Otonom sürüş için derin öğrenme tabanlı algılama katmanı geliştirilmesi
Development of deep learning based perception module for autonomous driving
- Tez No: 967698
- Danışmanlar: PROF. DR. CEMAL HANİLÇİ, PROF. DR. NURETTİN ACIR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Otomotiv Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Automotive Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 122
Özet
Otonom araçlar, günümüzde güvenli, konforlu ve sürdürülebilir ulaşım çözümleri sunma potansiyeli sayesinde hızla gelişmekte ve geleceğin mobilite vizyonunu şekillendirmektedir. Otonom araçların temelini oluşturan yazılım ve donanım mimarisi; sensör donanımları, veri işleme altyapısı ve karar verme algoritmalarını içeren bütüncül bir yapıdan oluşmaktadır. Bu mimaride LiDAR, kamera ve RADAR gibi sensörlerin entegrasyonu ve yüksek hesaplama kapasiteli işlemciler, çevresel algılamanın doğruluğunu doğrudan etkilemektedir. Otonom sistemlerde en kritik katmanlardan biri olan algılama katmanı, çevredeki nesneleri doğru ve hızlı şekilde tespit ederek sürüş kararlarının temelini oluşturur. Bu katmanın başarımı; kullanılan sensörlerin çözünürlüğü, kanal sayısı, veri işleme teknikleri ve öğrenme algoritmalarının başarısına bağlı olarak şekillenir. Ancak, derin öğrenme tabanlı 3B nesne tespiti modelleri, eğitim ve test veri kümeleri arasındaki farklılıklardan kaynaklanan alan farkı (domain shift) nedeniyle farklı senaryolarda ciddi performans düşüşleri yaşamaktadır. Bu çalışmada, alan farkı problemini çözmek amacıyla altı farklı modern alan adaptasyonu yöntemi (UDA, Bi3D, CLUE, ST3D, SESS ve Uni3D) sistematik olarak değerlendirilmiş ve karşılaştırılmıştır. Çalışmalarda, açık (public) veri kümeleri olan Waymo ve nuScenes'in yanı sıra, KARSAN prototip otonom minibüsü ile toplanan yüksek çözünürlüklü gerçek dünya veri seti ve farklı LiDAR konfigürasyonlarına sahip özel bir simülasyon veri seti kullanılmıştır. Deneysel sonuçlar, SESS ve Uni3D yöntemlerinin, alan farkına bağlı performans kayıplarını önemli ölçüde azalttığını ve yüksek genel doğruluk elde ettiğini ortaya koymuştur. Ayrıca, LiDAR çözünürlüğü ve kanal sayısının performans üzerindeki etkileri detaylı şekilde analiz edilerek sensör konfigürasyonlarının sistem başarımına katkıları gösterilmiştir. Sonuç olarak, bu tez çalışması, otonom araçlarda güvenli ve genellenebilir algılama katmanı geliştirilmesine katkı sağlayacak kapsamlı bir alan adaptasyonu kıyaslaması sunmaktadır. Bulguların, hem akademik araştırmalarda hem de endüstriyel uygulamalarda önemli pratik faydalar sunacağı öngörülmektedir.
Özet (Çeviri)
Autonomous vehicles are rapidly evolving and are shaping the future vision of mobility with their potential to provide safe, comfortable, and sustainable transportation solutions. The fundamental software and hardware architecture of autonomous vehicles consists of an integrated structure including sensor hardware, data processing infrastructure, and decision-making algorithms. In this architecture, the integration of sensors such as LiDAR, cameras, and RADARs, combined with high-performance computing units, directly affects the accuracy of environmental perception. Among these components, the perception layer is one of the most critical, as it accurately and quickly detects objects in the environment, forming the basis of driving decisions. The performance of this layer is shaped by factors such as sensor resolution, the number of channels, data processing techniques, and the effectiveness of learning algorithms. However, deep learning-based 3D object detection models often suffer significant performance degradation in different scenarios due to domain shift between training and testing datasets. In this study, to address the domain shift problem, six modern domain adaptation methods (UDA, Bi3D, CLUE, ST3D, SESS, and Uni3D) were systematically evaluated and compared. In addition to publicly available datasets such as Waymo and nuScenes, a high-resolution real-world dataset collected using the KARSAN prototype autonomous minibus and a custom simulation dataset with various LiDAR configurations were utilized. Experimental results revealed that SESS and Uni3D significantly reduce performance losses caused by domain shift and achieve high overall accuracy. Furthermore, the effects of LiDAR resolution and channel count on detection performance were comprehensively analyzed, highlighting the contributions of sensor configurations to system performance. In conclusion, this thesis presents a comprehensive domain adaptation benchmark that contributes to the development of safe, generalizable autonomous driving perception systems. The findings presented in this study are expected to provide significant benefits for both academic research and industrial applications.
Benzer Tezler
- Aircraft detection using deep learning
Derin öğrenme kullanarak hava aracı tespiti
UTKU MUTLU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- 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
- Otonom sürüş için derin öğrenme tabanlı yenilikçi çözüm yaklaşımları
Innovative solution approaches based on deep learning for autonomous driving
SALİM AZAK
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AKİF DURDU
- Otonom araçlarda yol ve trafik unsurlarının görsel algılaması için derin öğrenme tabanlı yöntemler geliştirilmesi
Developing deep learning-based methods for visual perception of road and traffic elements in autonomous vehicles
GÜRKAN DOĞAN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHAN ERGEN
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAHYA DOĞAN
DR. ÖĞR. ÜYESİ CÜNEYT ÖZDEMİR