Otonom araçlarda veri işleme hızı gün geçtikçe artmakta. Yeni nesil çipler ise artan bu hıza paralel güvenirliliği de istenilen seviyelere getirmekte.
Otonom araçlarda algılama sistemlerinin hızlanması aracın sadece etrafı daha hızlı öğrenmesini değil aynı zamanda bir sonraki komutu daha hızlı verebilmesini sağlıyor. Bunun ilk ve en önemli amacı ise hem aracın içindeki hem de etraftaki insanları ve hayvanları mümkün olduğunca korumaktır.
Yaşanan en büyük problem ise gerçek dünyanın tahmin edilmesi oldukça zor olan binlerce farklı senaryo yaratabilmesidir. Tüm bu ihtimalleri bilgisayarlara hem öğretmek hem de bilgisayarların tahminlerde bulunmalarını sağlamak gerekiyor. Bilgisayarlar ve yazılımlar bu konuda gün geçtikçe iyi hale geliyor. Özellikle bozuk yollar ve yol çalışmalarını algılamada epey yol kat edilmiş durumda.
Bu yazılımlarda birçok farklı tahmin ve istatistik modeli kullanılıyor. Bunların çoğu benzer prensipte çalışır. Örneğin bir otobanda her şey yolunda iken araç kendi şeridinde sabit hızla gitmeye ve bunu sürdürmeye kendi karar verebilir durumdadır. Çünkü bu senaryoda sinyal vermeksizin şerit değiştirmeyi gerektirecek veya aniden fren yapma riski barındıran herhangi bir etken bulunmuyor.
Çoğu otonom sistem çevredeki objelerin veya canlıların hareketlerini tahmin etmek üzerine kurulur. Çünkü etrafta olup biten her şeyi makine öğrenimi ile yani tecrübe ederek sisteme işlemek oldukça zahmetli ve pek de mümkün görünmeyen bir süreçtir. Bu sistemlerde belirli risk seviyeleri bulunur. Eğer öngörülemeyen bir senaryo ile veya risk seviyesi yüksek bir durum ile karşılaşılırsa aracı yavaşlatmak ve durdurmak üzere tasarlanır.
Kara mekanizmaları hala aynı anda tek bir senaryo için tam çözüm sağlayabiliyor. Çalışmaların devam ettiği çoklu karar verme kısmında hala problemler devam ediyor. Bu da aslında tek bir olay anında bile zaten zor olan algılama tahmin etme ve karar verme sürecinin, birden fazla olayla karşılaşıldığında çok daha karmaşık hale gelmesinden kaynaklanıyor.
Bu durumu sayısallaştıracak olursak şuan yaygın olarak kurulan sistemlerde bir senaryo için bir hareket planını 3 Hz-10 Hz oranları arasında işleyebilirken Realtime Robotics’in geliştirdiği sistemler onlarca hareket planını her biri 1 milisaniyeden kısa sürecek şekilde işleyebiliyor. Bu da 1 kHz gibi bir frekansa karşılık geliyor. Frekans değerinin artrılması çevre hareketlerini algılama ve hızlı tepki verme konusunda oldukça büyük gelişme sağlıyor.
Realtime Robotics’in çalışmaları önceden hesaplanmış ve yazılıma aktarılmış büyük bir test alanı ile başladı. İlk etapta engel içermeyen bu alanda 5 ve 10 saniyelik ufuklar içeren mesafelerde testler başladı. Bu alanda belli kenar ve noktalarda algılayıcılar bulunuyor. Bu nokta ve kenarların birleşmesi ile birer saniyeli mesafeli yörüngeler oluşturuldu. Bu alan içerisinde milyonlarca farklı yörünge ve basit olay senaryosu gerçekleştirildi. Tüm olasılıklar üzerinde aracın denenmesi sağlandı. Her bir senaryoda yakıt ekonomisi, yolcu konforu ve güvenli sürüş konularında elde edilen veriler bir veri tabanında toplandı.
Realtime Robotics’in her bir senaryo arasında (yaklaşık her 10 milisaniyede bir) izlediği hareket planı şu şekilde gerçekleşiyor:
► Kameralar, radarlar ve lidarlar ile sabit engeller (ağaçlar, binalar vs.), hareketli belirgin nesneler (futbol topu vs.) ve daha karmaşık hareketli nesneler (bisikletli insanlar, arabalar, yayalar vs.) algılanır. Tüm engeller algı alanında konumlandırılır. Burada tanımlanabilen ve çok karmaşık olmayan hareketli nesneler de büyük durağan nesne olarak algılanır. Özellikle nesnelerin kesiştiği alanlar yüksek risk oluşturduğundan ilk olarak o alanlardan kaçınma hareketi tanımlanır.
► Her bir karmaşık hareketli nesne öğrenme süreci için kullanılır. Hangi tür objeler nasıl yörüngeler izliyor, tekrarlanan ve benzeri olan senaryoların sıklığı nedir gibi sorulara cevap verebilecek veriler toplanıyor. Sistemin en zor aşamalarından biri olan bu değerlendirme sürecinde milyonlarca farklı durum senaryosunu simule etmek oldukça fazla kaynak harcamalarına sebep oluyor.
► Yeterli miktarda sanal veri elde edildikten sonra artık bunları gerçek hayata uygulama zamanı geliyor. Aracın bir sonraki hamlesi ne olmalı? Burada verilecek tepkinin hızı hayat kurtarıcı olabilir. Realtime Robotics’in geliştirdiği yeni nesil çip ile genel ortalamanın kat kat üstünde hızlarda tepkiler ve kararlar verilebiliyor. Milisaniyeden kısa sürelerde olay örgülerini çözüp karar verebilecek kapasiteye sahip olan donanım ile otonom araçların en büyük problemlerinden birine devrimsel bir çözüm getiriliyor.
► Son adım ise tüm bu yazılımsal veri işleme ve karar verme sürecini araç hareketine dönüştürmek. Yapılan her hamle sonrası değişen çevre örgüsüne karşılık 10 milisaniyede bir tekrar hesaplama yapılır. Her hesaplama sonrası yeni bir hareket planı belirlenir ve bu süreç araç hareket ettikçe tekrarlanmaya devam eder.
Bir diğer önemli nokta ise tüm bu süreçlerin araç hızına göre uyarlanabilme yeteneğidir. Aracın düşük ve yüksek hızlarda çevreyi algılama yeteneğinin aynı kalması sağlanmalı. Bu da veri aktarım hızının arttırılmasıyla mümkün olabiliyor. Bu noktada bu teknolojinin geliştirilmesi oldukça kritik bir role dönüşüyor. Test süreçlerinin devam ettiği çalışmanın otonom teknolojilerde yeni bir devri başlatacağı öngörülüyor.
Kaynak: spectrum.ieee.org
ELEKTRİK PORT 24.05.2019
