Ultralytics YOLO modelleri ile çarpışma tahmininin iyileştirilmesi

Yolda dikkatli olmanıza rağmen yine de kazalar meydana gelebilir. Bir araba şerit değiştirir, bir yaya dikkatsizce yürür veya bir bisikletli uyarı vermeden hızlanır. Bu günlük anlar, çarpışma tahmin sistemlerinin gerçek bir fark yaratabileceği ve herkesi güvende tutmaya yardımcı olabileceği örneklerdir.

Daha önce top yörüngesi tahmin ini incelemiş ve hızlı hareket eden bir topun izleyeceği yolun tahmin edilmesinin spor analitiğinin hareketi anlamasına ve bir sonraki adımda ne olacağını öngörmesine nasıl yardımcı olduğunu görmüştük. Çarpışma tahmini de benzer şekilde çalışır. 

Bu tahmin sistemleri esasen geleceğe bakar. Araçların ve yayaların nasıl hareket ettiklerini izleyerek, riskleri erken yakalayabilir ve işler tehlikeli bir hal almadan önce (hareket planlama veya yol planlama olarak da bilinir) yollarını veya davranışlarını ayarlayabilirler.

Çarpışma tahmin sistemlerinin arkasındaki temel bilgisayar bilimi teknolojileri yapay zeka ve onun bilgisayarla görme ve nesnelerin nasıl hareket edeceğini tahmin etmeye yardımcı olan tahmin yöntemleri gibi alt alanlarıdır. Örneğin, bilgisayarla görme modelleri Ultralytics YOLO11 ve yakında çıkacak olan Ultralytics YOLO26, araçlar ve yayalar gibi nesneleri gerçek zamanlı olarak detect etmek ve track için kullanılabilir ve tahmin modelleri bu bilgileri bir sonraki hareketlerini tahmin etmek için kullanır.

‍

Sonuç, etrafında olup bitenleri anlayan ve dinamik ortamlarda daha akıllı karar vermeyi destekleyen bir yapay zeka sistemidir. Bu makalede, çarpışma tahmininin nasıl çalıştığını, arkasındaki yöntemleri ve bilgisayarla görme ve Ultralytics YOLO modellerinin bu süreçte oynayabileceği rolü keşfedeceğiz. Hadi başlayalım!

Çarpışma tahmini nedir?

Çarpışma tahmini, bir yapay zeka sisteminin nesnelerin nasıl hareket ettiğini anlama ve ne zaman çok yaklaşabileceklerini veya temas edebileceklerini tahmin etme yeteneğidir. Farklı sistemler bu bilgiyi güvenlik özelliklerini destekleme, hareket optimizasyonu veya ortak alanlardaki eylemleri koordine etme gibi birçok şekilde kullanabilir.

İster otoyoldaki arabalar, ister bir depo koridorundaki forkliftler veya bir caddeden geçen yayalar olsun, nesnelerin ortak alanda hareket ettiği her yerde çarpışma tahmini, sistemlerin bu etkileşimlerin nasıl ortaya çıkabileceğini anlamasına yardımcı olur. Güvenlik odaklı uygulamalarda bu öngörü riski azaltmak için kullanılabilirken, diğer ortamlarda rota planlama, zamanlama veya koordineli hareket gibi görevleri destekleyebilir.

Örneğin, gelişmiş sürücü destek sistemleri veya ADAS ile donatılmış birçok yeni araçta, kameralar ve sensörler öndeki yolu izler ve aracın yakındaki nesnelere ne kadar hızlı yaklaştığını tahmin eder. Sistem bir durumun güvensiz hale gelebileceğini tespit ederse sürücüyü uyarır ve bazı durumlarda otomatik frenleme etkiyi azaltmaya yardımcı olabilir.

Çarpışma tahmininin dört aşamasını keşfetmek

Çarpışma tahmini, farklı yapay zeka bileşenlerinin nesneleri tanımlamak, hareketlerini takip etmek ve daha sonra ne olabileceğini tahmin etmek için birlikte çalıştığı koordineli bir süreci içerir. Bu sistemler tipik olarak birbiriyle bağlantılı dört aşamada çalışır: nesne algılama, nesne izleme, yörünge tahmini ve son olarak çarpışma tahmini, her aşama bir öncekinin doğruluğu üzerine inşa edilir. 

Şimdi, her bir aşamanın nasıl çalıştığına daha yakından bakalım.

Nesne algılamaya bir bakış

Nesne alg ılama, Vision AI modellerinin bir görüntü veya video karesindeki nesneleri tanımladığı ve konumlandırdığı temel bir bilgisayarla görme görevidir. Bir nesne algılama modeli piksel verilerini analiz ederek üç ana çıktı üretebilir: sınırlayıcı kutular, nesne sınıfları ve güven puanları. Sınırlayıcı kutular bir nesnenin nerede olduğunu gösterir, nesne sınıfları araba, yaya veya bisikletli gibi ne olduğunu gösterir ve güven puanları modelin tahmin konusunda ne kadar emin olduğunu yansıtır.

YOLO11 ve YOLO26 gibi görsel yapay zeka modelleri bu temel üzerine inşa edilmiştir ve nesne algılama, nesne izleme ve yönlendirilmiş sınırlayıcı kutu (OBB) algılama gibi çeşitli ilgili görevleri destekler. Nesne algılama, bir tahmin sistemine her karede ne olduğunu söyleyebilir, izleme bu nesneleri hareket ettikçe takip eder ve yönlendirilmiş sınırlayıcı kutular, farklı açılarda görünen nesneler için daha doğru şekiller sağlar. 

Bu aşamada, bir çarpışma tahmin sistemi yalnızca görsel verilerde neyin mevcut olduğunu anlamaya odaklanır. Daha sonraki tüm adımların bağlı olduğu temel bilgi katmanını oluşturur, ancak henüz nesnelerin nasıl hareket edeceğini veya etkileşime gireceğini dikkate almaz.

Nesne takibine genel bir bakış

Nesneler tespit edildikten sonra, bir sonraki adım onları kareler boyunca track , böylece sistem zaman içinde nasıl hareket ettiklerini anlayabilir. Algılama her karede yeni sınırlayıcı kutular sağlarken, nesne izleme bu algılamaları zaman içinde birbirine bağlayarak süreklilik katar.

ByteTrack veya BoT-SORT gibi Ultralytics Python paketi tarafından desteklenen izleme algoritmaları, nesneleri hareket ederken takip etmek için her karedeki algılama verilerini kullanarak YOLO11 gibi modellerle çalışır. Bu algoritmalar her nesneye benzersiz bir kimlik atar ve nesne hızla hareket ettiğinde veya kısmen gizlendiğinde bile bu kimliği korumak için kullanır. Bu, nesnenin nasıl hareket ettiğini yakalayan pürüzsüz bir izleme geçmişi oluşturur. 

‍

İşte bu iki izleme yönteminin nasıl çalıştığına hızlı bir bakış:

• ByteTrack: Tutarlı nesne kimliklerini korumak için hem yüksek hem de düşük güvenilirlikli algılamaları kullanır ve Kalman Filtresinden gelen hareket tahminleri, nesneler hızlı hareket ettiğinde veya kısa bir süre detect edilmesi zor olduğunda izleyicinin sabit kalmasına yardımcı olur.
  
  
• BoT-SORT: Bu algoritma, Kalman Filtresi hareket tahminlerini görünüm ipuçlarıyla birleştirerek SORT'u genişletir ve izleyicinin kalabalık sahnelerde veya kısmi oklüzyon sırasında nesneleri daha güvenilir bir şekilde takip etmesini sağlar.

Bu izleme yöntemlerinin ne kadar iyi performans gösterdiğini ölçmek için araştırmacılar bunları yerleşik çoklu nesne izleme (MOT) veri kümeleri ve kıyaslama ölçütleri üzerinde değerlendirmektedir. Ayrıca, yaygın olarak kullanılan ölçütler arasında genel izleme kalitesini yansıtan çoklu nesne izleme doğruluğu (MOTA); nesne kimliklerinin ne kadar tutarlı bir şekilde korunduğunu ölçen tanımlama F1 puanı (IDF1) ve hem algılama performansı hem de ilişkilendirme doğruluğunun dengeli bir görünümünü sunan üst düzey izleme doğruluğu (HOTA) yer alır.

Yörünge tahminini anlama

Bir nesneyi birden fazla kare boyunca izledikten sonra, bir sonraki adım bir sonraki adımda nereye gideceğini tahmin etmektir. Bu, yörünge tahmini olarak bilinir. Algılama nesneleri bulurken ve izleme nasıl hareket ettiklerini takip ederken, tahmin ileriye bakar ve gelecekteki konumlarını tahmin eder. 

Bir nesnenin sınırlayıcı kutusu, kareler arasındaki konumu ve atanmış kimliği gibi algılama ve izlemeden elde edilen bilgiler hız, yön ve hareket modelleri gibi hareket özelliklerini hesaplamak için kullanılabilir. Türetilen bu bilgiler, tahmin modeline nesnenin önümüzdeki birkaç saniye içinde nerede olabileceğini tahmin etmek için ihtiyaç duyduğu verileri sağlar.

İzleme verilerinin boşluklar veya ani sıçramalar içerdiği durumlarda, enterpolasyon teknikleri daha düzgün, daha tutarlı yörüngelerin yeniden oluşturulmasına yardımcı olur. Bu, tahmin modelinin gürültülü veya eksik konum verileri yerine yüksek kaliteli hareket girdisi almasını sağlar.

‍

Bu tahminleri yapmak için birçok sistem, bir nesnenin hareketinin zaman içinde nasıl değiştiğini anlamak için tasarlanmış derin öğrenme modellerine güvenir. Bu modeller, geçmiş konumların dizilerini ve bunlardan türetilen hareket özelliklerini analiz ederek ortak hareket modellerini öğrenir ve bu bilgiyi gelecekteki yolları tahmin etmek için kullanır. 

İşte yörünge tahmini için yaygın olarak kullanılan bazı derin öğrenme ve makine öğrenimi yaklaşımları:

• Tekrarlayan Sinir Ağları (RNN'ler): RNN'ler, bir dizi video karesi gibi dizilerle çalışmak üzere tasarlanmış derin öğrenme modelleridir. Önceki konumların hafızasını tutabilir ve bu bilgileri bir nesnenin nasıl hareket ettiğini anlamak için kullanabilirler. Bu, sistemin hızlanma, yavaşlama veya düz bir çizgide hareket etme gibi basit hareket modellerini tanımasına yardımcı olur.

• Uzun Kısa Süreli Bellek Ağları (LSTM'ler): LSTM'ler, bilgileri daha uzun süreler boyunca hatırlayabilen daha gelişmiş bir RNN türüdür. Bu sayede dönüşe hazırlanan bir araç veya yön değiştiren bir yaya gibi daha karmaşık hareketleri yakalayabilirler. Daha uzun eğilimleri track için yoğun ortamlarda genellikle daha güvenilir tahminler üretirler.

• Transformers: Transformatörler tam hareketli sekansları işler ve bu sekansların en önemli ayrıntılarına odaklanmak için dikkati kullanır. Bu da onları özellikle birleşen arabalar veya karşıdan karşıya geçen yayalar gibi birden fazla nesnenin etkileşime girdiği sahnelerde etkili kılıyor.

Bu modeller hem kısa vadeli hem de uzun vadeli yolları tahmin edebilir. Genellikle iki saniyenin altındaki kısa vadeli tahminler en doğru olma eğilimindeyken, iki ila altı saniye gibi daha uzun pencerelerdeki tahminler daha fazla öngörü sağlar, ancak daha fazla belirsizlikle birlikte gelir.

Hepsini bir araya getirin: Çarpışma algılama algoritmaları

Son aşama olan çarpışma tahmininde, sistem şimdiye kadar öğrendiği her şeyi kullanır: her nesnenin ne olduğu (algılama), nasıl hareket ettiği (izleme) ve bir sonraki aşamada nereye gideceği (tahmin). Bu adım, öngörülen yollardan herhangi birinin çarpışmaya yol açabilecek şekilde kesişip kesişmediğini kontrol eder.

‍

Otonom araçlar söz konusu olduğunda, bir çarpışma kontrol sistemi arabalar, yayalar ve bisikletliler gibi yakındaki nesnelerin gelecekteki yörüngelerini karşılaştırır. Tahmin edilen iki yol çakışırsa veya tehlikeli bir şekilde yaklaşırsa, durumu potansiyel bir araç çarpışması olarak işaretler. Çarpışma riskinin ne kadar acil olabileceğini anlamak için sistem ayrıca çarpışma zamanı olarak bilinen bir değeri de hesaplar.

Çarpışma zamanı (TTC) hızlı hareket eden ortamlarda önemli bir ölçümdür. İki nesnenin mevcut hızlarında ve yönlerinde devam etmeleri halinde çarpışmalarına ne kadar zaman kaldığını tahmin eder. TTC belirli bir eşiğin altına düştüğünde, sistem uyarılar vererek, fren uygulayarak veya planlanan yolunu ayarlayarak yanıt verebilir.

Çarpışma tahmininin gerçek dünya uygulamaları

Çarpışma tahmini, trafik yönetimi, akıllı şehir altyapısı, endüstriyel otomasyon ve mobil robotik dahil olmak üzere birçok sektörde çok önemli hale gelmektedir. Son teknoloji bilgisayar görüşü ve tahmin modelleri gelişmeye devam ettikçe, bu sistemler hareketi tahmin etme konusunda daha yetenekli hale geliyor.

Artık çarpışma tahmini ve yörünge tahmininin nasıl çalıştığını daha iyi anladığımıza göre, bu yöntemlerin çeşitli gerçek dünya ortamlarında nasıl kullanılabileceğini gösteren bazı ilginç araştırma çalışmalarına bakalım.

Acil durum otonom araçları için YOLO çarpışma tahmini

Kalabalık, öngörülemeyen ortamlarda gezinmek otonom sistemler için en zorlu zorluklardan biridir, özellikle de yayalar net kalıpları takip etmeyen şekillerde hareket ettiğinde. Acil durum araçları, yapılandırılmış yollara, şerit işaretlerine veya öngörülebilir yaya davranışlarına güvenmeden yoğun kamusal alanlarda yüksek hızlarda hızlı bir şekilde hareket etmeleri gerektiğinden, bu sorunla daha da sık karşılaşırlar. 

Bu tür senaryolarda, insanların nerede olduğunu ve önümüzdeki birkaç saniye içinde nasıl hareket edebileceklerini anlamak, kazalardan kaçınmak için çok önemlidir. Örneğin, yakın tarihli bir araştırma çalışması, yaya açısından zengin ortamlarda çalışan bir Acil Durum Otonom Aracı (EAV) için eksiksiz bir çarpışma tahmini boru hattı oluşturarak bu zorluğu araştırdı. 

YOLO çarpışma tahmin hattı nasıl çalışır?

İşte bu metodolojinin nasıl çalıştığına bir bakış:

• YOLOkullanarak yaya algılama: YOLO bir algılayıcı, her kamera karesindeki yayaları tanımlar ve görünen her kişi için sınırlayıcı kutular çıkarır.
  ‍
• ByteTrack ile hareket takibi: ByteTrack algoritması, bu algılamaları kareler arasında ilişkilendirerek her yayaya tutarlı bir kimlik verir ve zaman içinde nasıl hareket ettiklerini gösteren bir hareket geçmişi oluşturur.
  ‍
• Gerçek dünya konum tahmini: Ters Perspektif Haritalama (IPM), 2D piksel koordinatlarını yaklaşık zemin düzlemi konumlarına dönüştürerek sistemin yayaların araca göre gerçek dünya uzayında nerede olduğunu anlamasına yardımcı olur.
  ‍
• Bir cGAN kullanarak kuşbakışı görünüm oluşturma: Bir görüntü formatını diğerine çeviren bir yapay zeka modeli olan koşullu bir GAN, sahnenin kuşbakışı bir temsilini oluşturur. Bu yukarıdan aşağıya düzen, yaya konumlarını ve çevrelerini yorumlamayı kolaylaştırır.
  ‍
• Bir LSTM modeli ile yörünge tahmini: Her yayanın geçmiş konumlarını ve hareket modellerini kullanarak, bir LSTM modeli önümüzdeki birkaç saniye içinde nereye hareket edeceklerini tahmin eder.
  ‍
• Çarpışma konileri kullanılarak verimli çarpışma tespiti: Tahmin edilen yörüngeler, aracın ve herhangi bir yayanın yollarının kesişme rotasında olup olmadığını belirleyen çarpışma konisi yöntemi kullanılarak karşılaştırılır.
  ‍
• Sinyal verme yoluyla çarpışmadan kaçınma: Sistem bir çarpışma öngörürse, en uygun anda işitsel bir sinyali (korna veya zil gibi) etkinleştirir. Zamanlama, yaya davranışını etkileyecek ve onlara hızlanma veya yavaşlama ve güvenliğe ulaşma şansı verecek şekilde seçilir.

Kenar görüş ve YOLO kullanarak şehirlerde yaya güvenliğinin sağlanması

Benzer şekilde, çarpışmaları önlemeye yönelik bir başka yaklaşım da araçların ötesine geçerek altyapının kendisine odaklanmaktadır. Bu yöntem, araç içindeki sensörlere güvenmek yerine, yaya geçitlerine ve kavşaklara yerleştirilen akıllı kameraları kullanarak yayaların ve araçların gerçek zamanlı olarak nasıl hareket ettiğini izler. Bu konumlar genellikle öngörülemezdir; insanlar aniden yola çıkabilir, bisikletliler trafikte dolanabilir ve sürücüler her zaman yavaşlamayabilir, bu nedenle riskleri erken tespit etmek hayati önem taşır.

İlginç bir çalışma, bu fikri doğrudan kavşakta araç-yaya risklerini tahmin etmek için tasarlanmış bir kenar görüş cihazı olan NAVIBox adlı bir sistem aracılığıyla araştırdı. Sistem şunları kullanır Ultralytics YOLOv8 modeli ve bunları kareler boyunca takip detect için hafif bir Centroid izleyici kullanır. Bu sayede kısa, güvenilir hareket geçmişleri oluşturulur ve bunlar daha sonra açılı CCTV görüntüsünü yolun daha net bir kuş bakışı düzenine dönüştüren bir perspektif dönüşümü kullanılarak rafine edilir.

Bu rafine yörüngelerle NAVIBox, yol kullanıcılarının önümüzdeki birkaç saniye içinde nasıl hareket edeceklerini tahmin edebilir ve yollarının kesişip kesişmeyeceğini kontrol edebilir (kavşak testi olarak da adlandırılır). Sistem riskli bir etkileşim tespit ettiğinde, uzak bir sunucuya veya ağ bağlantısına ihtiyaç duymadan sürücüler için ekranlar ve yayalar için hoparlörler aracılığıyla anında uyarılar gönderir. Gerçek kentsel konumlarda yapılan testler, NAVIBox'un gerçek zamanlı yanıt için yeterince hızlı çalıştığını ve potansiyel çarpışma senaryolarını doğru bir şekilde belirleyebildiğini göstererek onu yoğun şehir kavşakları için pratik bir güvenlik aracı haline getirdi.

‍

Çarpışma tespiti ve tahmininin artıları ve eksileri

İşte yapay zeka destekli öngörücü çarpışma sistemlerini kullanmanın bazı avantajları:

• Durumsal farkındalığı artırır: Yapay zeka sistemleri, nesnelerin bir ortamda nasıl hareket ettiğini sürekli olarak haritalandırarak büyük ölçekli kalabalık akışı, trafik davranışı veya makine yolları hakkında daha zengin bir anlayış sağlar.
  ‍
• Uzun vadeli planlama için veriye dayalı içgörüler: Yapay zeka sistemleri, tespitleri, ramak kala atlatılan kazaları ve hareket modellerini kaydederek şehir planlamacılarının, güvenlik ekiplerinin ve filo operatörlerinin kavşakları yeniden tasarlamak, tabelaları iyileştirmek veya operasyonel politikaları iyileştirmek için kullanabilecekleri analizler sağlar.

• Uygun maliyetli risk önleme: Bu sistemler, riskleri büyümeden önce tespit ederek maliyetli kazalardan, sigorta taleplerinden veya ekipman onarımlarından kaçınmayı mümkün kılabilir.

Avantajlarına rağmen, çarpışmasız sistemler de bazı sınırlamalarla karşı karşıyadır. İşte dikkate alınması gereken birkaç zorluk:

• Sensör ve kamera yerleştirme kısıtlamaları: Kötü konumlandırılmış veya açılı kameralar nesne boyutunu veya mesafesini bozarak derinlik tahminini ve yörünge tahminini daha az güvenilir hale getirebilir.
  ‍
• Oklüzyon: Nesneler kısmen veya tamamen diğerlerinin arkasına gizlenebilir. Bu durum modelin görsel sürekliliğini kaybetmesi nedeniyle nesne takibini zorlaştırır.
  ‍
• Çevresel koşullar: Düşük aydınlatma, sert güneş ışığı, yağmur, sis veya düşük kamera kalitesi modelin sahneyi net bir şekilde görme kabiliyetini azaltarak doğruluğu etkileyebilir.

Önemli çıkarımlar

Çarpışma tahmini iki güçlü yeteneği bir araya getiriyor: sistemlerin şu anda çevrede neler olduğunu anlamasını sağlayan bilgisayar görüşü ve bir sonraki adımda neler olabileceğini tahmin etmelerine yardımcı olan yörünge tahmini. 

Makineler bu güçlü yönlerini birleştirerek hareket eden nesneleri gerçek zamanlı olarak detect ve bu nesnelerin önümüzdeki saniyeler içinde nasıl etkileşime girebileceğini tahmin edebilir. Bilgisayarla görme ve tahmin teknikleri gelişmeye devam ettikçe, çarpışma tahmini muhtemelen daha güvenli, daha güvenilir ve ölçeklenebilir otonom sistemler oluşturmanın anahtarı haline gelecektir.

Yapay zeka hakkında daha fazla bilgi edinmek için topluluğumuza ve GitHub depomuza göz atın. Çözüm sayfalarımızda sağlık hizmetlerinde yapay zeka ve üretimde bilgisayarla görme gibi uygulamaları keşfedin. Lisanslama seçeneklerimizi keşfedin ve bugün oluşturmaya başlayın!