Page 42 - bilgem-teknoloji-dergisi-9
P. 42
Yapay Zekâ
Elbette hem tam otonom hem de yarı otonom çalış- sadığını varsaymaktadır. Nesne Tanıma probleminde
Önceki akıllı araç teknolojilerinin (otomatik şanzıman ve hibrit elektrikli malarda çeşitli kazalar da olmuştur. Takvimler 2018 ise yalnızca nesnenin sınıfı bulunmakla kalınmaz, aynı
araçlar gibi) devreye alınması ve benimsenmesiyle, 2040 yılı itibarıyla yılının Mart ayını gösterirken, Arizona’da Tempe’de zamanda resimdeki bir nesnenin kapsamını da yerel-
tahmin edilen araç satışlarının yaklaşık % 50’sini otonom araç satışlarının Uber aracı yayayı ezerek öldürmüştür. Yine aynı ay içe- leştirmeye yoğunlaşılır. Nesne, resimdeki herhangi bir
risinde, Tesla Otopilot’un yarı otonom aracında, bariye-
yerde ve herhangi bir boyutta (ölçekte) olabilir.
sağlayacağı öngörülmektedir. re çarpan araçta sürücü hayatını kaybetmiştir. Ancak
şirket yaptığı açıklamada, sistemin uyarılarına rağmen Burada kullanılan derin öğrenme yöntemleri ile çevrede-
Daha sonra yazılım tüm bu duyusal girdiyi işler, bir yol temi tekniği ile sürekli kontrol problemleri (continuous sürücünün herhangi bir aksiyon almadığını belirtmiştir [7]. ki nesneleri/insanları algılama, sınıflandırma ve tanıma
çizer ve aracın aktüatörlerine hızlanmayı, direksiyon control problem) etkin bir biçimde çözülebilmektedir [4]. işlevlerini yerine getirecek ağlar geliştirilerek, sistemin
kontrolünü ve frenlemeyi kontrol eden talimatlar gön- Otonom araçlarda 6 düzey bulunmaktadır: Otonom ol- kararları, tanınan nesnelere göre verilmektedir.
derir. Sabit kodlanmış kurallar, engellerden kaçınma al- Neden otonom araç problemini çözmek için derin öğ- mayan, sürücü desteği, kısmi otonom, şartlı otonom,
goritmaları, tahmini modelleme ve nesne tanıma, yazı- renmeye gerek duyarız? Çünkü gerçek dünya problem- yüksek otonom ve tam otonom. Ayrıca, bu araçlar ya-
lımın trafik kurallarına uymasına ve engelleri aşmasına lerini modellemek çok zordur. Bunun yerine, kendisine pay zekâ sistemine göre de “insan merkezli otonom” Yol Durum Tespiti
yardımcı olur. girdi olarak iletilen veriler üzerinden öğrenmeyi gerçek- ve “tam otonom” olarak ikiye ayrılmaktadır. İnsan Araç yolculuğu boyunca elde edilen ses verisinden
leştirecek bir sistem olması gerekmektedir. Bu sistem, merkezli otonomda yapay zekâ tamamen sorumlu yolun durumu saptanabilmektedir. Araçtaki ses kayıt
Otonom araçlar için aşılması gereken en önemli engel işlenmemiş karmaşık verileri alarak, bunlar üzerinden değildir; teleoperasyon (makinenin uzaktan elektronik sensörleri çevreden gelen sesleri alarak (korna gibi)
karmaşık ve dinamik sürüş ortamının anlamlandırılma- yüksek işlem yeteneği ile anlamlı ve hiyerarşik veriler olarak kontrolü) desteği vardır. Tam otonomda ise, ak- yapılacak işleme karar vermekle birlikte, zeminden
sıdır. Bu amaçla otonom araçlar çevreden gelen ham elde eder. sine, yapay zekâ tamamen sorumludur ve teleoperas- gelen ses ile de yolun durumu hakkında bilgilendirme
verileri ve bilgileri alan çeşitli sensör, kamera, radar vb. yon desteği yoktur. yapabilmektedir.
donanımlar ile donatılmıştır. Bu veriler daha sonra hız- Genel olarak, otonom araçlar için derin öğrenme yakla-
landırma, şerit değiştirme ve sollama gibi uygun eylem şımlarının geliştirilmesinde veri hazırlama, model oluş- Otonom Araçlarda Problemlerin Araç Sürüş Alanı Ayrımı
yollarını öneren yazılım için girdi olarak hizmet etmek- turma ve model dağıtım (deployment) olmak üzere üç Tanımlanması ve Çözüm Yöntemleri Araçtaki kamera ve diğer sensörler kullanılarak çevre-
tedirler. Böyle zorlu bir iş ile başa çıkmak için algılama temel yapı taşı vardır. Veri hazırlama; verilerin sinir ağla- deki nesneler fark edilmektedir. Böylece kullanılacak
teknolojileri bir arada kullanılmaktadır. Tipik olarak, bu rını eğitmek ve test etmek için hazırlanması, veri kaydı, Derin Öğrenme Tabanlı Görsel Odometri yol, yoldaki çizgiler ve diğer araçlar saptanarak siste-
görev radar, lidar ve mono veya stereo kamera sistem- yer bilgisi etiketleme, büyük veri depolama vb. konula- Kameralardan okunan görüntülerdeki nesnelerin bir min akıllı bir şekilde hareket etmesi sağlanmış olur [6].
lerinin bir kombinasyonu ile çözülür [1], [3], [4]. rını kapsar. Model oluşturma; ağ mimarilerinin gelişti- sonraki karedeki (frame) yerleri dikkate alınarak oto-
rilmesini, ağların eğitilmesini ve eğitilmiş modellerin nom aracın konumunun tespit edilmesini kapsar. Araçlarda Derin Öğrenme Tabanlı Sürücü
Otonom Araçlarda Sensör Füzyonu ve değerlendirilmesini içerir. Bir model, çıktıları ve karşılık Böylece aracın üç boyutlu uzayda konumlandırılması Gözlem Modülü
Derin Öğrenme gelen yer bilgisi etiketleri (beklenen çıktılar) arasındaki sağlanmış olur. Otonom olmayan veya yarı otonom araçlar için gelişti-
Araç üzerindeki çok farklı teknolojilere sahip sensörler, fark belirli bir eşiğin altındaysa “eğitilmiş” kabul edilir. rilen bu modül sürücünün uyanıklık, yorgunluk gibi du-
Sensör Füzyonu teknolojileri ile birbirlerini destekleye- Tipik olarak, eğitilmiş bir model daha sonra test sahaları Sensörlerden gelen veriler oluşturulacak ağ yardımı ile rumlarını kontrol ederek sürücünün hatalarını minimi-
cek biçimde kullanılarak otonom araç sürüş konforu ve veya halka açık yollarda saha testlerinin yapıldığı dağı- hassas yapılandırılarak, aracın üç boyutlu uzayda ko- ze etmeye odaklanmaktadır. Derin ağlar ile algılanan
başarısı artırılmaktadır [2] [4], [6]. tım aşamasında belirli bir hedef donanım için budanır numu ve yönü tespit edilmektedir [2], [3]. vücudun duruşu, kafanın duruşu, göz kırpma sıklığı,
ve optimize edilir. gözün pozu, bakıştaki değişiklikler gibi durumlar yine
Sensörler, çeşitli ortamlarda farklı başarımlar göster- Nesne Tanıma
mektedir. Buna rağmen sensörlerden toplamda alınan Otonom araçlarla ilgili çalışmalar yapan şirketlere bakıl- Görüntü sınıflandırma probleminde, önceden tanım- derin ağlar ile bir karar mekanizmasına dönüştürülür.
veriler birbirlerini destekleyecek şekilde çalışılarak ve dığında; Waymo’nun 10 milyon mile ulaştığı görülmek- lanmış etiketler arasında bir görüntünün etiketi tahmin Böylece sürücünün toplam durumu hakkında araca
sistemin farklı durumlarda güveneceği sensör öncelik- tedir. Tesla Otopilot’u ise 1 milyar mile ulaşmıştır; ancak ediler. Bu algoritmalar görüntüde tek bir ilgi nesnesi bilgi verilir, gerekirse sisteme müdahale edilir.
leri değiştirilerek, verilecek kararın değişkenlik göster- sürüş tam otonom değil yarı otonomdur. olduğunu ve görüntünün önemli bir bölümünü kap-
mesi hedeflenmektedir [6]. Referanslar
[1] Bagloee, S. A., Tavana, M., Asadi, M., & Oliver, T. “Autono-
Derin öğrenme var olan veriler üzerinden mantıksal ka- mous vehicles: challenges, opportunities, and future implicati-
rarlar vermeyi ve çıkarımlar yapmayı sağlayan esnek bir ons for transportation policies.” Journal of Modern Transpor-
öğrenme modelidir. Genişleyebilir bir model olan de- tation 24.4 (2016): 284-303.
[2] Gonzalez, Ramon, and Karl Iagnemma. “Slippage estimati-
rin öğrenme çevresel verilerin dönüştürülmesi üzerine on and compensation for planetary exploration rovers. State
kuruludur ve veriler üzerinde temsili bir yapı oluşturur. of the art and future challenges.” Journal of Field Robotics.
Böylece gerçek dünyanın temsili verileri üzerinden iş- [3] MIT self driving course https://selfdrivingcars.mit.edu/
lem yapılmasına olanak sağlar. Derin öğrenme teknik- 2018 lecure 1
leri daha fazla veri üzerinde çalışarak başarımını artırır. [4] Xiong, X., Wang, J., Zhang, F., & Li, K. (2016). Combining
Derin öğrenmenin çeşitli implemantasyonları; görme, Deep Reinforcement Learning and Safety Based Control for
Autonomous Driving. arXiv preprint arXiv:1612.00147.
geçici hafızalama, sıralı verileri anlamlandırma gibi du- [5] Knight W (2013) Driverless cars are further away than
rumlarda başarılı bir şekilde çalışmaktadır. Derin öğren- you
think. MIT Technology Review. https://www.technology-
me yöntemlerinden biri olan cezalı öğrenme yöntemi review.
com/s/520431/driverless-cars-are-further-away-than-
(reinforcement learning), kuralları belli ortamda, amaç- you-think/
lanan hedefi kendi kendine öğrenme ve farklı durumlar- [6] Gurghian, A., Koduri, T., Bailur, S. V., Carey, K. J., & Murali, V.
da farklı tepkiler verme özelliğine sahiptir. Bu yeteneği N. (2016, June). DeepLanes: End-To-End Lane Position Esti-
sayesinde gerçek dünya problemlerinde aktif olarak mation Using Deep Neural Networks. In CVPR Workshops (pp.
38-45)
kullanılabilir. Başarısı kanıtlanmış cezalı öğrenme yön- [7]https://www.theguardian.com/technology/2018/mar/31/
tesla-car-crash-autopilot-mountain-view
40 41