Aı autonomous vehıcles: Advancements, challenges and future dırectıons
Ai otonom araçlar: Gelişmeler, zorluklar ve gelecek yönleri̇
- Tez No: 952564
- Danışmanlar: PROF. DR. FATİH VEHBİ ÇELEBİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Otonom araçlarda yapay zekâ (YZ) teknolojilerinin hızlı gelişimi, çağdaş ulaşım sistemlerini köklü biçimde dönüştürmüş; güvenlik ve navigasyon verimliliği açısından önemli ilerlemeler sağlamıştır. Bu çalışmada, YZ tabanlı otonom sistemler incelenmiş ve çevresel algılamanın temel bir bileşeni olarak nesne tespiti teknolojilerine odaklanılmıştır. Üç farklı güncel model -YOLOv7, Faster R-CNN ve YOLOv5- aracılığıyla gerçekleştirilen deneysel değerlendirmeler sonucunda, YOLOv7 modelinin doğruluk ile hesaplama verimliliği arasında en iyi sonucu sunduğu görülmüş; 0.5 IoU eşik değerinde %78 ortalama doğruluk (mAP) ve 12 milisaniye çıkarım süresi ile gerçek zamanlı uygulamalar için güçlü bir aday olarak öne çıktığı anlaşılmıştır. Bu çalışmada ayrıca küçük nesnelerin tespitinde düşük performans ve düşük ışık koşullarında belirgin performans kaybı problemlerine odaklanmıştır. Söz konusu sınırlamaları aşmak amacıyla giriş çözünürlüğünün 640×640 piksele yükseltilmesi ile küçük nesne tespitinde %5'lik bir mAP artışı sağlanması, rastgele yansıtma ve ölçekleme gibi gelişmiş veri artırma tekniklerinin uygulanarak modelin dayanıklılığının artırılması, orta seviye GPU'larda gerçek zamanlı performans sağlayan donanım uyumlu optimizasyonların gerçekleştirilmesi gibi teknik iyileştirmeler uygulanmış ve uygulanan yöntemler doğrulanmıştır. Kayıp fonksiyonu eğrilerinin detaylı analizi sonrasında aşırı öğrenme olmaksızın modelden elde edilen sonuçların etkin biçimde genelleştirilebileceği değerlendirilmiştir. Bu çalışmada, literatüre karşılaştırmalı bir performans değerlendirme ölçütü kazandırılmış; farklı derin öğrenme mimarileri arasında hız ve doğruluk dengeleri nicel olarak analiz edilmiştir. Ayrıca, LiDAR entegrasyonuna dayalı çoklu sensör füzyonu ve yüksek çözünürlüklü algılama sistemleri aracılığıyla, iyileştirme önerileri sunulmuştur. Son olarak, yeni nesil otonom araçlar için daha güvenilir ve etkili algılama sistemlerinin geliştirilmesine katkı sağlayacak öneriler paylaşılmış ve bu sistemlerin gerçek dünya koşullarında uygulanabilirliğine ilişkin pratik kullanım senaryoları kapsamlı şekilde ele alınmıştır.
Özet (Çeviri)
The rapid progression of artificial intelligence (AI) technologies in autonomous vehicles has fundamentally transformed contemporary transportation systems, yielding substantial advancements in both safety and navigational efficiency. This study presents an in-depth analysis of AI-based autonomous systems, with a particular emphasis on object detection -a cornerstone of environmental perception. Three leading models -YOLOv7, Faster R-CNN, and YOLOv5- are empirically evaluated, revealing that YOLOv7 offers the most favorable trade-off between detection accuracy and computational efficiency. Specifically, YOLOv7 achieves a mean Average Precision (mAP) of 78% at IoU threshold 0.5, with an inference time of 12 milliseconds, underscoring its suitability for real-time applications. This study identifies two persistent challenges: suboptimal detection performance for small objects (objects <50 pixels yield only 55% mAP) and a notable decline in recall under low-light conditions (62% compared to 78% in well-lit scenarios). To mitigate these issues, several targeted enhancements are introduced and validated: increasing input resolution to 640×640 pixels, resulting in a 5% improvement in small object mAP; applying advanced data augmentation strategies such as random flipping and scale variation to bolster model robustness; and implementing hardware-aware optimizations to sustain real-time performance on mid-tier GPUs. Analysis of the loss function curves confirms effective model generalization with no signs of overfitting. This research contributes to the broader field by establishing a comparative benchmark aligned with contemporary literature, quantifying the trade-offs between speed and accuracy across diverse architectural paradigms, and outlining future research directions, including multi-sensor fusion -particularly through LiDAR integration- and enhanced high-resolution perception systems. Collectively, these contributions support the advancement of resilient and efficient perception modules essential for next-generation autonomous vehicle platforms and their deployment in real-world conditions.
Benzer Tezler
- Reducing in-vehicle communication overload and enhancing efficiency in autonomous and electrical vehicles
Otonom ve elektrikli araçlarda araç içi iletişim yükünü azaltma ve etkinliğini artırma
YUNUS KAĞAN ÖZDEMİR
Yüksek Lisans
İngilizce
2024
Otomotiv Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET CANSIZ
- A situational awareness framework for connected autonomous vehicles
Bağlantılı otonom araçlar için durum farkındalık sistemi
DERYANUR TEZCAN
Yüksek Lisans
İngilizce
2024
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLAY ÖKE GÜNEL
- Missile evasion maneuver generation with model-free deep reinforcement learning
Modelden bağımsız derin pekiştirmeli öğrenme ile füzeden kaçınma manevraları
MUHAMMED MURAT ÖZBEK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. EMRE KOYUNCU
- Automated lane change decision making for autonomous vehicles using machine learning techniques
Makine öğrenmesi teknikleri ile otonom araçlarda şerit değişimine karar verme
MEHDI NASIRI
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. GÜLAY ÖKE GÜNEL
- Monodepth-based object detection and depth sensing for autonomous vehicle vision systems
Monodepth tabanlı otonom araç görüş sistemleri için nesne tespiti ve derinlik algılama
EMRE ÇETİN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN SEÇİNTİ