Geri Dön

A comparative study of deep learning approaches for autonomous vehicle control

Otonom araç kontrolü için ̇derin öğrenme yaklaşımlarının karşılaştırılması

  1. Tez No: 864101
  2. Yazar: EMRE ŞAHİN
  3. Danışmanlar: PROF. DR. GÜLAY ÖKE GÜNEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 101

Özet

Otonom araçlar, taşıma sektörünün geleceğinde önemli bir potansiyel konu olarak konumlanmaktadır. Yapay zeka, veri ve dijitalleşme konularındaki gelişmeler gelecekte sürücüsüz giden akıllı otomobil ve kamyonların günlük yaşamın bir parçası olacağının, daha az sayıda kazaların görüldüğü ve daha verimli bir trafik akışının olduğu bir ortam yaratılacağının sinyallerini vermektedir. Otonom araçlar, insan sürücü hatalarını azaltarak tepki süresini ve güvenli şerit değişimini geliştirir, böylece güvenli seyahat imkanı sağlar. Bu hedeflere ulaşmak için, otomobil üreticileri ve teknoloji firmaları mevcut zorluklarla ilgili araştırma ve geliştirme alanlarına yatırım yapmaktadır. Otonom araçlar ve bunların kontrol süreçleri konusu, günümüzün ileri ulaşım teknolojisi trendlerinin ön sıralarında yer almaktadır. Bu alanda çok sayıda çalışma ve yenilikçi yöntem yürütülmektedir. Yapay zeka, veri bilimi ve makine öğrenme yöntemlerindeki gelişmeler bu konunun gelişimine ayrıca bir katkıda bulunmuştur. Bu tez çalışmasında, derin öğrenme teknikleri kullanılarak ham duyusal verileri etkin bir şekilde işleyebilecek uçtan uca bir model oluşturulması hedeflenmiştir. Çeşitli derin öğrenme yöntemleri kullanılarak yaratılan modellerin temel amacı toplanmış sensör verilerinden bir aracın kontrol parametreleri olan gaz, fren ve direksiyon değerlerini en doğru hassasiyetle belirlemektir. Bu çalışmayı yürütmek için, otonom sürüş üzerine araştırma yapmak amacıyla tasarlanmış açık kaynaklı bir platform olan Carla Simulator kullanılmıştır. Bu simülatör, otonom sürüş algoritmalarını test etmek ve geliştirmek için kontrol edilebilen sanal bir ortam sunar. Simülatör, aydınlatma, hava durumu ve karmaşık trafik senaryoları gibi faktörler dâhil olmak üzere gerçek dünya koşullarını doğru bir şekilde yeniden oluşturur. Öncelikle programın python API kodlarından yararlanılarak sanal bir şehir ortamı oluşturulmuş ve simülasyon için gerekli olan trafik ortamı yaratılmıştır. Daha sonrasında sanal araç, simülasyon ortamında sürelerek araç üzerindeki sensörlerden veriler toplanılmıştır ve bu veriler eğitim süreçlerinde kullanılmak üzere kaydedilmiştir. Toplanan veriler ön işlemden geçirilmiş, analiz için gerekmeyen kısımlar veriden temizlenmiş ve toplanan veriler analizde kullanılmak için hazır hale getirilmiştir. Çalışma, bundan sonraki kısımda çeşitli veri işlemleriyle devam etmiştir. Veri kümesi, eğitim ve test için farklı alt kümeler halinde ayrılmış ve sıralı veri formatına uygun bir şekilde düzenlenmiştir. Otonom araçların temel kontrol bileşenleri olarak hizmet etmek üzere, derin öğrenmeli modeli olan Tekrarlayan Sinir Ağı (RNN), Uzun Kısa Süreli Bellek (LSTM), Evrişimli Sinir Ağı (CNN), Evrişimli Tekrarlayan Sinir Ağı (C-RNN), Sıradan Sıraya modeli (Seq2Seq) ve Transformers Ağı eğitilmiştir. Hızlanma, trafikteki diğer araçlara olan yakınlık ve konum verileri gibi sensör girdileri, direksiyon, gaz ve fren gibi temel kontrol parametrelerini hesaplamak amacıyla kullanılmıştır. Eğitim sürecinde, her derin öğrenme modelinin analizinde metodik bir yaklaşım uygulanmıştır. Bu metodoloji, özellik parametrelerini değişken bir şekilde ayarlayarak her farklı parametre kombinasyonunun sonuçlarını belgeleme üzerine odaklanır. Özellik tabanlı, model tabanlı ve model yoğunluğu tabanlı olmak üzere üç ana parametre kategorisi vardır. Özellik tabanlı parametreler, hız, ivme, açısal hız, mekansal konum, çevredeki diğer araçlara olan uzaklık gibi özellikleri içermektedir. Model tabanlı parametreler arasında zaman adımı, aktivasyon fonksiyonu, öğrenme hızı, dropout oranı ve grup boyutu bulunur. Model yoğunluğu, eğitimde kullanılan gizli katman sayısını içerir. Eğitimin ilk aşamalarında tüm özellik tabanlı parametreler nöral ağ modeline entegre edilmiştir ve bir sonraki adımda belirli unsurlar çıkarılarak özellik boyutu azaltılmıştır. Bu süreçte, zaman adımı, aktivasyon fonksiyonu, öğrenme hızı gibi hiperparametreler dikkatlice seçilmiştir ve ayarlanmıştır. Bu parametrelerin çeşitli değerleri test edilir, örneğin, zaman adımı için 5 ile 10 değerleri kullanılarak inceleme gerçekleştirilir. Modelin eğitimi sırasında aşırı uydurmayı önlemek için dropout teknikleri kullanılır. Yapay sinir ağı mimarisine daha detaylı bakılarak, gizli katman konfigürasyonları ve ağın derinliği üzerine odaklanılmıştır. Düğüm noktası konfigürasyonları ve gizli katman sayısı değiştirilerek modelin karmaşıklığı ve performansı arasındaki etkileşim incelenmiştir. Eğitimde kayıp fonksiyonu olarak kullanılmak üzere ortalama karesel hata seçilmiştir ve eğitimde Adam optimizer kullanılmıştır. Adam optimizer, adaptif bir öğrenme hızı sağlayarak karmaşık ve yüksek boyutlu optimizasyon sorunlarıyla iyi bir şekilde başa çıktığı için seçilmiştir. Analiz sürecinin bir devamı olarak, elde edilen sonuçlar ve eğitim sürecine ait grafikler detaylı bir şekilde belgelenmiştir. Her bir derin öğrenme modeli için gerçekleştirilen dört farklı deneme, zaman adımları ve veri özellik boyutlarındaki değişkenlikten kaynaklanan temel farklılıkları içermektedir. Bu denemelerin her biri için elde edilen ortalama karesel hata değeri, modellerin performansını değerlendirmek adına önemli bir ölçüdür. Denemelerin sonuçlarına dair elde edilen veriler, karşılaştırmalı analizler için kullanılmıştır. Bu analizler, her bir modelin performansını objektif bir şekilde değerlendirerek en başarılı modeli belirleme amacını taşımaktadır. En etkili model, analiz sonuçlarına dayanarak tespit edilmiştir ve bu model mevcut problemlerin çözümü için bir alternatif sunma potansiyeline sahiptir. Bu aşamada, her bir modelin güçlü ve zayıf yönlerini anlamak için daha fazla inceleme ve değerlendirme yapılmıştır. Grafikler ve analiz sonuçları, her bir modelin performansının zaman içinde nasıl değiştiğini ve farklı parametre ayarlarına nasıl tepki verdiğini göstermektedir. Bu detaylı değerlendirme, elde edilen sonuçların güvenilirliğini artırarak, otonom araç kontrolü alanındaki gelecekteki çalışmalara daha sağlam bir temel oluşturmayı amaçlamaktadır. Bu araştırma, sadece otonom araç kontrolündeki ilerlemeye katkıda bulunmakla kalmayıp aynı zamanda otonom sürüş teknolojisinin geleceği için büyük bir potansiyele sahiptir. Geliştirilen derin öğrenme modelleri ve bunların optimal yapılandırmaları, otonom araç kontrolüne yenilikçi bir perspektif sunmaktadır. Bu yenilikçi perspektif, yol güvenliği ve sürüş verimliliği gibi konuları destekleme potansiyeline sahiptir, bu da otonom araçların günlük hayatta daha güvenli ve etkili bir şekilde kullanılmasına olanak tanıyacaktır.

Özet (Çeviri)

The subject of autonomous vehicles and their control processes is currently at the forefront of advanced transportation technology trends. Numerous studies and innovative methods are underway in this field. A significant contribution is sought to be made by creating an end-to-end model that can effectively handle raw sensory data using deep learning techniques. To conduct this study, the Carla Simulator, an open-source platform designed for research in autonomous driving, was utilized. This simulator provides a controlled virtual environment for testing and refining autonomous driving algorithms. Real-world conditions, including factors like lighting, weather, and complex traffic scenarios, were accurately replicated by the simulator. A city environment within the simulator was configured and various traffic scenarios were introduced. A comprehensive dataset was generated by collecting data from sensors mounted on the primary vehicle in this virtual urban traffic setting. The research commenced with careful data preprocessing, preparing the dataset for effective training. The dataset was divided into distinct training and testing sets and was arranged in a sequential data format. Several deep learning models, including Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), Convolutional Recurrent Neural Network (C-RNN), Sequence-to-Sequence model and Transformers Network were trained to serve as the core control components of autonomous vehicles. Sensor inputs, such as acceleration, proximity to other vehicles in traffic, and positional data, were used for delivering the essential control parameters like steering, throttle, and braking values. The training process involved a systematic analysis of each deep learning model. Model parameters were adjusted, different architectures were explored, and experiments with varying data sizes were conducted. Following the training phase, the models were rigorously tested using a designated test dataset, and their performance was evaluated based on mean squared error. Through comparative analysis, the most optimal model was identified, and the ideal parameters, including batch size, learning rate, hidden unit size, and model structure, were determined. The most effective input dimensions for the end-to-end learning model were proposed. This research not only contributes to the advancement of autonomous vehicle control but also holds great potential for the future of autonomous driving technology. The deep learning models that have been developed, along with their optimal configurations, have the capacity to revolutionize autonomous vehicle control, promoting enhanced road safety and efficiency.

Benzer Tezler

  1. A comparative study of nonlinear model predictive control and reinforcement learning for path tracking

    Yol izleme için doğrusal olmayan model öngörülü kontrol ve pekiştirmeli öğrenmenin karşılaştırmalı çalışması

    GAMZE TÜRKMEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. OVSANNA SETA ESTRADA

  2. Crowd localization and counting via deep flow maps

    Derin öğrenme ile çıkarılan hareket haritaları kullanılarak nesne kalabalıklarının tespiti ve sayımı

    PEDRAM YOUSEFI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL

  3. Depth from blur

    Bulanıklıktan derinlik çıkarımı

    WASAN THAKER NADHIM NADHIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ORAL

  4. Otonom araçlar için derin öğrenme tabanlı şerit tespit modellerinin performans karşılaştırması

    Performance comparison of deep learning based lane detection models for autonomous vehicles

    MUHAMMED SAİD ATAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YAHYA DOĞAN

    DR. ÖĞR. ÜYESİ CÜNEYT ÖZDEMİR

  5. A comparative study of deep reinforcement learning methods and conventional controllers for aerial manipulation

    Derin pekiştirmeli öğrenme yöntemleri ve geleneksel kontrolcülerin havasal manipulasyon için karşılaştırmalı çalışması

    KAZIM BURAK ÜNAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. SİNAN KALKAN

    PROF. DR. AFŞAR SARANLI