Derin pekiştirmeli öğrenmeye dayalı otonom sürüş için açıklanabilir yapay zeka

Son yıllarda, yapay zeka ve bilgisayar teknolojilerindeki hızlı ilerlemenin de etkisiyle otonom araç teknolojisinde kayda değer bir artış yaşanmıştır. Günümüzde birçok büyük şirket ve endüstri paydaşı otonom araçlara yönelik aktif çalışmalar yürütmektedir. Otonom sürüş teknolojisinin veri odaklı ve derin öğrenme temelli tekniklerle hızla ilerlemesi, trafikteki sorunları azaltma ve verimliliği artırma potansiyeline sahip olsa da bu modellerin karmaşıklığı ve kara kutu yapısı nedeniyle karar verme süreçlerinin anlaşılabilirliği ve şeffaflığında önemli bir engel teşkil etmektedir. Bu bağlamda bir dizi hukuki, etik ve sosyo-psikolojik sorun ortaya çıkmaktadır. Açıklanabilir yapay zeka (Explainable Artificial Intelligence—XAI) metodolojilerinin uygulanması, otonom sürüş sistemlerinin güvenilirliğinin, hesap verebilirliğinin ve şeffaflığının arttırılmasında gelecek vaat eden çalışma alanı olarak ortaya çıkmıştır. Bu bağlamda XAI yasal düzenlemelere uygunluğun sağlanması, kullanıcıların güveninin arttırılması ve yazılım geliştirme tarafında eksikliklerin belirlenmesinde önemli bir rol oynama potansiyeline sahiptir. Bu tez çalışmasında, derin pekiştirmeli öğrenme (Deep Reinforcement Learning—DRL) tabanlı otonom sürüş sistemlerinin performansları ve XAI yaklaşımları incelenmiş, farklı senaryolar altında değerlendirilmiştir. Ayrıca XAI yöntemlerinin, otonom araçların yasal düzenlemelerle uyumlu hale getirilmesi ve toplum tarafından kabul edilmesini sağlama konusundaki rolü vurgulanmıştır. DRL modeli olarak TD3, DDPG ve PPO algoritmaları tercih edilmiştir. TORCS simülasyon ortamında gerçekleştirilen deneyler, DRL modellerinin eğitimi ve performans değerlendirmesi ile SHAP analizleri kapsamlı bir şekilde sunulmuştur. Eğitim ve test aşamalarında elde edilen bulgular TD3'ün en başarılı model olduğunu ortaya koymuştur. Modellerin karar verme süreçlerini etkileyen özellikler, SHAP teknikleri kullanılarak global ve lokal açıklanabilirlik analizleri ile değerlendirilmiştir. SHAP teknikleri ile global ve lokal açıklanabilirlik analizlerinde modellerin karar verirken etkilendikleri özellikler değerlendirilmiştir. TD3 modeline ait lokal açıklanabilirlik analizlerinde, TD3 modelinin uzman insan sürücü performansında eylemler sergilediği gözlemlenmiştir. Elde edilen bulgular, otonom araçların güvenilirliği ve hesap verebilirliği konusunda önemli katkılar sağlamaktadır. Bu tez, otonom sürüş sistemlerinin hem teknik hem de yasal gereksinimlere uygunluğunu sağlamada XAI yaklaşımlarının kritik bir rol oynadığını göstermektedir.