arama

Otonom Araçlardaki Derin Öğrenme Mantığı Nasıl Çalışır?

Derin öğrenme nedir, otonom araçların kullandığı teknolojiler ve bu sektörde derin öğrenmenin yeri nedir bu yazımızda anlatıyoruz.
Otonom Araçlardaki Derin Öğrenme Mantığı Nasıl Çalışır?
  • paylaş
  • paylaş
  • paylaş
  • paylaş
  • paylaş
  • Mustafa Mert Tunalı Mustafa Mert Tunalı

⌛ Tahmini okuma süresi: 3 dakika

Yayınlanma Tarihi: 8 Temmuz 2019 10:12

📝 Yazar: Mustafa Mert Tunalı ✅ Editör: Aysuda Ceylan

Artık birçoğumuz otonom araçların özellikle büyük firmalar tarafından araştırma alanı olduğunu ve geleceğin standart taşıma yöntemi olacağını biliyoruz. 20 yıl kadar önce otonom araçlar bilim kurgu gibi dururken günümüzde artık yaşamın bir parçası haline gelmeye başladı. 

NVIDIA'nın geliştirdiği otonom araç.
NVIDIA’nın geliştirdiği otonom aracı.

Aslında ilk otonom araçlarının düşünülmesi, 1925 yılında mucit Francis Houdina tarafından, Manhattan sokaklarında radyo kontrollü aracı sürmesiyle ortaya çıkıyor. Daha sonrasında 2004 yılında, Darpa Grand Challange, 2009 yılında Google ve 2013 yılında Ford, Mercedes, BMW gibi diğer şirketler araştırma alanlarına otonom araçları ekliyorlar. Otonom araçlarının tarihçesi hakkında ileride farklı bir yazı yayımlayacağım.

 Radyoyla çalışan otomobil, American Wonder, 1925.
Radyoyla çalışan otomobil, American Wonder, 1925.

Derin Öğrenme (Deep Learning) Nedir?

Derin öğrenme bir veya daha fazla gizli katman içeren yapay sinir ağları ve benzeri makine öğrenme algoritmalarını kapsayan çalışma alanıdır. 

Derin Öğrenme Kullanan Otonom Araçlar

Hem donanım hem yazılım alanında olan teknolojik gelişmeler ile birlikte artık LIDAR sensörler, kameralar, GPS, ultrasonik gibi sensörler sayesinde mümkün olan her kaynaktan veri alabiliyoruz.

Otonom araçlar 5 temel pipeline’a ihtiyaç duyar:

  1. Localization
  2. Perception
  3. Prediction
  4. Planning
  5. Control
Örnek bir otonom aracın sahip olduğu sensörler yukarıda görünmektedir. Bu sensörler ile aracın etrafı 360 derece olarak görüntülenmektedir.
Örnek bir otonom aracın sahip olduğu sensörler yukarıda görünmektedir. Bu sensörler ile aracın etrafı 360 derece olarak görüntülenmektedir.

1) Localization

 Localization örneği
Localization örneği

Localization, kısaca otonom aracın kendi konumunu bilmesidir. Yukarıda bahsedilen sensörlerden gelen veriler ile yüksek hassasiyetle Kalman Filtreleri adı verilen bir teknik kullanılarak hesaplanıyor.

2) Perception

 Perception örneği
Perception örneği

Perception, otomobillerin çevrelerini nasıl anladığıdır. Bu kısımda bilgisayar görüsü ve sinir ağları devreye giriyor. Objeleri tanıma, objelerin konumu gibi çalışmalar günümüzde derin öğrenme algoritmaları kullanılarak geliştiriliyor.

3) Prediction

Prediction, yani tahmin kısmında araçlar çevrelerinde bulunan özellikle araç veya insanın davranışını tahmin eder. Bir aracın hangi yöne gideceği, hızının ne kadar olduğu tahmin edilir. Bu sayede oluşabilecek farklı bir olaya karşı otonom araç önceden tepki verebilir. Reinforcement Learning (Pekiştirmeli Öğrenme) ile gerçekleşir.

4) Path Planning

Otonom aracın oluşturduğu gerçek rota ve simüle edilmiş rota karşılaştırılması. Simüle edilmiş rotalardan en düşük hataya sahip olan, aracın rotası olur.
Otonom aracın oluşturduğu gerçek rota ve simüle edilmiş rota karşılaştırılması. Simüle edilmiş rotalardan en düşük hataya sahip olan, aracın rotası olur.

Otonom aracın izleyeceği rota, planladığı rotaya denir. Arama algoritmaları, Lattice planning ve Reinforcement Learning ile gerçekleştirilir.

5) Control

Control kısmında, aracın direksiyonun yönü, hızı ve fren durumu ayarlanır. En çok kullanılan yöntem PID kontrolüdür.

Otonom araçlarla ilgili ders kaynakları:

Intro to Self-Driving Cars Nanodegree | Udacity
Self Driving Car Engineer Nanodegree | Udacity
Self-Driving Cars | Coursera | University of Toronto
Self-Driving Fundamentals: Featuring Apollo | Udacity

Kaynaklar