Navigasyon uygulamalarında bilgisayarlı görü'yü keşfetmek

Günümüzde telefonunuzu çıkarıp bir varış noktası girmek ve oraya ulaşmak için adım adım yol tariflerini takip etmek çok zahmetsiz geliyor. Sadece birkaç saniyenizi alan bir işlem. Ancak bu gündelik kolaylık, yıllarca süren teknolojik ilerlemenin bir sonucudur. Navigasyon, kağıt haritalardan ve pusulalardan dünyayı gerçek zamanlı olarak anlayıp ona tepki verebilen akıllı sistemlere kadar uzun bir yol kat etti.

Bu değişimin arkasındaki teknolojilerden biri, makinelerin görsel bilgileri insanlar gibi yorumlamasını sağlayan bir yapay zeka (AI) dalı olan computer vision teknolojisidir. En son teknoloji ürünü navigasyon araçları artık harita doğruluğunu artırmak, yol koşullarını izlemek ve kullanıcıları karmaşık ortamlarda yönlendirmek için uydulardan, araç kameralarından ve sokak düzeyindeki sensörlerden gelen gerçek zamanlı görüntüleri kullanıyor.

Bu makalede, computer vision özelliğinin GPS haritalarını iyileştirerek, gerçek zamanlı trafik güncellemeleri sunarak ve artırılmış gerçeklik navigasyonu ile otonom araçlar gibi teknolojileri destekleyerek navigasyonu nasıl geliştirdiğini inceleyeceğiz.

Sürükleyici 3D haritalamaya sahip YZ navigasyon sistemleri#

İster şehir merkezine doğru yola çıkın ister yakınlarda bir kafe arayın, günlük yaşamda gezinmek için Google Maps gibi araçları kullanmak oldukça yaygın hale geldi. AI teknolojileri daha yaygın olarak benimsendikçe, Google Maps tarafından 2023 yılında kullanıma sunulan ve kullanıcıların yolculuklarının bazı bölümlerini 3D bir ortamda önceden izlemelerine olanak tanıyan Immersive View gibi giderek daha gelişmiş özellikler görüyoruz. Bu, AI, fotogrametri ve computer vision kombinasyonu sayesinde mümkün olmaktadır.

Fig 1. Google Maps’ Immersive View.

Her şey, bir dizi özel ekipman tarafından çekilen milyarlarca yüksek çözünürlüklü görüntü ile başlar. Buna, şehir içinde dolaşan 360 derecelik kameralarla donatılmış araçlar olan Street View arabaları ve yürüyüş parkurları veya dar ara sokaklar gibi araçların ulaşamadığı yerlerde görüntü çekmek için kullanılan monte edilmiş kameralara sahip giyilebilir sırt çantaları olan Trekker cihazları dahildir.

Bu görüntüler, sokakların, binaların ve arazinin doğru 3D modellerini oluşturmak için farklı açılardan çekilmiş 2D fotoğrafları birleştiren bir teknik olan fotogrametri kullanılarak harita verileriyle hizalanır.

Daha sonra computer vision, yol işaretleri, kaldırımlar, yaya geçitleri ve bina girişleri gibi önemli özellikleri tanımlamak ve etiketlemek amacıyla nesne algılama ve image segmentation kullanarak bu modelleri analiz etmek için kullanılır.

Fig 2. Immersive View, bir sokaktaki nesneleri bölütlemek için segmentasyon kullanır.

Etiketlenmiş veriler, görsel ipuçlarının bölgeler arasında nasıl farklılık gösterdiğini tanıyan YZ sistemlerini eğitmek için kullanılır. Örneğin sistem, genellikle sarı veya turuncu bir eşkenar dörtgen olan Amerika Birleşik Devletleri'ndeki bir "SLOW" tabelası ile genellikle kırmızı beyaz bir üçgen olan Japonya'daki benzer bir tabela arasında kolayca ayrım yapabilir. Bu anlayış düzeyi, navigasyon deneyimini daha doğru ve kültürel açıdan farkında hale getirir.

Son olarak Immersive View, canlı navigasyon rotalarını 3D ortamın üzerine bindirerek tam olarak nereye gittiğinizi gösteren pürüzsüz ve sezgisel bir deneyim sunar.

Navigasyon çözümlerinde artırılmış gerçeklik#

Muhtemelen hepimiz daireler çizerek dönmeyi ve Google Maps'in bizi hangi yöne yönlendirmeye çalıştığını anlamaya çalışmayı deneyimlemişizdir. Bu kafa karışıklığı tam da gerçek dünya kamera görünümü üzerine dijital bilgileri bindiren bir teknoloji olan augmented reality (AR) navigasyonunun çözmeyi amaçladığı şeydir. Şehir sokakları veya büyük kapalı alanlar gibi kalabalık yerlerde insanların yönlerini bulma şeklini değiştiriyor.

Normal haritaları takip etmek, özellikle GPS sinyalleri zayıf olduğunda veya iyi çalışmadığında zor olabilir. AR navigasyonu, dijital yönleri, okları ve etiketleri doğrudan gerçek dünyanın canlı kamera görüntüsü üzerinde göstererek bunu çözer. Bu, kullanıcıların çevrelerindeki sokaklarla ve binalarla eşleşen rehberliği gördükleri anlamına gelir ve nereye gideceklerini bilmeyi çok daha kolaylaştırır.

Navigasyonda artırılmış gerçeklik nasıl kullanılır?#

AR navigasyonu, bir cihazın kamerası aracılığıyla çevreyi anlamak için computer vision models sistemlerine güvenir. Bu, bina kenarları veya sokak tabelaları gibi özellikleri algılayan ve bunları kayıtlı bir haritayla eşleştiren görüntü yerelleştirme gibi çeşitli görevleri içerir. Eşzamanlı yerelleştirme ve haritalama (SLAM), cihazın konumunu gerçek zamanlı olarak takip ederken çevrenin bir haritasını oluşturur.

Örneğin, Zurich Airport, iç mekan navigasyonu için Google Maps’ Live View özelliğini uygulayan ilk havalimanı oldu. Yolcular, terminaller boyunca kapılara, mağazalara ve hizmetlere rehberlik eden, gerçek dünya ortamında üst üste bindirilmiş okları ve yönleri görmek için telefon kameralarını kullanabilirler. Bu, karmaşık iç mekanlarda gezinmeyi daha kolay hale getirerek yolcu deneyimini iyileştirir.

Fig 3. Zurich Airport, yolcuları kapalı alanda yönlendirmek için computer vision ve AR kullanıyor.

YZ navigasyon sistemleri ile yol güvenliğini artırma#

Şehir sokakları her geçen gün daha da kalabalıklaşıyor. Yoldaki daha fazla araba, kalabalık kaldırımlar ve sürekli hareketlilik ile trafiğin sorunsuz ve güvenli bir şekilde akmasını sağlamak giderek zorlaşıyor. Karmaşayı yönetmeye yardımcı olmak için birçok şehir YZ'ye ve bilgisayarlı görüye yöneliyor.

Kavşaklara ve yolların kenarlarına yerleştirilen Smart cameras ve sensörler kesintisiz bir görsel veri akışı yakalar. Bu görüntüler kazaları tespit etmek, trafik akışını izlemek, çukurları fark etmek ve yasadışı park etme veya riskli yaya davranışı gibi durumları yakalamak için gerçek zamanlı olarak işlenir.

Bunun ilginç bir örneği, Çin'in Hangzhou şehrindeki Smart Airport Expressway yoludur. Hangzhou şehir merkezini Xiaoshan Uluslararası Havalimanı'na bağlayan 20 kilometre uzunluğundaki bu otoyol, yüksek çözünürlüklü kameralar ve milimetre dalga radarlarıyla yükseltilmiştir. Bu cihazlar sürekli olarak video ve sensör verilerini toplar ve ardından bu veriler computer vision kullanılarak analiz edilir.

Sistem sadece görüntü kaydetmekle kalmıyor, aynı zamanda yolda neler olduğunu da yorumluyor. Bilgisayarlı görü algoritmaları, araç çarpışmalarını tespit ediyor, trafik ihlallerini tanıyor ve hatta otoyol çıkışlarının yakınındaki yayaları veya olağandışı hareketleri tanımlıyor. Bu, trafik görevlilerinin fiziksel olarak sahada bulunmalarına gerek kalmadan olaylara saniyeler içinde müdahale etmelerini sağlıyor.

Veriler ayrıca gerçek zamanlı trafik koşullarını, araç ayrıntılarını ve ortaya çıkan sıkışıklığı gösteren otoyolun canlı, 3D sanal modeli olan bir dijital ikize aktarılır. Trafik memurları akışı yönetmek, akıllı uyarılar yayınlamak ve olaylara hızlı ve doğru bir şekilde yanıt vermek için bu görsel arayüzü izler.

Navigasyonda bilgisayarlı görü ile desteklenen otonom mobilite#

Günümüzde navigasyon, A noktasından B noktasına gitmenin çok ötesine geçiyor. Artık ister yolda ister warehouses içinde olsun, insanları taşıyan, malları yöneten ve gerçek zamanlı kararlar alan akıllı sistemlerin kritik bir parçasıdır.

Bu sistemlerin birçoğunun kalbinde, makinelerin görsel verileri yorumlamasını ve çevrelerine anında tepki vermesini sağlayan bilgisayarlı görü yer alır. Bu teknolojinin farklı ortamlarda navigasyonu nasıl dönüştürdüğünü görmek için bazı örneklere bakalım.

Bilgisayarlı görü ile gezinen depo robotları#

Robots, özellikle büyük ölçekli depo operasyonlarında lojistiğin geleceği için vazgeçilmez hale geliyor. E-ticaret talebi arttıkça şirketler, karmaşık ortamlarda gezinmek, öğeleri ayıklamak ve envanteri hız ve hassasiyetle yönetmek için computer vision destekli makinelere giderek daha fazla güveniyor.

Operasyonların verimli bir şekilde yürütülmesini sağlamak için 750.000'den fazla robotun insanlarla birlikte çalıştırdığı Amazon’s fulfillment centers örnek olarak verilebilir. Bu robotlar, yoğun depo zeminlerinde gezinmek, öğeleri tanımlamak ve hızlı, doğru kararlar almak için büyük ölçüde computer vision sistemlerine güvenmektedir.

Böyle bir sistem, envanter işlemlerini hızlandırmak için tasarlanmış bir robotik platform olan Sequoia'dır. Gelen ürünleri taramak, saymak ve düzenlemek için gelişmiş bilgisayarlı görü kullanır, depolama ve geri alma süreçlerini kolaylaştırmaya yardımcı olur.

Benzer şekilde, robotik bir kol olan Vulcan, raflardan güvenli bir şekilde ürün toplamak için kameralar ve görüntü analizi kullanır, her nesnenin şekline ve konumuna göre tutuşunu ayarlar ve hatta insan yardımının ne zaman gerekli olduğunu tanır. Bu arada, yine görüş özellikli bir robot olan Cardinal ise sıralama konusunda uzmanlaşmıştır: karışık paket yığınlarını tarar ve bunları tam olarak doğru giden araçlara yerleştirir.

Fig 4. Cardinal, bir yığından paketleri tam olarak yukarı kaldırıyor.

Otonom araç navigasyonunda bilgisayarlı görü#

Şimdiye kadar computer vision sisteminin hem insanların hem de robotların çevrelerinde gezinmesine nasıl yardımcı olduğunu gördük. Ancak bu, navigasyonun tamamen aracın gerçek zamanlı olarak ne görebildiğine ve anlayabildiğine dayandığı self-driving cars gibi otonom sistemler için de aynı derecede hayati önem taşır.

Güzel bir örnek Tesla Vision system sistemidir. Tesla, radarları ve diğer sensörleri kaldırarak aracın çevresinin tam 360 derece görünümünü sağlayan bir kamera ağını tercih eden sadece kamera tabanlı bir yaklaşımı benimsemiştir. Bu kameralar, ortamı yorumlamak ve anlık sürüş kararları almak için derin sinir ağlarını kullanan Full Self-Driving (FSD) bilgisayarına görsel veriler aktarır.

Gördüklerine dayanarak sistem, tıpkı insan bir sürücü gibi ama tamamen görsel girdilerle direksiyonu ne zaman kıracağına, hızlanacağına, fren yapacağına veya şerit değiştireceğine karar verir. Tesla, filosu genelinde devasa miktarlarda gerçek dünya sürüş verisi toplayıp bunlardan öğrenerek bu sistemi sürekli olarak iyileştiriyor.

Şekil 5. Tesla, güvenli ve otonom navigasyon için bilgisayarlı görü kullanır (Kaynak: Tesla).

Navigasyonda bilgisayarlı görünün artıları ve eksileri#

İşte özellikle doğruluk, güvenlik ve gerçek zamanlı karar vermenin esas olduğu sistemlerde navigasyonda bilgisayarlı görü kullanmanın bazı temel avantajları:

• Yakıt tüketimini azaltır: Sürücülerin trafikten ve dur-kalklı rotalardan kaçınmasına yardımcı olarak, bilgisayarlı görü genel yakıt tüketimini ve seyahat süresini azaltabilir, bu da günlük işe gidip gelmeleri daha verimli hale getirir.
• Yol aşınmasını ve altyapı sorunlarını tespit eder: Vision-based solutions çukurları, solmuş şerit çizgilerini, kırık tabelaları ve hasarlı altyapıyı tarayarak bakım ekiplerine güvenilir, gerçek zamanlı veriler sağlayabilir.
• Diğer YZ araçlarıyla sorunsuz bir şekilde bütünleşir: Bilgisayarlı görü, son derece akıllı ve kişiselleştirilmiş bir navigasyon deneyimi oluşturmak için sesli asistanlar, davranış tahmin modelleri veya rota optimizasyon algoritmalarıyla birleştirilebilir.

Bilgisayarlı görü navigasyona birçok fayda sağlasa da, bu tür çözümleri uygularken dikkate alınması gereken birkaç önemli sınırlama da beraberinde gelir. İşte aklınızda bulundurmanız gereken bazı temel zorluklar:

• Genelleme eksikliği: Belirli ortamlarda veya senaryolarda eğitilen modeller, yeniden eğitim almadan yeni veya değişen bağlamlarda uygulandığında genellikle zorlanır.
• Aydınlatma sınırlamaları: Görüntü sistemleri, iyi çalışmak için iyi aydınlatmaya ve açık havaya güvenir. Sis, şiddetli yağmur veya karanlıkta, LiDAR veya radar gibi sensörlerle birleştirilmedikçe performansları düşer.
• Privacy risks: Kamera kullanan navigasyon sistemleri, kişileri ve özel mülkleri izinsiz olarak kaydedebilir. Bu durum, geliştirme ve dağıtım sırasında dikkatle ele alınması gereken gizlilik sorunlarını beraberinde getirir.

Öne çıkanlar#

Bilgisayarlı görü; haritaları daha dinamik, trafik sistemlerini daha akıllı ve hareketliliği daha erişilebilir hale getirerek navigasyonu yeniden keşfediyor. Bir zamanlar statik olan rotalar, artık sürükleyici 3D önizlemeler, AR rehberliğinde yol tarifleri ve otonom ulaşım teknolojileri ile desteklenen gerçek zamanlı, etkileşimli deneyimlerdir.

Teknoloji ilerledikçe odak noktasının bu sistemleri daha kapsayıcı, uyarlanabilir ve sorumlu hale getirmeye kayacağı muhtemeldir. Sürekli ilerleme; çeşitli ortamlarda doğruluğu artırmaya, güvenilir performansı korumaya ve kullanıcı gizliliğini korumaya bağlı olacaktır. Navigasyonda bilgisayarlı görünün geleceği, sadece akıllı değil, aynı zamanda tasarımında ve etkisinde duyarlı çözümler inşa etmekte yatmaktadır.

Büyüyen community topluluğumuza katılın! AI hakkında bilgi edinmek için GitHub repository deponuzu keşfedin ve vizyon AI projelerinize başlamak için licensing options seçeneklerimize göz atın. AI in retail ve computer vision in agriculture gibi yeniliklerle ilgileniyor musunuz? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret edin!