürekli odaklanmayı ve dikkat etmeyi gerektirir. Otonom araçlarda yapay zekâ, araçlarımızın günlük kullanımının sayısız yönüne yardımcı olabilir. Örneğin yapay zekâ, yayaları tespit edip hareketlerini tahmin ederek onların güvenliğini sağlamada önemli bir rol oynayabilir. "Otonom Araçlarda Yaya Algılama Çalışması"na göre bu süreç, yollar, kaldırımlar ve yaya geçitleri de dâhil olmak üzere çevrenin tamamını görüntülemek için aracın her yerine yerleştirilen kameralarla başlar. Bu kameralar sürekli olarak görsel veri toplar ve bu da aracın yoğun veya zorlu durumlarda bile yayaları "görmesine" yardımcı olur.

Toplanan görsel veriler daha sonra Ultralytics YOLOv8 gibi bilgisayarlı görü modelleri kullanılarak işlenebilir. Bunun için ilk adım, görüntüde yayalar, araçlar ve trafik işaretleri gibi olası nesnelerin konumunu belirlemeyi içeren nesne algılamadır. Algılandıktan sonra yapay zekâ modeli, her algılanan nesnenin gerçekte ne olduğunu belirleyen sınıflandırma adlı sonraki adıma geçer. Modeller geniş veri kümeleri üzerinde eğitilir; bu sayede kısmen engellenmiş veya hareket hâlinde olsalar bile yayaları çeşitli pozlarda, ışık koşullarında ve ortamlarda tanıyabilirler.

Bazı bilgisayarlı görü modelleri algılama ve sınıflandırmada başarılı olurken diğerleri, algılanan yayaların hareketini tahmin etme gibi görevlere odaklanır. Bu sistemlerde bir nesne yaya olarak sınıflandırıldığında yapay zekâ modeli bir adım daha ileri giderek bir sonraki hareketini tahmin eder. Örneğin biri yaya geçidinin kenarında duruyorsa araç, bu kişinin yola adım atıp atmayacağını öngörebilir. Bu öngörü yeteneği, aracın olası tehlikeleri önlemek için yavaşlayarak, durarak veya yön değiştirerek gerçek zamanlı tepki vermesi açısından kritik öneme sahiptir. Bu kararları daha da akıllı hâle getirmek için yapay zekâ sistemleri, kameralardan gelen görsel verileri LIDAR gibi diğer sensörlerden gelen girdilerle birleştirerek aracın çevresini daha kapsamlı biçimde anlamasını sağlayabilir.

Şekil 1. Yaya algılayan Ultralytics YOLOv8.

Trafik işareti tanıma için yapay zekâ#

TSR olarak kısaltılan trafik işareti tanıma, otonom araçların bir diğer önemli unsurudur. Aracın dur işaretleri, hız sınırları ve yönlendirmeler gibi yol işaretlerini gerçek zamanlı olarak tanımasına ve bunlara tepki vermesine yardımcı olur. Bu, aracın trafik kurallarına uymasını, kazalardan kaçınmasını ve yolcuların konforlu ve güvenli bir yolculuk yapmasını sağlar.

TSR'nin temelinde, işaretleri tanımlamak için aracın kameralarını kullanan derin öğrenme algoritmaları bulunur. Bu sistemlerin yağmur, düşük ışık veya işaretin açılı bir açıdan görüldüğü durumlar gibi farklı koşullarda çalışması gerekir. Eski yöntemler işaretlerin şeklini ve rengini analiz etme gibi tekniklere dayanır, ancak kötü hava koşulları gibi karmaşık durumlarda sıklıkla başarısız olabilir.

"Çok sınıflı trafik işareti algılama için Ultralytics YOLOv8 tabanlı bir yaklaşım" başlıklı araştırma makalesinde yazarlar, trafik işaretlerinin bulunduğu görüntü alanlarını belirlemek için YOLOv8 modelini kullanmayı açıklıyor. Model; farklı açılar, ışıklandırma koşulları ve mesafeler gibi çeşitli koşullarda çekilmiş trafik işareti görüntülerini içeren bir veri kümesi üzerinde eğitildi. YOLOv8 modeli trafik işaretlerini içeren bölgeleri algıladıktan sonra bunları doğru şekilde sınıflandırarak %80,64 gibi etkileyici bir kesinlik oranına ulaştı. Bu yetenekler, önemli trafik işaretlerini gerçek zamanlı olarak belirleyerek otonom araçların yol koşullarını anlamasına yardımcı olabilir ve potansiyel olarak daha güvenli sürüş kararlarına katkı sağlayabilir.

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

Otonom araçlarda yapay zekânın faydaları#

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

Geliştirilmiş güvenlik#

Yapay zekâ, tehlikelerin gerçek zamanlı olarak algılanmasını ve bunlara tepki verilmesini sağlayarak otonom araçlarda güvenliği artırabilir. National Highway Traffic Safety Administration (NHTSA) tarafından hazırlanan bir rapora göre ciddi kazaların %94'ü insan hatasından kaynaklanıyor. Otonom sistemler daha gelişmiş hâle geldikçe yapay zekâ, insan sürücülerden daha hızlı tepki vererek bu tür olayları azaltma ve kaza oranlarını potansiyel olarak %90 düşürme olanağı sunuyor.

Daha akıcı trafik akışı ve yakıt verimliliği#

Otonom araçlarda yapay zekâ tabanlı nesne algılama yalnızca güvenliğe yardımcı olmakla kalmaz, trafik akışını da iyileştirir. Bu araçlar yapay zekâ kullanarak hızlarını ayarlayabilir, ideal mesafeyi koruyabilir ve ani frenleme veya hızlanma ihtiyacını azaltabilir; bunların tümü trafik sıkışıklığını en aza indirmeye yardımcı olur. Yapay zekâ algoritmaları ayrıca araçların en verimli rotaları izlemesini, gereksiz duruşlardan kaçınmasını ve yakıt tüketimini insan sürücülerden daha iyi yönetmesini sağlayarak yakıt verimliliğini optimize eder. Sonuç olarak yapay zekâ, sürüş deneyimini iyileştirmenin yanı sıra emisyonların ve yakıt maliyetlerinin azaltılmasına da katkıda bulunur.

Otonom araçların geleceği#

Otonom araçların geleceği, ortam veya durum ne olursa olsun insan müdahalesi gerektirmeyen tam otonom sürüş anlamına gelen 5. Seviye otonomiye ulaşma etrafında şekilleniyor. Teknolojinin nereye ilerlediğini anlamak için, Society of Automotive Engineers (SAE) tarafından tanımlanan beş otonom sürüş seviyesini ayrıntılı olarak incelemek önemlidir:

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

Günümüzde ticari olarak sunulan araçların çoğu, aracın direksiyon ve hız kontrolüne yardımcı olabildiği ancak sürücünün dikkatini korumasını gerektirdiği Seviye 2 otonomide çalışıyor. Mercedes-Benz, belirli koşullarda sürücülerin ellerini direksiyondan ve gözlerini yoldan çekmesine, ayrıca çevresini incelemesine olanak tanıyan Seviye 3 otonomiye ulaşan ilk şirketlerden biridir.

Ancak araçların yoğun şehir merkezlerinden uzak kırsal yollara kadar tüm arazilerde, haritalar veya insan müdahalesi olmadan ilerleyebildiği Seviye 5 otonomiye ulaşmak önemli zorluklar ortaya çıkarıyor. Bu zorluklar arasında öngörülemeyen ortamlarda gerçek zamanlı kararlar alabilen gelişmiş yapay zekâ geliştirmek, karmaşık hava koşullarıyla başa çıkmak ve tüm sürüş senaryolarında güvenliği sağlamak bulunuyor.

Önemli çıkarımlar#

Yapay zekâ, otonom araçları gerçeğe daha da yaklaştırmanın anahtarıdır. Bu teknoloji, araçların nesneleri algılamasına, trafik işaretlerini tanımasına, şeritlerinde kalmasına ve YOLOv8 gibi bilgisayarlı görü modelleriyle trafiği yönetmeye ve park yönetimini optimize etmeye yardımcı olur; böylece sürüş daha güvenli ve akıcı hâle gelir. YOLO ve CNNs gibi teknolojiler, araçların yolda akıllı kararlar almasını sağlıyor. Şu anda otonom araçların çoğu, sürüşe yardımcı oldukları ancak yine de insanın dikkatini gerektirdikleri Seviye 2'de çalışıyor ve sınırlı eller serbest sürüşe olanak tanıyan Seviye 3 otonomi test ediliyor.

Önümüzdeki en büyük zorluk, araçların insan yardımı olmadan her koşulda kendi kendine gidebildiği Seviye 5 otonomiye ulaşmaktır. Beklenmedik olaylarla başa çıkmak ve her durumda gerçek zamanlı kararlar alabilen sistemler oluşturmak için daha fazla çalışma gerekecek. Yapay zekâ geliştikçe tamamen otonom araçlar gerçeğe daha da yaklaşıyor; daha güvenli yollar ve daha konforlu bir sürüş deneyimi vadediyor.

Yapay zekâ hakkında merak mı ediyorsun? Çığır açan projeleri keşfetmek ve büyüyen topluluğumuzla bağlantı kurmak için GitHub depomuzu incele. Sağlık hizmetlerindeki çığır açan gelişmelerden otonom sürüşteki yeniliklere kadar yapay zekânın geleceğine yön veriyoruz!