Derin öğrenme kullanılarak trafik koşullarına uygun otonom araç uygulaması

Teknolojinin geliştiği ve firmaların küreselleşme çabası içerisinde yatırımlarını arttırdığı bir dönemde, yeni fikirlerin ortaya çıkması ve rekabetin artması kaçınılmaz hale gelmiştir. Zaman içerisinde cihazların donanım kapasitelerinin de artması sonucu birçok sektörde otonom sistem çalışmaları hız kazanmıştır. Makine öğrenmesi ve derin öğrenme alanındaki gelişmeler karmaşık problemlerin çözümüne ve birçok farklı uygulamanın geliştirilmesine olanak sağlamıştır. Otonom araçlar, insan müdahalesi gerektirmeyen ve kendi kendine hareket kabiliyetine sahip olan araçlardır. Son yıllarda otonom araçlar, askeri, ticari ve araştırma projeleri olmak üzere hem akademik alanda, hem savunma sanayi alanında hem de özel sektörde kendine yer edinmiştir. Otonom araçların gelişimi ve kullanımının yaygınlaşması ile sürücü kaynaklı trafik kazalarının engellenebileceği, yakıt tasarrufunun artacağı ve yoğun trafik sıkışıklığı problemini ortadan kaldıracağı öngörülmektedir. Bu bağlamda tez çalışmasında, yapay sinir ağlarının temel çalışma prensipleri, fonksiyonları ve barındırdıkları değişkenler incelenmiştir. Ardından, 0'dan 9'a kadar olan sayılardan oluşan MNIST veri setine dayalı olarak bir evrişimli sinir ağı modeli oluşturulmuştur. Tüm ağ katmanları detaylıca incelenmiş ve modelin başarı sonuçları grafikler ile değerlendirilmiştir. Son olarak sürücüsüz bir aracın özerk hareketi için derin öğrenme modeli oluşturularak, bir sinir ağı eğitimi gerçekleştirilmiştir. Çalışma esnasında Torch kütüphanesi kullanılmış ve GPU üzerinden çalışan bir derin öğrenme uygulaması gerçekleştirilmiştir. Çalışma kapsamında araç kiti, Jetson Nano geliştirme kartı, Raspberry Pi kamera modülü ve ultrasonik sensör kullanılmış, otonom sürüş için de bir parkur hazırlanmıştır. Eğitilen sinir ağı modeliyle beraber aracın otonom bir şekilde parkuru tamamlaması sağlanmış ve çalışmanın sonuçları grafiklerle sunulmuştur.