Autonomous Vehicles

Otonom Araçlar (AV'ler), sıklıkla sürücüsüz araçlar olarak adlandırılırlar ve çevrelerini algılayıp insan müdahalesi olmadan çalışabilen akıllı ulaşım sistemleridir. Bu sistemler, karmaşık çevreleri yorumlamak için gelişmiş yazılım algoritmalarıyla sofistike donanımları birleştiren otomotivde yapay zeka inovasyonunun zirvesini temsil ederler. AV teknolojisinin birincil amacı, insan hatasından kaynaklanan kazaları en aza indirerek yol güvenliğini artırmak, aynı zamanda trafik verimliliğini optimize etmek ve araç kullanamayan bireylere hareketlilik sağlamaktır. Özünde bu araçlar, uyaranları algılamak, bilgileri işlemek ve anlık sürüş kararları vermek için yapay zeka (AI) teknolojisine güvenirler.

Link to this sectionAlgı ve Sensör Teknolojileri#

Otonom bir aracın güvenli bir şekilde seyredebilmesi için çevresini kapsamlı bir şekilde anlaması gerekir. Bu, bir dizi sensörden gelen verileri toplayan bir algı katmanı sayesinde başarılır.

• Bilgisayarlı Görü (CV): Kameralar, insan görüşünü taklit ederek birincil görsel sensörler olarak hizmet ederler. Algoritmalar; şerit çizgilerini, trafik ışıklarını ve tabelaları tanımak için video akışlarını işlerler.
• LiDAR Teknolojisi: Işık Algılama ve Uzaklık Ölçümü (LiDAR), derinlik algısı için gerekli olan çevrenin hassas ve yüksek çözünürlüklü 3D haritalarını oluşturmak için lazer darbelerini kullanır.
• Nesne Tespiti: Derin öğrenme modelleri, dinamik engelleri tanımlar ve konumlandırır. YOLO26 gibi yüksek hızlı modeller, yayaları ve diğer araçları düşük gecikme süresiyle tespit etmek için burada kritik öneme sahiptir.
• Sensör Füzyonu: Hiçbir sensör tüm koşullarda (örneğin sisli havalarda kameralar) mükemmel değildir. Füzyon algoritmaları; kameralardan, radardan ve LiDAR'dan gelen verileri birleştirerek sağlam bir çevresel model oluşturur.
• Anlamsal Bölümleme: Bu teknik, görüntüdeki her bir pikseli sınıflandırarak aracın sürüşe uygun yol yüzeyi, kaldırımlar ve bitki örtüsü arasında ayrım yapmasına yardımcı olur.

Link to this sectionOtonomi Seviyeleri#

Otonom sistemlerin yetenekleri, bilgisayar kontrolü ile insan müdahalesi arasındaki sınırı tanımlayan SAE J3016 sürüş otomasyon seviyeleri ile kategorize edilir.

• Gelişmiş Sürücü Destek Sistemleri (ADAS): 1. ve 2. seviyeleri kapsayan bu sistemler, direksiyon veya hızlanma (örneğin uyarlanabilir hız sabitleyici) konularında yardımcı olurlar ancak sürücünün dikkatini korumasını gerektirirler.
• Koşullu Otomasyon: 3. seviyede araç, otoyol trafiği gibi belirli koşullarda sürüş görevlerinin çoğunu üstlenebilir, ancak insan uyarıldığında direksiyonu devralmaya hazır olmalıdır.
• Yüksek ve Tam Otomasyon: 4. ve 5. seviyeler, insan girdisi olmadan çalışabilen araçları temsil eder. 4. seviye coğrafi olarak sınırlandırılmış alanlarla sınırlıyken, 5. seviye her yolda tam otonomi hedefler ve genellikle güçlü Edge AI donanımı gerektirir.

Link to this sectionGerçek Dünyada Yapay Zeka Uygulamaları#

Otonom araç teknolojisi, gerçek dünyanın karmaşıklığını yönetmek için ağır makine öğrenimi (ML) hesaplamalarına güvenerek şu anda çeşitli sektörlerde konuşlandırılmaktadır.

1. Robotaksiler: Waymo gibi şirketler, kentsel ortamlarda yolcu taşımak için tamamen otonom araç filoları kullanmaktadır. Bu araçlar, karmaşık şehir manzaralarında yayaların ve diğer sürücülerin davranışlarını tahmin etmek için tahminleyici modelleme yönteminden yararlanır.

2. Otonom Taşımacılık: Uzun mesafeli lojistik, tahmin edilebilir otoyol rotalarında otomasyondan faydalanır. Aurora gibi yenilikçi firmalar, yakıt verimliliğini ve güvenliği artırmak için uzun menzilli algılamadan yararlanan sürücüsüz kamyonlar geliştirmektedir.

3. Son Kilometre Teslimatı: Küçük otonom robotlar, kaldırımlarda gezinmek ve paketleri teslim etmek için nesne takibi kullanarak lojistiğin maliyetini ve karbon ayak izini azaltır.

Link to this sectionİlgili Kavramları Ayırt Etme#

Otonom Araçları, robotik ve otomotiv alanlarındaki ilgili terimlerden ayırmak önemlidir.

• Vs. Robotik: AV'ler teknik olarak mobil robotlar olsa da, robotik alanı sabit endüstriyel kollar ve insansı asistanları da kapsayacak şekilde daha geniştir. AV'ler özellikle ulaşım mantığı için özelleştirilmiştir.
• Vs. Bağlantılı Araçlar (V2X): Bağlantılı araçlar, hız ve konum gibi verileri paylaşmak için birbirleriyle (V2V) ve altyapıyla (V2I) iletişim kurarlar. Bir araç otonom olmadan da bağlantılı olabilir, ancak bağlantı genellikle AV'lerin güvenliğini artırır.
• Vs. Teleoperasyon: Teleoperasyon, bir insanın aracı uzaktan sürmesini içerir. Bunun aksine, gerçek AV'ler yerel kararlar vermek için yerleşik sinir ağlarına dayanır.

Link to this sectionYOLO26 ile Algı Uygulama#

Herhangi bir otonom sistemin kritik bir bileşeni, nesneleri zaman içinde takip etme yeteneğidir. Aşağıdaki örnek, bir aracın algı sistemini simüle ederek bir video üzerinde nesne takibi gerçekleştirmek için Ultralytics Platform uyumlu ultralytics kütüphanesinin nasıl kullanılacağını göstermektedir.

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