OTONOM ARAÇLAR İÇİN TRAFİKTEKİ HAREKETLİ NESNELERİN ROTASININ DERİN ÖĞRENME TABANLI UÇTAN UCA SİSTEMLE TAHMİN EDİLMESİ
Tez Türü: Doktora
Tezin Yürütüldüğü Kurum: Bandırma Onyedi Eylül Üniversitesi, Fen Bilimleri, Akıllı Ulaşım Sistemleri ve Teknolojileri, Türkiye
Tez Danışmanı: Feyzullah Temurtaş
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Özet:
Otonom araç teknolojileri, trafik güvenliğinin artırılması ve ulaşımın daha verimli hale getirilmesi açısından kritik bir rol üstlenmektedir. Bu tez çalışmasında, otonom araçlar için trafikteki hareketli nesnelerin rotalarını, nesne algılama ve takip süreçlerini de içerecek şekilde uçtan uca tahmin eden Uçtan-Uca Rota adlı yeni bir yöntem ile rota tahmin aşaması için geliştirilen derin öğrenme tabanlı ROTA adlı model önerilmiştir. Çalışmada, LiDAR sensörlerinden elde edilen veriler kullanılarak trafikteki hareketli nesneler algılanmış; bu nesneler ardışık nokta bulutu çerçeveleri arasında takip edilerek kimlik numaraları atanmış ve izleri oluşturulmuştur. Nesne algılama ve takip aşamalarında, açık kaynak kodlu ve önceden eğitilmiş derin öğrenme modelleri kullanılmıştır. Her bir hareketli nesne için algılama süreci sonucunda elde edilen üç boyutlu çevreleyen kutular aracılığıyla konum, hız, ivmelenme ve yönelim bilgileri çıkarılmış; bu bilgiler doğrultusunda zaman içindeki izleri ve kimlikleri belirlenmiştir. Rota tahmini aşaması için heterojen çizge yapısını zamansal-uzamsal derin öğrenme modelleri ile birleştiren ROTA modeli geliştirilmiştir. Bu model, trafikteki nesneler arasındaki I etkileşimleri ve hareket dinamiklerini öğrenerek, nesnelerin gelecekte izleyebilecekleri olası rotaları yüksek doğrulukla tahmin etmeyi hedeflemektedir. Önerilen yöntem ve model, araçlar, yayalar ve bisikletliler gibi farklı türdeki hareketli nesnelerin rotalarını tahmin etmede başarılı sonuçlar ortaya koymuştur. Gelecek 8 saniyeye yönelik rota tahminlerinde, ortalama 1,64 m Ortalama Yer Değiştirme Hatası (ADE) ve 3,91 m Son Yer Değiştirme Hatası (FDE) değerleri elde edilmiş; bu sonuçlar mevcut yöntemlere kıyasla sırasıyla %12,5 ve %18 oranında iyileşme sağlamıştır. Elde edilen bulgular, geliştirilen yöntemin ve modelin doğruluk ve etkinlik açısından güçlü bir alternatif sunduğunu ortaya koymaktadır.