Autonomous Vehicles

Otonom araçlar (AV'ler), genellikle kendi kendine giden araçlar olarak anılır; çevrelerini algılamak, diğer yol kullanıcılarının ne yapacağını tahmin etmek, güzergâh planlamak, direksiyonu çevirmek, hızlanmak ve fren yapmak için sensörlerden ve yapay zekâdan (AI) yararlanır ve bunları insan sürücü olmadan gerçekleştirir. Bu terim, bir kişinin gözetiminde otoyolda şeridini koruyan araçlardan sürücü koltuğunda kimsenin bulunmadığı robot taksilere kadar uzanan bir yelpazeyi kapsar. Sürücüsüz hizmetler artık ticari olarak sunuluyor: 2020'de Phoenix'te halka tamamen sürücüsüz yolculuklar sunmaya başlayan Waymo, ABD'de en az on büyükşehir bölgesinde ücretli yolcu taşıyor; Baidu'nun Apollo Go hizmeti ise Wuhan gibi Çin şehirlerinde sürücüsüz robot taksiler işletiyor. Tüketici araçlarının çoğu, sürekli insan gözetimi gerektiren sürücü destek özellikleri sunuyor; bu, otomotivde yapay zekânın hâlâ en yaygın biçimidir.

Otonom Araçlar Nasıl Çalışır?#

Kendi kendine giden bir sistem, saniyede birçok kez aynı işlem hattını yineler:

• Algılama: Kameralar şerit çizgilerini, trafik işaretlerini ve trafik ışıklarını okur; lidar, lazer darbeleriyle hassas 3B mesafeleri ölçer; radar mesafeyi ve hızı ölçer, ayrıca sis ve yağmurda da çalışır; GNSS, atalet sensörleri ve tekerlek odometrisi aracın kendi hareketini izler.
• Algı: Sinir ağları her otomobili, bisikletliyi ve yayayı algılar, sınıflandırır ve izler; şeritleri ve sürülebilir alanları bulur, mesafeleri tahmin eder.
• Tahmin: Sistem, her yol kullanıcısının önümüzdeki birkaç saniye içinde nereye gitmesinin olası olduğunu, çoğu zaman olasılıklarla birlikte birkaç olası yörünge olarak öngörür.
• Planlama: Bir planlayıcı, ilerleme sağlayan, trafik kurallarına uyan ve tahmin edilen her yörüngeyle güvenli bir mesafe bırakan yol ve hızı seçer.
• Kontrol: Düşük seviyeli bir denetleyici, planı direksiyon, gaz ve fren komutlarına dönüştürür.

Her koşulda çalışan tek bir sensör olmadığından, sensör füzyonu birden fazla sensörü bir araya getirir. Algı, nesne algılamaya, yolun, kaldırımın ve bitki örtüsünün anlamsal bölümlemesine, lidar nokta bulutlarındaki 3B nesne algılamaya ve çoklu nesne takibine dayanırken, yalnızca kamera kullanan sistemler mesafeyi derinlik tahmini ve stereo görüş ile kestirir. Yol izleme denetleyicileri, planlanan yörüngeyi direksiyon ve ivme sınırları içinde izlemek için sıklıkla model öngörülü kontrol kullanır. KITTI ve Argoverse gibi herkese açık veri kümeleri, bu modelleri eğitmek ve kıyaslamak için etiketlenmiş sürüş verileri sağlar.

Kodda Yol Kullanıcılarını İzleme#

Tahmin için her yol kullanıcısının hareketinin bilinmesi gerekir; bu nedenle algı sistemi, her nesneyi sabit bir kimlikle kareden kareye izlemelidir. İzleme modundaki Ultralytics YOLO26 bunu yapar ve algılanan her kutuya kalıcı bir kimlik ekler. Bu örnek, yürüyen insanların videosunda yayaları izler:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Track pedestrians (COCO class 0) across video frames, keeping one ID per person
video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov"
results = model.track(source=video, classes=[0], stream=True)

ids_seen = set()
for result in results:
    if result.boxes.is_track:
        ids_seen.update(result.boxes.id.int().tolist())

print(f"Unique pedestrians tracked: {len(ids_seen)}")

Klip boyunca kimlik alan farklı kişilerin sayısını yazdırır. Her kimlik, bir kişinin kutularını kareler boyunca birbirine bağlar; kutunun konumunun kareden kareye değişmesi de bir tahmin modülünün dışa doğru uzattığı hareket geçmişidir.

Modüler ve Uçtan Uca Sürüş#

Geleneksel otonom araç yazılımları modülerdir: algı, tahmin, planlama ve kontrol için ayrı ayrı test edilen bileşenler, izlenen nesnelerin listeleri gibi elle tasarlanmış arayüzlerle birbirine bağlanır. Uçtan uca sistemler, bu işlem hattının büyük kısmını sensör verilerini bir yörüngeye eşleyen ve çok miktarda insan sürüşü üzerinde davranış kopyalama yöntemiyle eğitilen tek bir sinir ağıyla değiştirir. Tesla, FSD (Supervised) sürücü destek yazılımını 2024'te 12. sürümle uçtan uca bir ağa taşıdı. Algı, tahmin ve planlamayı planlama için optimize edilmiş tek bir ağda birleştiren araştırma modeli UniAD ise CVPR 2023 en iyi makale ödülünü kazandı. Üretimdeki birçok sistem bu iki yaklaşımın arasında yer alır: öğrenilmiş modüller birlikte eğitilir, ancak yine de mühendislerin test edebileceği yorumlanabilir çıktılar sunar.

Nadir olaylar talep üzerine toplanamayacağından doğrulama yükünün büyük kısmını simülasyon üstlenir. Waymo'nun Şubat 2026'da duyurduğu gibi, filo verileriyle eğitilmiş bir dünya modeli, filonun hiç kaydetmediği senaryolar için gerçekçi kamera ve lidar verileri üretir. Simülasyonda kullanılan takviyeli öğrenme de planlayıcıların, insan sürüşü verilerinde nadiren karşılaşılan durumların üstesinden gelmesine yardımcı olur.

Sürüş Otomasyonu Düzeyleri#

2021'de ISO ile birlikte gözden geçirilen SAE J3016 standardı, sürüş otomasyonunun altı düzeyini tanımlar. 0'dan 2'ye kadar olan düzeyler sürücü destek özellikleridir: ayaklar pedallardan ve eller direksiyondan çekilmiş olsa bile aracı insan kullanır ve sürüşü her zaman denetlemelidir. 3'ten 5'e kadar olan düzeyler, en azından tasarlandıkları işletim tasarım alanı içindeki yollar, hızlar ve koşullarda sürüşü kendileri gerçekleştiren otomatik sürüş sistemleridir:

GM'nin Super Cruise'u gibi eller serbest otoyol sistemleri 2. düzeydedir; çünkü sürücünün yola bakmayı sürdürmesi gerekir. Mercedes-Benz Drive Pilot, Almanya, Kaliforniya ve Nevada'daki belirli otoyollarda kullanım için onaylanmış 3. düzey bir sistemdir. Sürücü bu sistemde gözünü yoldan ayırabilir, ancak uyarıldığında aracı devralmalıdır. Waymo'nun robot taksileri, haritalanmış hizmet alanlarında sürücüsüz çalışan 4. düzeydedir. Bir insanın gidebildiği her yerde gidebilen 5. düzey bir araç ise bugün mevcut değildir.

Gerçek Dünya Uygulamaları#

• Robot taksiler: Waymo, Baidu Apollo Go ve diğerleri, tanımlı hizmet alanlarında araç içinde güvenlik sürücüsü olmadan yolcu taşır; uzaktaki çalışanlar da aracın sorularını yanıtlayabilir.
• Kamyon taşımacılığı: Aurora, uzun ve öngörülebilir sürüşün otomasyona elverişli olduğu otoyol güzergâhlarında, 2025'te Dallas ile Houston arasında sürücüsüz kamyonlarla müşterilerin yüklerini taşımaya başladı.
• Sürücü desteği: Uyarlanabilir hız sabitleyici, şerit ortalama ve otomatik acil frenleme, milyonlarca tüketici aracında aynı tür algı modellerinden yararlanır; çoğu zaman sürücünün dikkatini denetleyen kameralarla birlikte kullanılır.
• Endüstriyel araçlar: Madenlerdeki otonom taşıma kamyonları, saha traktörleri ve depo forkliftleri; güzergâhların ve trafiğin denetlendiği özel alanlarda çalışır.

Otonom Araçlar ve İlgili Terimler#

• Gelişmiş sürücü destek sistemleri (ADAS): 0'dan 2'ye kadar olan düzeylerde, sorumluluğu sürücüde kalmak üzere insana yardımcı olan özelliklerdir. Katı anlamıyla otonom bir araç, sürüş görevinin tamamını kendi başına gerçekleştirir.
• Bağlantılı araçlar (V2X): Trafik ışıkları gibi altyapı öğeleriyle ve birbirleriyle veri alışverişi yapan araçlardır. Bir araç otomatik sürüş yeteneği olmadan da bağlantılı olabilir; bağlantı, otonom bir aracın görüş alanını kendi sensörlerinin ötesine taşıyabilir.
• Uzaktan yardım ve uzaktan sürüş: SAE'nin 2021 tarihli güncellemesi bu iki kavramı birbirinden ayırır. Uzaktan yardım sağlayan kişi, arıza yapan bir kamyonu geçebileceğini onaylamak gibi önerilerde bulunur; araç kendi kendine sürmeye devam eder. Uzaktan sürücü ise aracı uzaktan doğrudan kontrol eder.
• Fiziksel yapay zekâ ve robotik: Otonom araç, halka açık yollarda kullanıma özel bir mobil robottur ve fiziksel yapay zekânın en büyük ticari uygulamasıdır. Aracın algı ve planlama yöntemleri depo robotları, dronlar ve insansı robotlarla ortaktır.