Autonomous Vehicles

Otonom Araçlar (AV'ler) veya sıklıkla ifade edildiği şekliyle sürücüsüz otomobiller, çevrelerini algılayabilen ve insan müdahalesi olmadan çalışabilen akıllı ulaşım sistemleridir. Bu sistemler, karmaşık çevreleri yorumlamak için gelişmiş donanımı ileri yazılım algoritmalarıyla birleştirerek otomotivde yapay zekâ inovasyonunun zirvesini temsil eder. AV teknolojisinin temel amacı, insan hatasından kaynaklanan kazaları en aza indirerek yol güvenliğini artırmak, aynı zamanda trafik verimliliğini optimize etmek ve araç kullanamayan kişilere ulaşım olanağı sağlamaktır. Bu araçlar, özünde uyaranları algılamak, bilgileri işlemek ve anlık sürüş kararları vermek için yapay zekâ (AI) kullanır.

Algılama ve Sensör Teknolojileri#

Bir otonom aracın güvenli şekilde yol alabilmesi için çevresini kapsamlı biçimde anlaması gerekir. Bu, çeşitli sensörlerden gelen verileri bir araya getiren bir algılama katmanı aracılığıyla gerçekleştirilir.

• Bilgisayarlı Görü (CV): Kameralar, insan görüşünü taklit eden birincil görsel sensörlerdir. Algoritmalar; şerit çizgilerini, trafik ışıklarını ve işaretleri tanımak için video akışlarını işler.
• LiDAR Teknolojisi: Işık Algılama ve Menzil Ölçümü (LiDAR), çevrenin hassas ve yüksek çözünürlüklü 3B haritalarını oluşturmak için lazer darbeleri kullanır; bu haritalar derinlik algısı için gereklidir.
• Nesne Algılama: Derin öğrenme modelleri, hareketli engelleri tanımlar ve konumlarını belirler. YOLO26 gibi yüksek hızlı modeller, yayaları ve diğer araçları düşük gecikmeyle algılamak için burada kritik öneme sahiptir.
• Sensör Füzyonu: Hiçbir sensör her koşulda kusursuz değildir (örneğin siste kameralar). Füzyon algoritmaları; sağlam bir çevre modeli oluşturmak için kameralardan, radardan ve LiDAR'dan gelen verileri birleştirir.
• Anlamsal Bölütleme: Bu teknik, görüntüdeki her pikseli sınıflandırarak aracın sürülebilir yol yüzeyi ile kaldırımları ve bitki örtüsünü birbirinden ayırt etmesine yardımcı olur.

Otonomi Seviyeleri#

Otonom sistemlerin yetenekleri, bilgisayar kontrolünün insan müdahalesine kıyasla kapsamını tanımlayan SAE J3016 sürüş otomasyonu seviyelerine göre kategorilere ayrılır.

• Gelişmiş Sürücü Destek Sistemleri (ADAS): 1. ve 2. seviyeleri kapsayan bu sistemler, direksiyon veya hızlanma konusunda yardımcı olur (örneğin uyarlanabilir hız sabitleyici), ancak sürücünün dikkatini vermeye devam etmesini gerektirir.
• Koşullu Otomasyon: 3. seviyede araç, otoyoldaki trafik sıkışıklığı gibi belirli koşullarda çoğu sürüş görevini üstlenebilir; ancak uyarıldığında insanın kontrolü devralmaya hazır olması gerekir.
• Yüksek ve Tam Otomasyon: 4. ve 5. seviyeler, insan girdisi olmadan çalışabilen araçları ifade eder. 4. seviye, coğrafi sınırlarla belirlenmiş alanlarla sınırlıyken 5. seviye, genellikle güçlü Edge AI donanımı gerektiren, her yolda tam otonomiyi hedefler.

Gerçek Dünya Yapay Zekâ Uygulamaları#

Otonom araç teknolojisi şu anda çeşitli sektörlerde kullanıma sunuluyor ve gerçek dünyadaki karmaşıklığı ele almak için yoğun makine öğrenmesi (ML) hesaplamalarından yararlanıyor.

1. Robotaksiler: Waymo gibi şirketler, yolcuları kentsel ortamlarda taşımak için tamamen otonom araç filolarından yararlanır. Bu araçlar, karmaşık şehir ortamlarında yayaların ve diğer sürücülerin davranışlarını öngörmek için tahmine dayalı modelleme kullanır.

2. Otonom Kamyon Taşımacılığı: Uzun mesafeli lojistik, öngörülebilir otoyol güzergâhlarında otomasyondan yararlanır. Aurora gibi yenilikçi şirketler, yakıt verimliliğini ve güvenliği artırmak için uzun menzilli algılamadan yararlanan sürücüsüz kamyonlar geliştirir.

3. Son Kilometre Teslimatı: Küçük otonom robotlar, kaldırımlarda ilerlemek ve paketleri teslim etmek için nesne takibi kullanarak lojistik maliyetlerini ve karbon ayak izini azaltır.

İlişkili Kavramları Ayırt Etme#

Otonom Araçları, robotik ve otomotiv alanlarındaki ilişkili terimlerden ayırt etmek önemlidir.

• Robotiğe kıyasla: AV'ler teknik olarak mobil robotlar olsa da robotik alanı daha kapsamlıdır; sabit endüstriyel kollardan insansı yardımcılara kadar uzanır. AV'ler özellikle ulaşım mantığı için özelleştirilmiştir.
• Bağlantılı Araçlara (V2X) kıyasla: Bağlantılı araçlar; hız ve konum gibi verileri paylaşmak için birbirleriyle (V2V) ve altyapıyla (V2I) iletişim kurar. Bir araç otonom olmadan bağlantılı olabilir, ancak bağlantı genellikle AV'lerin güvenliğini artırır.
• Uzaktan Kullanıma kıyasla: Uzaktan kullanım, bir insanın aracı uzaktan sürmesini içerir. Bunun aksine gerçek AV'ler, kararları yerel olarak almak için araç üzerindeki sinir ağlarına güvenir.

Ultralytics YOLO26 ile Algılama Uygulama#

Her otonom sistemin kritik bir bileşeni, nesneleri zaman içinde takip edebilme yeteneğidir. Aşağıdaki örnek, bir aracın algılama sistemini simüle ederek video üzerinde nesne takibi gerçekleştirmek için Ultralytics Platformu ile uyumlu ultralytics kitaplığının nasıl kullanılacağını gösterir.

from ultralytics import YOLO

# Load the YOLO26 model, optimized for speed and accuracy
model = YOLO("yolo26n.pt")

# Track vehicles and pedestrians in a video stream
# This simulates the continuous perception required by an AV
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    show=True,
)

# Process results (e.g., counting objects or estimating speed)
for r in results:
    print(r.boxes.xywh)  # Print bounding box coordinates