Otonom sürüş için derin öğrenme tabanlı yenilikçi çözüm yaklaşımları

Derin öğrenme alanındaki ilerlemeler, son yıllarda otonom sürüş teknolojilerinde önemli gelişmelere yol açmıştır. Bu gelişmeler, çeşitli endüstriyel ve akademik alanlarda büyük heyecan uyandırmış ve otonom araç teknolojilerinin gelişimine ivme kazandırmıştır. Derin öğrenme yöntemlerinin kullanımı, otonom araçların çevresel algılama, karar alma ve yol takibi gibi temel yeteneklerini geliştirmede kritik bir rol oynamıştır. Günümüzde geliştirilen birçok otonom araç, genellikle LiDAR, radar ve gelişmiş kameralar gibi maliyetli sensörlerle donatılmış zengin bir sensör altyapısı kullanmaktadır. Ancak, insan sürücüler, pahalı sensörlere ihtiyaç duymadan yalnızca görsel algılarıyla gündüz, gece ve hatta zorlu hava koşullarında etkileyici bir sürüş performansı sergileyebilmektedirler. Hem otonom araçlar hem de insan sürücüler, çevresel algılamalarına dayanarak hareket kontrol komutları üretirler. Bu komutlardan direksiyon açısı ve hızın tahmini, otonom sürüşün yerine getirilmesi gereken temel görevlerindendir. Bu tez çalışması, direksiyon açısını ve araç hızını tahmin etmek için monoküler kamera görüntüsünden elde edilen çeşitli anlamlı ipuçları kullanan uçtan uca bir yöntem sunmaktadır. Önerilen model çerçevesinde üç giriş görüntüsü kullanılmaktadır. Sahne dokusu ve görünüm detaylarını aktaran renkli görüntünün yanı sıra, uzamsal ve anlamsal çevre yapıları hakkında bilgi veren monoküler derinlik görüntüsü ve anlamsal segmentasyon görüntüsü de dahil edilmiştir. Ayrıca, zamansal özellikleri elde etmek için de LSTM birimleri kullanılmıştır. Önerilen çok girdili çok görevli model, gerçek dünya şartlarında insan sürücüler tarafından oluşturulmuş Udacity ve Sully Chen veri kümelerinde ve CARLA Sürüş Simülatörü üzerinden toplanan veri kümesinde değerlendirilmiş ve mevcut yöntemlerle karşılaştırılmıştır. Bu karşılaştırmalar sonucunda, önerilen modelin, Udacity veri kümesinde direksiyon açısı için %44,96 ve hız için %4,39 iyileştirme sağlayarak RMSE değerlerinde literatürdeki en başarılı sonuçlara ulaştığı gözlemlenmiştir. Benzer şekilde Sully Chen ve CARLA veri kümeleri üzerinde elde edilen sonuçlar da literatürdeki en başarılı sonuçlardır. Modelin her bir bileşenin etkinliğini değerlendirmek ve modele katkısını incelemek amacıyla kapsamlı bir eksiltme çalışması da gerçekleştirilmiştir. Elde edilen sonuçlar, yalnızca görsel girdi kullanan otonom sürüş sistemlerinin potansiyelini vurgulamaktadır. Araştırmanın sonunda, farklı amaçlar doğrultusunda otonom sürüş alanında çalışmak isteyen araştırmacılar için kolayca erişilebilecek, çeşitli amaçlara hitap eden kapsamlı bir veri kümesi oluşturulmuştur. Elde edilen veri kümesi, sensör çeşitliliği, toplanan veri miktarı ve veri çeşitliliği açısından mevcut literatürdeki en kapsamlı CARLA veri kümesi olmuştur. Bu veri kümesi, kullanıma hazır bir şekilde sunulmuştur, böylece araştırmacılar verilere ulaştıktan sonra hemen kullanabilirler. Söz konusu yaklaşım, araştırmacıların veri kümesi oluşturmak için zaman ve efor harcamadan hızlı bir şekilde CARLA veri kümesi üzerinde çalışmalarını sürdürmelerine olanak tanır.