Navigasyon uygulamalarında bilgisayarla görmeyi keşfetme

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

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

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

Sürükleyici 3B haritalara sahip yapay zekâ navigasyon sistemleri#

İster şehir içinde bir yere gidiyor ister yakındaki bir kafeyi arıyor ol, günlük yaşamda yön bulmak için Google Maps gibi araçları kullanmak oldukça yaygın hale geldi. Yapay zekâ teknolojileri daha geniş kapsamlı şekilde benimsenirken, Google Maps tarafından 2023'te sunulan ve kullanıcıların yolculuklarının bazı bölümlerini 3B ortamda önizlemesine olanak tanıyan Immersive View gibi giderek daha gelişmiş özellikler görüyoruz. Bu özellik; yapay zekâ, fotogrametri ve bilgisayarlı görüşün birleşimi sayesinde mümkün oluyor.

Şekil 1. Google Maps’in Immersive View özelliği.

Her şey, çeşitli özel ekipmanlarla çekilen milyarlarca yüksek çözünürlüklü görüntüyle başlıyor. Bunlar arasında şehirlerde dolaşan, 360 derece kameralarla donatılmış araçlar olan Street View otomobilleri ve araçların ulaşamadığı yürüyüş parkurları veya dar sokaklar gibi yerlerde görüntü yakalamak için kullanılan, üzerlerine kameralar monte edilmiş giyilebilir sırt çantaları olan Trekker cihazları bulunuyor.

Bu görüntüler, farklı açılardan çekilen 2B fotoğrafları bir araya getirerek sokakların, binaların ve arazinin doğru 3B modellerini oluşturan fotogrametri tekniği kullanılarak harita verileriyle hizalanıyor.

Daha sonra bilgisayarlı görüş, yol işaretleri, kaldırımlar, yaya geçitleri ve bina girişleri gibi önemli unsurları tespit edip etiketlemek için nesne algılama ve görüntü segmentasyonu kullanarak bu modelleri analiz ediyor.

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

Etiketlenen veriler, görsel ipuçlarının bölgeler arasında nasıl farklılaştığını tanıyan yapay zekâ sistemlerini eğitmek için kullanılıyor. Örneğin sistem, Amerika Birleşik Devletleri'ndeki genellikle sarı veya turuncu elmas şeklinde olan “YAVAŞ” işareti ile Japonya'daki genellikle kırmızı ve beyaz üçgen şeklinde olan benzer bir işareti kolayca ayırt edebiliyor. Bu düzeyde bir anlayış, navigasyon deneyimini daha doğru ve kültürel açıdan bilinçli hale getiriyor.

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

Navigasyon çözümlerinde artırılmış gerçeklik#

Muhtemelen hepimiz kendi etrafımızda dönüp Google Maps'in bizi hangi yöne yönlendirdiğini anlamaya çalışmışızdır. Bu kafa karışıklığı, dijital bilgileri gerçek dünya kamera görüntüsünün üzerine bindiren bir teknoloji olan artırılmış gerçeklik (AR) navigasyonunun çözmeyi amaçladığı şeydir. Bu teknoloji, insanların şehir sokakları veya büyük kapalı alanlar gibi yoğun yerlerde yön bulma biçimini değiştiriyor.

Özellikle GPS sinyallerinin zayıf olduğu veya düzgün çalışmadığı durumlarda geleneksel haritaları takip etmek zor olabilir. AR navigasyonu, dijital yönlendirmeleri, okları ve etiketleri gerçek dünyanın canlı kamera görüntüsünün üzerinde göstererek bu sorunu çözüyor. Böylece kullanıcılar, çevrelerindeki sokaklar ve binalarla eşleşen yönlendirmeleri görüyor ve nereye gideceklerini anlamaları çok daha kolaylaşıyor.

Navigasyonda artırılmış gerçeklik nasıl kullanılır?#

AR navigasyonu, bir cihazın kamerası aracılığıyla ortamı anlamak için bilgisayarlı görüş modellerine dayanır. Bu süreç, bina kenarları veya sokak işaretleri gibi özellikleri tespit edip bunları kayıtlı bir haritayla eşleştiren görüntü konumlandırma gibi çeşitli görevleri içerir. Eşzamanlı konumlandırma ve haritalama (SLAM), cihazın konumunu gerçek zamanlı olarak takip ederken ortamın bir haritasını oluşturur.

Örneğin Zürih Havalimanı, kapalı alan navigasyonu için Google Maps'in Live View özelliğini uygulayan ilk havalimanı oldu. Yolcular, gerçek dünya ortamının üzerine bindirilmiş okları ve yönlendirmeleri görmek için telefon kameralarını kullanarak terminallerden kapılara, mağazalara ve hizmetlere yönlendirilebiliyor. Bu, karmaşık kapalı alanlarda navigasyonu kolaylaştırarak yolcu deneyimini iyileştiriyor.

Şekil 3. Zürih Havalimanı, yolcuları kapalı alanda yönlendirmek için bilgisayarlı görüş ve AR kullanıyor.

Yapay zekâ navigasyon sistemleriyle yol güvenliğini artırma#

Şehir sokakları her geçen gün daha yoğun hale geliyor. Yollarda daha fazla araç, kalabalık kaldırımlar ve sürekli hareketlilik varken trafiğin sorunsuz ve güvenli akışını sağlamak giderek zorlaşıyor. Birçok şehir bu karmaşayı yönetmeye yardımcı olması için yapay zekâya ve bilgisayarlı görüşe yöneliyor.

Kavşaklara ve yollar boyunca yerleştirilen akıllı kameralar ile sensörler, sürekli bir görsel veri akışı yakalıyor. Bu görüntüler, kazaları tespit etmek, trafik akışını izlemek, çukurları belirlemek ve yasa dışı park veya yayaların riskli davranışları gibi durumları fark etmek için gerçek zamanlı olarak işleniyor.

Bunun ilginç 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 geliştirildi. Bu cihazlar sürekli olarak video ve sensör verileri topluyor; bu veriler daha sonra bilgisayarlı görüş kullanılarak analiz ediliyor.

Sistem yalnızca görüntüleri kaydetmekle kalmıyor, yolda neler olduğunu da yorumluyor. Bilgisayarlı görüş algoritmaları araç çarpışmalarını tespit ediyor, trafik ihlallerini tanıyor ve hatta otoyol çıkışlarının yakınındaki yayaları veya olağandışı hareketleri belirliyor. Bu sayede trafik yetkilileri olaylara fiziksel olarak olay yerinde bulunmaları gerekmeden saniyeler içinde müdahale edebiliyor.

Veriler ayrıca otoyolun trafik koşullarını, araç ayrıntılarını ve ortaya çıkan yoğunluğu gerçek zamanlı olarak gösteren canlı, 3B sanal bir model olan dijital ikize aktarılıyor. Trafik görevlileri akışı yönetmek, akıllı uyarılar göndermek ve olaylara hızlı ve doğru şekilde müdahale etmek için bu görsel arayüzü izliyor.

Navigasyonda bilgisayarlı görüş sayesinde mümkün olan otonom hareketlilik#

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

Bu sistemlerin çoğunun merkezinde, makinelerin görsel verileri yorumlamasını ve çevrelerine anında yanıt vermesini sağlayan bilgisayarlı görüş bulunuyor. Bu teknolojinin farklı ortamlarda navigasyonu nasıl dönüştürdüğünü görmek için birkaç örneği inceleyelim.

Bilgisayarlı görüşle navigasyon yapan depo robotları#

Robotlar, özellikle büyük ölçekli depo operasyonlarında lojistiğin geleceği için vazgeçilmez hale geliyor. E-ticaret talebi arttıkça şirketler, karmaşık ortamlarda navigasyon yapmak, ürünleri sınıflandırmak ve envanteri hızlı ve hassas biçimde yönetmek için bilgisayarlı görüş destekli makinelere giderek daha fazla güveniyor.

Örneğin, operasyonların verimli şekilde sürmesini sağlamak için 750.000'den fazla robotun insanlarla birlikte çalıştığı Amazon'un sipariş karşılama merkezlerini ele alalım. Bu robotlar, yoğun depo zeminlerinde gezinmek, ürünleri tanımlamak ve hızlı, doğru kararlar vermek için büyük ölçüde bilgisayarlı görüşe güveniyor.

Bu sistemlerden biri, envanter işlemlerini hızlandırmak için tasarlanmış robotik bir platform olan Sequoia'dır. Gelen ürünleri taramak, saymak ve düzenlemek için gelişmiş bilgisayarlı görüş kullanarak depolama ve ürün alma süreçlerinin kolaylaştırılmasına yardımcı olur.

Benzer şekilde robotik bir kol olan Vulcan, ürünleri raflardan güvenli bir şekilde almak için kameralar ve görüntü analizi kullanıyor; kavrayışını her nesnenin şekline ve konumuna göre ayarlıyor ve hatta insan yardımına ihtiyaç duyulduğunu fark ediyor. Bu sırada, görüş özellikli başka bir robot olan Cardinal sınıflandırma konusunda uzmanlaşıyor: Karışık paket yığınlarını tarıyor ve bunları doğru çıkış arabalarına hassas biçimde yerleştiriyor.

Şekil 4. Cardinal'in bir yığından paketleri hassas biçimde kaldırması.

Otonom araç navigasyonunda bilgisayarlı görüş#

Şimdiye kadar bilgisayarlı görüşün hem insanların hem de robotların ortamlarında yön bulmasına nasıl yardımcı olduğunu gördük. Ancak otonom araçlar gibi, navigasyonu tamamen aracın gerçek zamanlı olarak ne görebildiğine ve anlayabildiğine bağlı olan otonom sistemler için de aynı derecede kritik.

Buna iyi bir örnek Tesla Vision sistemidir. Tesla, otonom sürüşte yalnızca kamera kullanan bir yaklaşım benimsedi; radar ve diğer sensörleri kaldırarak bunların yerine aracın çevresini tam 360 derecelik açıyla görüntüleyen bir kamera ağı kullandı. Bu kameralar, görsel verileri Tam Otonom Sürüş (FSD) bilgisayarına aktarıyor; bu bilgisayar ortamı yorumlamak ve saniyeden kısa sürede sürüş kararları vermek için derin sinir ağlarını kullanıyor.

Sistem gördüklerine dayanarak tıpkı bir insan sürücü gibi ne zaman direksiyon çevireceğine, hızlanacağına, fren yapacağına veya şerit değiştireceğine karar veriyor; ancak bunu tamamen görsel girdiler aracılığıyla yapıyor. Tesla, filosundan elde ettiği büyük miktardaki gerçek dünya sürüş verilerini toplayıp bunlardan öğrenerek bu sistemi sürekli geliştiriyor.

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

Navigasyonda bilgisayarlı görüşün artıları ve eksileri#

Özellikle doğruluk, güvenlik ve gerçek zamanlı karar vermenin kritik olduğu sistemlerde bilgisayarlı görüş kullanmanın başlıca avantajlarından bazıları şunlardır:

• Yakıt tüketimini azaltır: Sürücülerin trafikten ve dur-kalk gerektiren güzergâhlardan kaçınmasına yardımcı olan bilgisayarlı görüş, genel yakıt tüketimini ve seyahat süresini azaltarak günlük işe gidiş gelişleri daha verimli hale getirebilir.
• Yol aşınmasını ve altyapı sorunlarını tespit eder: Görüş tabanlı çözümler çukurları, silinmiş şerit işaretlerini, kırılmış tabelaları ve hasarlı altyapıyı tarayarak bakım ekiplerine güvenilir, gerçek zamanlı veriler sağlayabilir.
• Diğer yapay zekâ araçlarıyla sorunsuz şekilde entegre olur: Bilgisayarlı görüş; sesli asistanlar, davranış tahmin modelleri veya rota optimizasyon algoritmalarıyla birleştirilerek son derece akıllı ve kişiselleştirilmiş bir navigasyon deneyimi oluşturulabilir.

Bilgisayarlı görüş navigasyona birçok fayda sağlasa da bu tür çözümleri uygularken dikkate alınması gereken bazı önemli sınırlamalar da getirir. Akılda tutulması gereken başlıca zorluklardan bazıları şunlardır:

• Genelleme eksikliği: Belirli ortamlarda veya senaryolarda eğitilen modeller, yeniden eğitilmeden yeni ya da değişen bağlamlarda kullanıldıklarında genellikle zorlanır.
• Aydınlatma sınırlamaları: Görüş sistemleri iyi çalışmak için iyi aydınlatmaya ve açık hava koşullarına ihtiyaç duyar. Sis, şiddetli yağmur veya karanlıkta, LiDAR veya radar gibi sensörlerle birleştirilmedikçe performansları düşer.
• Gizlilik riskleri: Kamera kullanan navigasyon sistemleri, insanların ve özel mülklerin görüntülerini izin almadan yakalayabilir. Bu durum, geliştirme ve dağıtım sırasında dikkatle ele alınması gereken gizlilik sorunlarına yol açar.

Önemli çıkarımlar#

Bilgisayarlı görüş, haritaları daha dinamik, trafik sistemlerini daha akıllı ve hareketliliği daha erişilebilir hale getirerek navigasyonu yeniden şekillendiriyor. Bir zamanlar statik rotalar olan şeyler, artık sürükleyici 3B önizlemeler, AR destekli yönlendirmeler ve otonom taşımacılık teknolojileriyle güçlendirilen gerçek zamanlı, etkileşimli deneyimlere dönüştü.

Teknoloji ilerledikçe odak noktasının bu sistemleri daha kapsayıcı, uyarlanabilir ve sorumlu hale getirmeye kayması muhtemel. Sürekli ilerleme; farklı ortamlarda doğruluğu artırmaya, güvenilir performansı korumaya ve kullanıcı gizliliğini korumaya bağlı olacak. Navigasyonda bilgisayarlı görüşün geleceği, yalnızca akıllı değil, tasarımı ve etkisi bakımından aynı zamanda duyarlı çözümler oluşturmaktan geçiyor.

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