Improving lane detection and steering control in self-driving vehicles through machine learning

Modern araçlarda giderek yaygınlaşan bir sürücü destek teknolojisi olan otomatik şerit tutma, aracın yol şeritleri içinde doğru konumlandırılmasını kolaylaştırır; bu, tamamen otonom araçlarda sonraki şerit sapmaları ve yörünge planlaması için önemli bir husustur. Geleneksel şerit algılama yöntemleri, tarihsel olarak, hesaplama açısından verimli olsalar da, yol sahnelerinin çeşitli ve dinamik doğası nedeniyle ölçeklenebilirlik zorluklarıyla karşı karşıya kalan sofistike el yapımı özelliklere ve sezgisel yöntemlere dayanıyordu. Ancak, özellikle Evrişimli Sinir Ağları (CNN'ler) ile makine öğrenimindeki son gelişmeler, el yapımı özellik algılayıcılarını piksel bazında şerit segmentasyonlarını öğrenebilen derin ağlarla değiştirerek bu alanda devrim yarattı. Bu tezde, şerit algılama sorununu çeşitli yöntemler kullanarak ele almayı amaçlıyoruz. Daha derinlemesine incelemek için, iki farklı yöntemin karşılaştırmalı analizini yapmak üzere otoyol şerit görüntülerinden oluşan bir veri kümesi kullanıyoruz. Başlangıçta, el yapımı özelliklere sahip geleneksel kenar algılama yöntemini kullanıyoruz. Ardından, şerit algılama zorluğunu ele almak üzere tasarlanmış çeşitli Derin Evrişimli Ağ (CNN) mimarilerini araştırıyoruz. Araştırmamız, bu yöntemlerin ilgili çıktılarından elde edilen görüntülerden yararlanılarak, karşılaştırmalı bir değerlendirmesiyle sonuçlanmaktadır.