Navigasyon uygulamalarında bilgisayarlı görüyü keşfetme

Günümüzde telefonunu çıkarıp bir varış noktası yazmak ve oraya ulaşmak için adım adım yönergeleri izlemek zahmetsiz geliyor. Bu işlem yalnızca birkaç saniye sürüyor. Ancak bu günlük kolaylık, yıllar süren teknolojik ilerlemenin sonucu. Navigasyon, kâğıt haritalar ve pusulalardan dünyayı gerçek zamanlı olarak anlayıp ona yanıt verebilen akıllı sistemlere uzanan uzun bir yol katetti.

Bu dönüşümün arkasındaki teknolojilerden biri, makinelerin görsel bilgileri insanlar gibi yorumlamasını sağlayan bir yapay zekâ (AI) dalı olan bilgisayarlı görüdür. Modern navigasyon araçları artık harita doğruluğunu artırmak, yol koşullarını izlemek ve kullanıcıları karmaşık ortamlarda yönlendirmek için uydulardan, araç kameralarından ve yol seviyesindeki sensörlerden alınan gerçek zamanlı görüntüleri kullanıyor.

Bu makalede, bilgisayarlı görünün GPS haritalarını geliştirerek, gerçek zamanlı trafik güncellemeleri sunarak ve artırılmış gerçeklik navigasyonu ile otonom araçlar gibi teknolojileri destekleyerek navigasyonu nasıl iyileştirdiğini inceleyeceğiz.

Sürükleyici 3B haritalama sunan yapay zekâ navigasyon sistemleri#

Günlük yaşamda gezinmek için Google Haritalar gibi araçları kullanmak, şehrin öbür ucuna giderken veya yakındaki bir kafeyi ararken artık oldukça yaygın. Yapay zekâ teknolojileri daha geniş çapta benimsendikçe, Google Haritalar'ın 2023'te kullanıma sunduğu ve kullanıcıların yolculuklarının bazı bölümlerini 3B ortamda ön izlemesine olanak tanıyan Immersive View gibi giderek gelişmiş özellikler görüyoruz. Bu özellik; yapay zekâ, fotogrametri ve bilgisayarlı görünün bir araya gelmesiyle mümkün oluyor.

Şekil 1. Google Haritalar'ın Immersive View özelliği.

Her şey, çeşitli özel ekipmanlarla çekilen milyarlarca yüksek çözünürlüklü görüntüyle başlıyor. Bunlar arasında şehirlerde dolaşan, 360 derece kameralarla donatılmış Street View araçları ve araçların ulaşamadığı yürüyüş parkurları ya da dar sokaklar gibi yerlerde görüntü çekmek için kullanılan, üzerine kamera monte edilmiş giyilebilir sırt çantaları Trekker cihazları bulunuyor.

Bu görüntüler, farklı açılardan çekilmiş 2B fotoğrafları birleştirerek sokakların, binaların ve arazinin doğru 3B modellerini oluşturan fotogrametri tekniğiyle harita verileriyle hizalanıyor.

Ardından bilgisayarlı görü, yol işaretleri, kaldırımlar, yaya geçitleri ve bina girişleri gibi önemli özellikleri belirleyip etiketlemek için bu modelleri nesne algılama ve görüntü segmentasyonu kullanarak analiz ediyor.

Şekil 2. Immersive View, sokaktaki nesneleri segmentlere ayırmak için segmentasyon kullanıyor.

Etiketlenmiş veriler, farklı bölgelerdeki görsel ipuçlarının nasıl değiştiğini tanıyan yapay zekâ sistemlerini eğitmek için kullanılıyor. Örneğin sistem, Amerika Birleşik Devletleri'nde genellikle sarı veya turuncu bir eşkenar dörtgen olan “YAVAŞ” tabelasını, Japonya'daki genellikle kırmızı beyaz bir üçgen olan benzer tabeladan kolayca ayırt edebilir. Bu düzeyde bir anlayış, navigasyon deneyimini daha doğru ve kültürel açıdan duyarlı hâle getiriyor.

Son olarak Immersive View, canlı navigasyon rotalarını 3B ortamın üzerine yerleştirerek tam olarak nereye gittiğini gösteren akıcı ve sezgisel bir deneyim sunuyor.

Navigasyon çözümlerinde artırılmış gerçeklik#

Muhtemelen hepimiz kendi etrafımızda dönüp Google Haritalar'ın hangi yönü gösterdiğini anlamaya çalışmışızdır. Dijital bilgileri gerçek dünyadaki kamera görüntüsünün üzerine yerleştiren bir teknoloji olan artırılmış gerçeklik (AR) navigasyonu, tam da bu kafa karışıklığını gidermeyi amaçlıyor. Bu teknoloji, insanların şehir sokakları veya büyük kapalı alanlar gibi kalabalık yerlerde yollarını bulma biçimini değiştiriyor.

Özellikle GPS sinyalleri zayıf olduğunda veya iyi çalışmadığında sıradan haritaları takip etmek zor olabilir. AR navigasyon, gerçek dünyanın canlı kamera görüntüsünde dijital yönleri, okları ve etiketleri göstererek bu sorunu çözer. Böylece kullanıcılar çevrelerindeki sokaklar ve binalarla örtüşen yönlendirmeleri görür ve hangi yöne gitmeleri gerektiğini çok daha kolay anlar.

Artırılmış gerçeklik navigasyonda nasıl kullanılır?#

AR navigasyonu, cihazın kamerası aracılığıyla çevreyi anlamak için bilgisayarlı görü modellerinden yararlanır. Bu süreçte, bina kenarları veya yol işaretleri gibi özellikleri algılayıp bunları kayıtlı bir haritayla eşleştiren görüntü konumlandırma gibi çeşitli görevler yer alır. Eşzamanlı konum belirleme ve haritalama (SLAM), cihazın konumunu gerçek zamanlı izlerken çevrenin haritasını oluşturur.

Örneğin Zürih Havalimanı, iç mekân navigasyonu için Google Haritalar'ın Live View özelliğini uygulayan ilk havalimanı oldu. Yolcular, telefon kameralarını kullanarak gerçek dünya görüntüsünün üzerine yerleştirilmiş okları ve yönleri görebilir; bu yönlendirmeler onları terminallerdeki kapılara, mağazalara ve hizmet noktalarına götürür. Bu, karmaşık kapalı alanlarda yol bulmayı kolaylaştırarak yolcu deneyimini iyileştirir.

Şekil 3. Zürih Havalimanı, yolculara kapalı alanlarda rehberlik etmek için bilgisayarlı görü ve AR kullanıyor.

Yapay zekâ navigasyon sistemleriyle yol güvenliğini artırma#

Şehir sokakları her geçen gün daha da kalabalıklaşıyor. Yollardaki araç sayısının artması, kaldırımların kalabalıklaşması ve sürekli hareketlilik, trafiğin akıcı ve güvenli kalmasını giderek zorlaştırıyor. Bu karmaşayı yönetmek için birçok şehir yapay zekâya ve bilgisayarlı görüye yöneliyor.

Kavşaklara ve yol kenarlarına yerleştirilen akıllı kameralar ve sensörler, sürekli görsel veri akışı yakalar. Bu görüntüler gerçek zamanlı olarak işlenerek kazalar algılanır, trafik akışı izlenir, çukurlar tespit edilir ve yasa dışı park etme ya da yayaların riskli davranışları gibi durumlar fark edilir.

Bunun ilgi çekici bir örneği, Çin'in Hangzhou kentindeki Smart Airport Expressway yoludur. Hangzhou şehir merkezini Xiaoshan Uluslararası Havalimanı'na bağlayan bu 20 kilometrelik otoyol, yüksek çözünürlüklü kameralar ve milimetre dalga radarlarıyla donatılarak yenilendi. Bu cihazlar sürekli olarak video ve sensör verileri topluyor; bu veriler daha sonra bilgisayarlı görü kullanılarak analiz ediliyor.

Sistem, yalnızca görüntü kaydetmek yerine yolda neler olduğunu yorumlar. Bilgisayarlı görü algoritmaları araç çarpışmalarını algılar, trafik ihlallerini tanır ve otoyol çıkışlarının yakınındaki yayaları veya olağan dışı hareketleri bile tespit eder. Böylece trafik yetkilileri olaylara fiziksel olarak olay yerinde bulunmaları gerekmeden saniyeler içinde müdahale edebilir.

Veriler ayrıca otoyolun trafik koşullarını, araç ayrıntılarını ve ortaya çıkan sıkışıklıkları gerçek zamanlı gösteren canlı bir 3B sanal model olan bir dijital ikize aktarılır. Trafik görevlileri bu görsel arayüzü kullanarak trafiğin akışını yönetir, akıllı uyarılar gönderir ve olaylara hızlı ve doğru şekilde müdahale eder.

Navigasyonda bilgisayarlı görüyle mümkün olan otonom ulaşım#

Günümüzde navigasyon, A noktasından B noktasına gitmenin çok ötesine geçti. Artık insanları taşıyan, malları yöneten ve gerçek zamanlı kararlar alan akıllı sistemlerin kritik bir parçası; ister yolda ister depolarda olsun.

Bu sistemlerin çoğunun merkezinde, makinelerin görsel verileri yorumlamasını ve çevrelerine anında tepki vermesini sağlayan bilgisayarlı görü yer alıyor. Bu teknolojinin farklı ortamlarda navigasyonu nasıl dönüştürdüğünü görmek için birkaç örneğe göz atalım.

Bilgisayarlı görüyle yön bulan depo robotları#

Robotlar, özellikle büyük ölçekli depo operasyonlarında lojistiğin geleceğinin vazgeçilmez bir parçası hâline geliyor. E-ticaret talebi arttıkça şirketler, karmaşık ortamlarda gezinmek, öğeleri sıralamak ve envanteri hızlı ve hassas biçimde yönetmek için bilgisayarlı görü destekli makinelere giderek daha fazla güveniyor.

Örneğin Amazon'un sipariş karşılama merkezlerinde, operasyonların verimli biçimde sürmesini sağlamak için 750.000'den fazla robot insanlarla birlikte çalışıyor. Bu robotlar, kalabalık depo alanlarında gezinmek, öğeleri tanımak ve hızlı, doğru kararlar almak için büyük ölçüde bilgisayarlı görüden yararlanıyor.

Bu sistemlerden biri, envanter işlemlerini hızlandırmak için tasarlanmış robotik bir platform olan Sequoia'dır. Gelen ürünleri taramak, saymak ve düzenlemek için gelişmiş bilgisayarlı görü kullanarak depolama ve ürün toplama süreçlerini kolaylaştırmaya yardımcı olur.

Benzer şekilde, robotik bir kol olan Vulcan; raflardaki öğeleri güvenli biçimde almak için kameralar ve görüntü analizi kullanır, kavrayışını her nesnenin şekline ve konumuna göre ayarlar ve hatta insan yardımına ihtiyaç duyduğunu fark eder. Görü destekli başka bir robot olan Cardinal ise sıralama konusunda uzmanlaşmıştır: Karışık paket yığınlarını tarar ve paketleri doğru sevkiyat arabalarına hassas biçimde yerleştirir.

Şekil 4. Cardinal, bir yığından paketleri hassas biçimde kaldırıyor.

Otonom araç navigasyonunda bilgisayarlı görü#

Şimdiye kadar bilgisayarlı görünün hem insanların hem de robotların çevrelerinde gezinmesine nasıl yardımcı olduğunu gördük. Ancak navigasyonun tamamen aracın gerçek zamanlı olarak ne görebildiğine ve anlayabildiğine bağlı olduğu otonom araçlar gibi otonom sistemler için de aynı derecede kritik.

Buna iyi bir örnek Tesla Vision sistemidir. Tesla, otonom sürüşte radar ve diğer sensörleri devreden çıkarıp aracın çevresini 360 derece gören bir kamera ağı kullanıyor. Bu kameralar görsel verileri, ortamı yorumlamak ve anlık sürüş kararları almak için derin sinir ağlarından yararlanan Full Self-Driving (FSD) bilgisayarına aktarıyor.

Sistem, gördüklerine dayanarak tıpkı bir insan sürücü gibi ne zaman direksiyon çevireceğine, hızlanacağına, fren yapacağına veya şerit değiştireceğine karar veriyor; ancak bunu tamamen görsel girdilerle yapıyor. Tesla, filosundan gerçek dünyada sürüşe ilişkin büyük miktarda veri toplayıp bunlardan öğrenerek bu sistemi sürekli geliştiriyor.

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

Navigasyonda bilgisayarlı görünün artıları ve eksileri#

Özellikle doğruluk, güvenlik ve gerçek zamanlı karar vermenin kritik olduğu sistemlerde bilgisayarlı görü kullanmanın bazı önemli avantajları şunlardır:

• Yakıt tüketimini azaltır: Sürücülerin trafikten ve dur-kalklı güzergâhlardan kaçınmasına yardımcı olan bilgisayarlı görü, toplam yakıt tüketimini ve seyahat süresini azaltarak günlük yolculukları daha verimli hâle getirebilir.
• Yol aşınmasını ve altyapı sorunlarını algılar: Görüntü tabanlı çözümler çukurları, silinmiş şerit çizgilerini, kırık tabelaları ve hasarlı altyapıyı tarayarak bakım ekiplerine güvenilir, gerçek zamanlı veriler sağlayabilir.
• Diğer AI araçlarıyla entegrasyon: Bilgisayarlı görü; daha kişiselleştirilmiş bir navigasyon deneyimi oluşturmak için sesli asistanlar, davranış tahmin modelleri veya rota optimizasyonu algoritmalarıyla birleştirilebilir.

Bilgisayarlı görü navigasyona birçok fayda sağlasa da bu tür çözümleri uygularken göz önünde bulundurulması gereken bazı önemli sınırlamalar da vardır. Dikkate alman gereken temel zorluklar şunlardır:

• Genelleme yetersizliği: Belirli ortamlar veya senaryolar üzerinde eğitilen modeller, yeniden eğitilmeden yeni ya da değişen bağlamlarda kullanıldıklarında genellikle zorlanır.
• Aydınlatma sınırlamaları: Görü sistemlerinin iyi çalışması için iyi aydınlatma ve açık hava koşulları gerekir. Sis, yoğun yağmur veya karanlıkta LiDAR ya da radar gibi sensörlerle desteklenmedikleri sürece performansları düşer.
• Gizlilik riskleri: Kamera kullanan navigasyon sistemleri, izin almadan kişileri ve özel mülkleri kaydedebilir. Bu durum, geliştirme ve dağıtım sırasında dikkatle ele alınması gereken gizlilik sorunlarına yol açar.

Önemli çıkarımlar#

Bilgisayarlı görü, haritaları daha dinamik, trafik sistemlerini daha akıllı ve ulaşımı daha erişilebilir hâle getirerek navigasyonu yeniden şekillendiriyor. Bir zamanlar sabit rotalardan ibaret olan navigasyon artık sürükleyici 3B ön izlemeler, AR destekli yönlendirmeler ve otonom ulaşım teknolojileriyle güçlendirilen gerçek zamanlı, etkileşimli deneyimler sunuyor.

Teknoloji ilerledikçe odak noktasının bu sistemleri daha kapsayıcı, uyarlanabilir ve sorumlu hâle getirmeye kayması muhtemel. İlerleme; farklı ortamlardaki doğruluğu artırmaya, güvenilir performansı korumaya ve kullanıcı gizliliğini korumaya bağlı olacak. Navigasyonda bilgisayarlı görünün geleceği, yalnızca akıllı değil, tasarımı ve etkisi bakımından aynı zamanda özenli çözümler geliştirmekte yatıyor.

Büyüyen topluluğumuza katıl! Yapay zekâ hakkında bilgi edinmek için GitHub depomuzu keşfet ve görsel yapay zekâ projelerine başlamak için lisans seçeneklerimize göz at. Perakendede yapay zekâ ve tarımda bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözümler sayfalarımızı ziyaret et!