Otonom araçlar için trafikteki hareketli nesnelerin rotasının derin öğrenme tabanlı uçtan uca sistemle tahmin edilmesi
Trajectory prediction of moving objects in traffic for autonomous vehicles using a deep learning-based end-to-end system
- Tez No: 969554
- Danışmanlar: PROF. DR. FEYZULLAH TEMURTAŞ, PROF. DR. MEHMET TEKTAŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ulaşım, Computer Engineering and Computer Science and Control, Transportation
- Anahtar Kelimeler: Grafik sinir ağları, Yapay sinir ağları, Yapay zeka, Yapay zeka ve makine öğrenmesi dersi, Graph neural networks, Artificial neural networks, Artificial intelligence, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bandırma Onyedi Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Akıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Akıllı Ulaşım Sistemleri ve Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
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 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.
Özet (Çeviri)
Autonomous vehicle technologies play a critical role in enhancing traffic safety and improving transportation efficiency. In this thesis, a new method called End-to-End Route, which predicts the trajectories of moving objects in traffic in an end-to-end manner—including object detection and tracking processes—is proposed. Additionally, a deep learning-based model named ROUTE, developed for trajectory prediction, is introduced. In the study, moving objects in traffic were detected using data obtained from LiDAR sensors. These objects were then tracked across consecutive point cloud frames, with unique IDs assigned and motion trajectories constructed. For object detection and tracking stages, open-source and pre-trained deep learning models were utilized. Through the 3D bounding boxes obtained during detection, the position, velocity, acceleration, and orientation of each moving object were extracted. These features were then used to determine the temporal tracks and identities of the objects. For the trajectory prediction stage, the ROTA model was developed by integrating a heterogeneous graph structure with spatio-temporal deep learning models. This model aims to accurately predict the possible future trajectories of traffic participants by learning their interactions and motion dynamics. The proposed method and model have demonstrated successful results in predicting the trajectories of various types of moving objects, including vehicles, pedestrians, and cyclists. For 8-second future trajectory predictions, the method achieved an average 1.64 m Average Displacement Error (ADE) and 3.91 m Final Displacement Error (FDE), corresponding to improvements of 12.5% and 18% respectively compared to existing methods. These findings indicate that the proposed method and model offer a strong alternative in terms of accuracy and effectiveness.
Benzer Tezler
- Design and evaluation of energy management systems for connected hybrid and electric vehicles
Bağlantılı hibrit ve elektrikli araçlar için enerji yönetim sistemleri geliştirilmesi ve değerlendirilmesi
ABDULEHAD ÖZDEMİR
Doktora
İngilizce
2022
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLKER MURAT KOÇ
- Akıllı ulaşım sistemleri unsurlarından otonom araçlarda trafik kaza faktörlerinin belirlenmesine ilişkin bir araştırma
A research on the determination of traffic accident factors in autonomous vehicles within the scope of intelligent transportation systems
HALİL ÇEVİK
Yüksek Lisans
Türkçe
2022
Ulaşımİstanbul ÜniversitesiAkıllı Ulaşım Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDEM ÖZKAN
- Otonom sürüş için bulanık hız planlayıcı tasarımı
Fuzzy speed planner design for autonomous driving
BEKİR ÖZTÜRK
Yüksek Lisans
Türkçe
2021
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN SEZER
- Model predictive contouring control for autonomous ground vehicles
Otonom kara araçları için model öngörülü kontur kontrolü
ÖMER FARUK DİK
Yüksek Lisans
İngilizce
2018
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MÜJDE GÜZELKAYA
- Advanced reinforcement learning applications in autonomous driving
Otonom araçlarda ileri pekiştirmeli öğrenme uygulamaları
MUSTAFA BURAK GÜNEL
Yüksek Lisans
İngilizce
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE