OTONOM SISTEMLER HEM ASKERI ALANDA HEM DE SIVIL ALANDA, DÜNYAYI ŞIMDIKI DURUMUNDAN ÇOK FARKLI BIR YERE TAŞIYACAKTIR. HAVELSAN, TÜRKIYE IÇIN HEM ASKERI HEM DE SIVIL ALANDA DÜNYA ÜZERINDE DEĞIŞECEK DINAMIKLERIN TAKIP EDILMESININ NE DENLI ÖNEMLI OLDUĞUNUN FARKINDADIR. OTONOMI EKSENINDE GERÇEKLEŞMESI ÖNGÖRÜLEN KÜRESEL DEĞIŞIKLIKLERE TÜRKIYE’NIN AYAK UYDURMASINI SAĞLAYACAK TEKNOLOJILER HEM HAVELSAN HEM DE DIĞER ŞIRKETLERCE TAKIP EDILMEKTE VE GELIŞTIRILMEKTEDIR.

GELİŞİMİ VE BUGÜNKÜ DURUMU

Bugün kullandığımız kara araçlarının icadı 1700’lü yıllara dayanmaktadır [1]. O günlerde buharlı motorların kullanıldığı araçlar daha sonra yerlerini 1800’lü yıllarda icat edilen içten yanmalı motorlar ile çalışan araçlara bırakmışlardır. Bugüne bakıldığı zaman ise, kara araçları ile ilgili motor kısmına yönelik temel prensiplerin aynı kaldığı, gelişimin daha ziyade elektronik ve yazılım alanlarındaki teknolojik ilerlemelere bağlı olarak konfor ve güvenlik arttırıcı sistemlerin araçlara entegre edilmesi ile olduğu aşikardır.

İnsansız Kara Aracı (İKA) fikri, bu yazının ilerleyen kısımlarında daha da detaylandırılacağı üzere ilk olarak 1920’li yıllarda ortaya atılmıştır [2]. Daha sonradan bu fikrin geliştirilmesi ile birlikte insansız kara aracı fikri, otonom kara araçları fikrine doğru evirilmiştir. Zaman içerisinde bu konu ile ilgili büyük yatırımlar yapılmış fakat ne askeri ne de sivil alanda otonom kara araçları konsepti son kullanıcıya kadar ulaşamamıştır. Bu duruma sebep olarak, yapay zekâ algoritmalarının o zamanki hesaplama gücü baz alındığında yetersiz kaldığı gösterilebilir.

Günümüzdeyse, özellikle 2012 yılından sonra yapay sinirsel ağlar üzerinde elde edilen başarılı sonuçlar ve buna ek olarak işlemci teknolojisindeki gelişmeler, genel amaçlı GPU kullanımı, bilgisayar hesaplama hızlarının artması gibi faktörlere paralel olarak sadece kara değil tüm araçlarda otonomi konusunun hızla gelişimine olanak sağlar olmuştur.

İNSANSIZ KARA ARAÇLARI FİKRİNİN GELİŞİMİ

İlk insansız kara aracı fikri 1920’li yıllarda ortaya çıkmıştır. Bilinen ilk insansız kara aracı örneği 1925 yılında Houdina Radio Control firması tarafından, Chandler marka bir arabaya kablosuz alıcı verici modüllerinin yerleştirilmesi ile geliştirilmiştir. 1977’de ise Japonya’da, 1987 yılında başlatılan ve bugünün parası ile 749 Milyon Euro bütçesi olan EUREKA PROMETHEUS (PROgraMme for a European Traffic of Highest Efficiency and Unprecedented Safety) projesi [3] ve İtalya’da 1998 yılında başlatılan ARGO projesi [4], otonom kara araçları ile ilgili olarak geliştirilen projelere örnek olarak gösterilebilir. PROMETHEUS projesinin bir parçası olarak, Munich Bundeswehr Üniversitesi’nden Ernst Dickmanns ve Mercedes-Benz işbirliği ile geliştirilen VaMP [5], dünyadaki ilk gerçek otonom kara araçları arasında gösterilmektedir. Şekil-1 bu araç ile ilgili şematik gösterimler ve kullanılan bilgisayar sistemlerinin araç içerisindeki konumlanmalarına dair görselleri içermektedir.

İlk olarak 1920’li yıllara dayanan insansız araç fikrini, DARPA (Defense Advanced Research Projects Agency), 2000’li yıllarda, savaş sahasında kullanılacak şekilde genişletmek istedi. Bu sebeple “The Grand Challenge” [6] adı verilen ve otonom kara araçları geliştiricilerini hedefleyen bir yarışma düzenleme kararı aldı. Burada amaç, otonom kara araçları geliştiricilerinin teşvik edilmesi ile askeri alanda Birleşik Devletlerin silahlı kuvvetlerini güçlendirecek ve can kayıplarını azaltacak teknolojilerin geliştirilmesini hızlandırmaktı.

2004 yılında DARPA tarafından düzenlenen "The Grand Challenge (2004)" dünyada ilk uzun mesafe otonom araç yarışması olma niteliğini taşımaktadır. Mojave Çölü'nde gerçekleştirilen yarışmanın parkuru 240 kilometredir. Amerikan senatosunun izniyle DARPA yarışmasının ödülü 1 Milyon dolar olarak belirlenmiştir. 13 Mart 2004 tarihinde gerçekleştirilen yarışmaya 15 takım katılmış ancak bu takımlardan hiçbiri parkuru tamamlayamamıştır. Carnegie Mellon Üniversitesi'nden "Red Team" 11.78 kilometre ile en uzun mesafeyi kat etmiştir.

2004 yılında herhangi bir kazananı olmayan yarışma DARPA tarafından 2005 yılında tekrar düzenlenmiştir. Yarışmanın ödülleri; birinci takıma 2 Milyon dolar, ikinci takıma 1 Milyon dolar ve üçüncü takıma 500 Bin dolar para ödülü olarak belirlenmiştir. Yarışma parkuru da toplamda 212 kilometre olacak şekilde yeniden düzenlenmiştir. Bu sefer tüm katılımcı takımlar parkuru otonom olarak bitirebilmiştir. Stanford Üniversitesi'nden "Stanford Racing Team" takımı ise birinci olmuştur. Takım tarafından geliştirilen araç Şekil-2’de görülebilir. Aşağıdaki tabloda ilk beş yarışmacı takım yer almaktadır.

DARPA tarafından 2007 yılında aynı yarışmanın üçüncüsü düzenlenmiş ancak bu sefer şehir içi trafiği konsepti kullanılmıştır. Yarışmacılardan, önceki iki yarışmada olduğu gibi düz bir pist değil, şehir içi trafik kurallarına uyarak 96 kilometrelik trafik bölgesinde otonom olarak gitmeleri istenmiştir. Yarışmanın sonuçları aşağıda yer almaktadır.

İlerleyen yıllarda, otonom kara araçları üzerinde yapılan çalışmalar tüm hızıyla devam etmiş, otonom kara araçları konusunda Google’ın ciddi yatırımları olmuş, Uber ve Tesla gibi yeni kurulan firmaların da otonom kara araçları konusunda yaptıkları yatırımlar ve çalışmaları ile de otonom kara aracı konsepti günümüze kadar gelmiştir.

OTONOM KARA ARAÇLARI

İnsansız Kara Araçları ile Otonom Kara Araçları terimleri çoğunlukla karıştırılmaktadır. Otonom Kara Araçları, İnsansız Kara Araçları'nın bir alt kümesi olarak düşünülebilir. İnsansız Kara Araçları uzaktan kontrol edilerek karayolu veya askeri güzergâh üzerinde gidebilirken, Otonom Kara Araçları tüm hareketlerini, dış dünyayı algılayarak ve kendi konumlarını bu dünya üzerinde bularak oluşturdukları dünya modeli üzerinde, yapay zekâ algoritmalarının verdiği kararlar ile gerçekleştirmektedirler. 

Son zamanlarda makine öğrenmesi ve yapay zekâ alanlarındaki gelişmeler ve işlemcilerin hesaplama güçlerinin artması ile birlikte otonom kara araçları alanındaki çalışmalarda araştırmacılar ve firmalar dikkat çeker ölçüde başarılar elde etmektedirler.

Otonom kara aracı konseptinin hem askeri hem sivil birçok kullanım alanı bulunmaktadır. Askeri alanda otonom kara araçlarının görev icra etmesi ile birlikte tehlike içeren birçok görevde insan kayıplarının önüne geçileceği düşünülmekte ve bununla birlikte askeri kuvvetlerin yeteneklerinin ciddi oranda gelişeceği beklenmektedir. Saha keşif çalışmaları, hedef bulma ve kurtarma, hedef yok etme gibi görevler otonom kara araçları tarafından icra edilebilecek görevler arasında gösterilebilir. Karada gerçekleştirilen bir muharebe esnasında, sahadaki personelin yarısı kadar personelin malzeme ve mühimmat desteği için tehlikeli askeri bölgelerde görev yapabildiği bilinmektedir [7].  Otonom kara araçlarının kullanılması ile belirli tipte destek görevleri için personelin tehlike arz eden sahaya gönderilmesi gerekliliği ortadan kaldırılabilecektir.

Otonom kara araçlarının, askeri alandaki kullanımlarına ek olarak sivil hayatta da otonom taksiler, şehirlerarası otonom tırlar ve yarı otonom sürüş destek sistemleri gibi kullanım alanları bulunmaktadır. Otonom kara araçlarının sivil alanda kullanımı halen sınırlı olsa da büyük firmalar bu alanda ciddi yatırımlar yapmaktadırlar. BMW, Ford, GM, Google Waymo, Mercedes-Benz ve Tesla gibi firmaların bu alanlardaki çalışmaları tüm hızıyla devam etmektedir ve tam otonomi için yaklaşık olarak 2025 yılını hedefledikleri görülmektedir. Aynı firmaların 2012-2014 yıllarında yaptıkları tahminler tam otonom araç için yaklaşık olarak 2020 yılı olarak belirlenmiş iken, mevcut durumda bu tahminlerini tutturmaktan çok uzakta oldukları gözden kaçmamalıdır.

KARA ARAÇLARI İÇİN OTONOM ALT SİSTEMİ

Bir kara aracına otonomi özelliği eklenmesi, özetle algılayıcılar aracılığı ile dış dünyanın modellenmesi, bu model üzerinde araç konumunun bulunması, karar ve destek algoritmaları ile araç hareketinin planlanması ve bu plana göre aracın hareket ettirilmesi şeklinde ifade edilebilir.

A. OTONOM ALT SİSTEMİ NASIL GELİŞTİRİLİYOR?

Şekil-3’te tipik bir otonomi mimarisi görülebilir [8]. Bu mimarideki bileşenlerin bir kısmı ile ilgili aşağıda özet bilgi verilmiştir:

∙ Algılayıcılar: Algılayıcılar aracın dış ortamının algılanabilmesi için kullanılmaktadır. Kara araçları için genel olarak kullanılan algılayıcılar LİDAR, RADAR, Kamera, IMU ve odometri algılayıcıları olarak sayılabilir. Tüm algılayıcıların birbirlerine göre iyi ve kötü olduğu durumlar söz konusudur. Kimi algılayıcının iyi çalıştığı ortamda ve durumda bir diğer algılayıcı iyi çalışmayabilmektedir veya kimi algılayıcının ölçüm mesafesi daha kısa iken kimininki daha uzun olabilmektedir. Bu şekilde farklı algılayıcıların araç üzerine enstrümante edilmesi ve algılayıcı füzyonu algoritmalarının yardımıyla, algılayıcıların birbirlerine karşı olan tüm dezavantajları ortadan kaldırılabilmekte ve doğru ölçüm alınabilmektedir. Tablo-3 kara araçlarında kullanılan farklı algılayıcıları çeşitli eksenlerde karşılaştırmaktadır. Şekil-4 ise otonom sürüş sistemlerinde kullanılan farklı özellikler için hangi algılayıcıların kullanıldığı ile ilgili bir grafik içermektedir.

Şekil 3: Örnek otonomi mimarisi

 

∙ 2D & 3D Nesne Bulma ve Sınıflandırma: Kameradan ve LİDAR algılayıcılarından alınan veriler makine öğrenmesi modelleri kullanılarak işlenir ve sahnedeki nesneler bulunur.

∙ Uzaklık ve Hız Ölçümü: Radar algılayıcılarından gelen verilerin işlenmesi ile araç çevresindeki objelerin araca olan uzaklığı ve bu objelerin araca göre hızı bulunur.

∙ Algılayıcı Füzyonu: Dış dünyanın modellenmesi için LİDAR, RADAR ve Kameralardan (genel olarak araç çevresini kapsayacak şekilde 4 veya 8 kamera kullanılmaktadır) gelen veriler makine öğrenmesi modelleri ile işlenir ve çevredeki nesneler tespit edilir. Farklı algılayıcı verileri işlenerek bulunan nesneler algılayıcı füzyonu algoritmaları ile birleştirilerek ilgili nesnelerin belirli kesinlikte konumları ve hızları bulunur. Görsel odometri, odometri ve IMU algılayıcılarından gelen veriler algılayıcı füzyonu algoritmaları ile birleştirilerek aracın dünya üzerindeki konumu bulunmaktadır.

∙ Konumlama: Konumlama algoritmaları ile aracın oluşturulan dünya modeli üzerinde konumu bulunur. Burada bahsedilen konumlama sistemleri santimetre hassaslığında araç konumunu hesaplamaya çalışırlar. Dolayısı ile GPS gibi metre bazında çözünürlüğü olan sistemler yerine, odometri ve IMU gibi algılayıcılar ile otonom araç dünya modeli üzerinde konumlanır.

∙ Anlamlandırma: Araç dışı tüm hareketli nesneler için hareket tahmini yapılır. Tahminler yapılırken nesne sınıfları göz önünde bulundurulur. Örneğin bir itfaiye aracı ile sedan araba için farklı sınıflandırma yapılır.

∙ Karar ve Kontrol: Oluşturulan dünya modeline ve otonom araca verilen göreve göre takip edilmesi gereken mikro güzergâh matematiksel olarak modellenir. Kontrol algoritmaları vasıtası ile de aracın bu mikro güzergâhı takip etmesi için gerekli mekanizmalar (gaz, fren miktarları, direksiyon açıları, sinyaller gibi) tetiklenir. Kontrol algoritmaları, mimari görselindeki kesikli çizgi ile ifade edilen platformu soyutlayan ara yüz vasıtası ile aracı kontrol etmektedir.

B. AVRUPA VE AMERİKA BİRLEŞİK DEVLETLERİ'NDE KONU NASIL ELE ALINIYOR?

Kara araçları için otonom alt sistemi geliştiren firmaların çalışmaları incelendiğinde, hemen hemen tüm firmaların çalışmalarını üç ana başlık altında topladıkları görülmektedir:

Algoritma Geliştirme: Bu kapsamda firmalar, bilgisayarla görü, makine öğrenmesi modellerinin üretilmesi, konumlama ve kontrol alanlarında geliştirme çalışmalarını yürütmektedirler.

Yapay Zekâ Bütünleşik Devreleri Geliştirme: Otonom sistemler için geliştirilen sistemler yüksek hesaplama gücüne ihtiyaç duyarlar. Bu hesaplama günümüz işlemcileri ile sağlanabilmekle birlikte, işlemciler tarafından yayılan ısı, otonomi alt sistemlerinin araç içerisinde kullanımı ile ilgili ciddi bir sınırlama getirmektedir. Yapılan araştırmalara göre, araç içerisinde yayılan her 1.000 Watt'lık enerji için 700 Watt'lık soğutma sisteminin kurulması gerekmektedir. Dolayısı ile gerek geliştirilen algoritmaların daha az hesaplama gücü gerektirecek şekilde tasarlanması, gerekse de bu algoritmaların çalışacağı özel işlemcilerin geliştirilmesi gerekliliği ortaya çıkmıştır.

Simülatör Geliştirme: Hem sivil alanda hem de askeri alanda, otonom kara araçlarının karşılaşacağı problemler ve üstesinden gelmesi gereken farklı karmaşıklık seviyelerinde senaryolar bulunmaktadır. Bu senaryolardan bazıları gerçek trafik ortamında çokça ortaya çıkarken, bazıları ise nadiren ortaya çıkmaktadır. Bu durum, geliştirilen otonom alt sistemin simülatör ortamında test edilmesi gerekliliğini ortaya çıkarmaktadır. Ayrıca, makine öğrenmesi modellerinin eğitilmesi için ciddi miktarda veriye ihtiyaç duyulması ve bu verinin yüksek sadakatli simülatör ortamından sağlanabiliyor olması, simülatör sistemlerinin önemini ortaya koymaktadır.

C. ARA SONUÇ

Önceki bölümlerde ele alınan konular bir arada değerlendirildiğinde, kara araçları otonom sistemlerinin geliştirilmesi için beş ana başlığın ortaya çıktığı görülür:

• Bilgisayarla Görü ve Makine Öğrenmesi

• Konumlama ve Hassas Konumlama

• Yapay Zekâ ve karar sistemleri

• Kontrol

• Simülatör Sistemleri

Yukarıdaki disiplinler, HAVELSAN bünyesindeki farklı teknik çalışma gruplarının ana çalışma alanlarıdır. Bu perspektiften bakıldığında, HAVELSAN bünyesinde gerçekleştirilecek kara aracı otonomisi çalışmaları ile kurumun şimdiye kadar edindiği bilgi birikimi, bütünleşik bir hedef için farklı bir alanda katma değerli ürünler geliştirmek üzere kullanılabilecek ciddi bir fırsat olarak değerlendirilmektedir.

Genel bir yaklaşım olarak kara araçları için geliştirilen otonomi mimarisinin diğer alanlardaki (hava ve deniz) platformlara yönelik otonomi gereksinimlerini de karşılayabileceği düşünülmektedir. Her ne kadar dış dünyayı algılamak için kullanılacak algılayıcı ve aracı kontrol etmek için kullanılacak kontrol algoritmaları farklılıklar gösterecek olsa da; otonom kara araçları geliştirmek için çalışılması gereken mimari ile otonom hava araçları veya otonom deniz araçları geliştirmek için çalışılması gereken mimari aynı temel mekaniklere sahiptir. Bu nedenle referans alınan mimaride platformun hareketine yönelik özel dinamikler soyutlanmaktadır. Dolayısı ile HAVELSAN bünyesinde yapılan otonomi çalışmaları hem hava, kara ve deniz araçlarına uygulanabilir olacak, hem de ülkemizde otonomi sistemler ile ilgili kültürün geliştirilmesinde lokomotif rolünü üstlenecektir.

OTONOM KARA ARAÇLARI İÇİN GEÇ Mİ KALINDI?

Kara araçları için otonom sistemlerin geliştirilmesi perspektifinden değerlendirildiğinde, insansız kara araçları için ilk çalışmaların 1920 yıllarına [2], otonom kara araçları için ilk çalışmaların ise 1970 [2] yıllarına dayandığı görülebilir. Bununla birlikte, ilk kayda değer sonuçların, 2005 yılında DARPA tarafından düzenlenen "Grand Challenge" [6] ile elde edildiği de kısa bir araştırma sonucu bulunabilir.

Günümüzde Türkiye'de otonomi alanında çalışan KOBİ'lerin veya girişimlerin var olduğu bilinmekle birlikte, bu alanda yapılan çalışmaların, Avrupa ve Amerika Birleşik Devletleri'nde yapılan çalışmaların yanında çok küçük çaplı kaldığı değerlendirilmektedir. Yurt dışında otonom araçlar ile ilgili yapılan çalışmaların başlangıcını iyimser bir şekilde 1990’lı yıllar olarak belirlemek doğru olacaktır. Bu çerçevede, basit bir hesap ile Türkiye’nin bu alanda yaklaşık olarak 30 yıl geride olduğu söylenebilir.

Diğer yandan, bu 30 yıl içerisinde, kara, deniz ve hava araçlarına otonomi özelliğinin getirilmesi ile ilgili birçok önemli bariyer aşılmıştır. Hem yapay zekâda, özellikle de 2012 yılında sonra (ImageNet Large Scale Visual Recognition Challenge 2012 – ILSVRC2012 [9] yarışmasında, yapay sinir ağları ile oluşturulmuş ve AlexNet adı verilen modelin birinciliği [10]) Makine Öğrenmesi alanında gerçekleşen gelişmeler, hem de GPGPU, DSP ve FPGA gibi işlemci tiplerindeki gelişmeler, otonom sistemler için bu yazının önceki kısımlarında bahsi geçen sistemlerin geliştirilmesinin önündeki engelleri bir miktar kaldırmıştır.

Yazıda daha önce de belirtildiği gibi, tam otonom sistemlerin elde edilmesi ile ilgili hedefler, bu alanda çalışan firmalar tarafından daha sonraki tarihlere ertelenmektedir. Yine bununla birlikte, Gartner tarafından hazırlanan Yükselen Teknolojiler – 2018 [11] çalışmasından da anlaşılabileceği gibi, Seviye – 4 Otonom Sürüş Faz-2 (hype) dönemini geçerek Faz-3’e geçmiştir. Bununla birlikte aynı çalışmada, otonom kara araçlarının sivil alanda görülmesi için 10 yıldan fazla zaman öngörülmektedir.

Özet olarak, sadece kara araçları ekseninde değil, hava ve deniz otonom araçlarının geliştirilmesi ile ilgili çalışmalar için de geliştirilmesi hedeflenen yazılım teknolojileri ve sistemleri açısından geç kalındığı düşünülmemektedir. Bununla birlikte, otonom sistemleri destekleyecek bilişim donanımlarının geliştirilmesi ayrı bir başlık altında, farklı dinamikler çerçevesinde ele alınmalıdır ve bu konu yazının kapsamı dışında değerlendirilmiştir.

OTONOM KARA ARAÇLARI İLE BİRLİKTE GELİŞECEK TEKNOLOJİLER

Özellikle sivil alanda geliştirilecek otonom kara araçlarının tam otonomi seviyesine ulaşabilmesi için, yüksek çözünürlüklü haritalar ve 5G gibi teknolojilerin standartlaşması gerekmektedir. Yüksek çözünürlüklü haritalar, sivil trafiğe dair tüm bilgileri, yollar üzerindeki tüm bozukluklardan, trafik yoğunluğuna, trafik kazalarına ve kara yolları çevresindeki tüm yapıların görsel dokularına kadar veri içerecektir. Bununla birlikte 5G teknolojisi ile V2V [12] ve V2X [13] olarak adlandırılan araçtan araca ve araçtan her şeye iletişim protokollerinin geliştirilmesi ile trafikte seyreden tüm araçların, çevresindeki her şey ile iletişimde bulunması sağlanabilecektir. Böylelikle tam otonom kara araçları sistemleri daha etkin bir şekilde geliştirilebilecektir. Özellikle sivil alanda, tam otonom kara araçlarının geliştirilebilmesi için, gerek mevcut karayollarının yapısı üzerinde, gerekse iletişim ve haritalama alanlarında yatırımların yapılmasının gerekli olduğu düşünülmektedir. Bu hususlar, akıllı ulaşım konsepti kapsamında Avrupa birliği tarafından da ele alınmaktadır ve bu bağlamda çeşitli Horizon 2020 çağrıları yapılmakta ve ARGE projeleri desteklenmektedir.

 

GÜVENLİK

İşin içine yüksek teknoloji ve insan hayatı girince, güvenlik unsuru da vazgeçilmezlerden biri olmaktadır. Sivil alanlarda otonom kara araçları ile ilgili ISO 26262 [14] standardından türeyen ASIL-B ve ASIL-D düzenlemeleri dikkat çekmektedir. Geliştirilen sistemlerin hem geliştirilen yazılım ile hem de geliştirilen donanım ile bu standartları sağlaması gerekmektedir.

Önceki kısımlarda bahsedildiği gibi, tam otonominin geliştirilmesi için otonom araçlar arasında ve trafikteki diğer birimler (yaya, trafik ışıkları, vb.) arasında veri transferi gerekliliği bulunmaktadır. Bunun dışında otonom kara araçları ile yüksek çözünürlüklü harita servisleri arasında da veri transferi olacaktır. Bu bağlamda, veri transfer kanallarının güvenliğinin sağlanması ile otonom sistemin siber saldırılara karşı güvenli olması önem arz etmektedir.

Otonom sistemler üzerinde çalışan makine öğrenmesi modellerinin çeşitli yollarla kandırılması ve farklı çıktılar vermesi mümkündür. Obje sınıflandır100'e yakın oranlarda hatalı sonuç üretebilmeleri sağlanmıştır. Goodfellow vb. tarafından yapılan çalışmada [15], yapay sinir ağlarının eğitimi için kullanılan optimizasyon algoritmaları kullanılarak, verilen bir x sinyali için, x sinyaline çok yakın x' sinyali bulunmuştur. Bulunan x' sinyali, insan gözü ile bakıldığında x sinyaline çok yakın olsa da obje sınıflandırıcı bu girdi için çok farklı sonuçlar üretmektedir. Bu şekilde orijinal sinyallere çok yakın sinyallerin üretilmesi ile %100'e yakın başarısızlık elde edilmiştir. Şekil-6’da görülebildiği gibi, resmin orijinal halini %57.7 güven değeri ile panda olarak bulan obje sınıflandırıcı, orijinal resme optimizasyon algoritması ile bulunan gürültünün eklenmesi ile edilen görseli, %99.3 güven değeri ile şebek olarak sınıflandırmaktadır. Bu noktada otonom sistemler üzerinde kullanılan yapay sinir ağları modellerinin çözmek için eğitildikleri problemleri insan seviyesinde anlamadığı hususunun altı çizilmelidir.

Bu durumda şu soru gündeme gelmektedir. Geliştirdiğimiz otonom sistemler ne kadar güvenilir? İşte bu noktada, geliştirilecek tüm otonom yeteneklerin yanında, bu yeteneklerin icrası esnasında tam güvenliğin de konuşulması kaçınılmaz hale geliyor.

 

SONUÇ

Bu yazıda Otonom Sistemlerin geliştirilmesi hususunda, hiçbir şey için geç kalınmadığı; ancak bu alandaki bilgi birikiminin geliştirilmesi için çalışmaların tüm hızıyla devam ettirilmesi gerektiğinin altını çiziyoruz.

Otonom Sistemler hem askeri alanda hem de sivil alanda, dünyayı şimdiki durumundan çok farklı bir yere taşıyacaktır. Sivil alanda, otonom kara araçlarının, şahsa özel kara araçlarının alınması ve idame ettirilmesi yerine, dünyayı ortak paylaşımlı kara araçlarının kullanımına doğru yönlendireceği bir gerçektir. Bu durumda, araç üretimi ve yedek parçaları ile yüksek ciro elde eden firmaların ciddi bir şekilde değişime uğramalarını öngörmek çok zor değildir.

Sivil alanda gerçekleşecek bu değişikliklerin yanı sıra, sadece kara araçlarına değil, hava ve deniz araçlarına otonom özelliklerinin getirilmesi ile birlikte, askeri alanda da oyunun kurallarının bozulup yeniden yazılacağı gelişmelerin yaşanacağı beklenmektedir.

HAVELSAN olarak; ülkemiz için hem askeri hem de sivil alanda dünya üzerinde değişecek dinamiklerin takip edilmesinin ne denli önemli olduğunun farkındayız. Otonomi ekseninde gerçekleşmesi öngörülen küresel değişikliklere ülkemizin ayak uydurmasını sağlayacak teknolojilerin tarafımızca ve diğer şirketlerce takip edilmekte ve geliştirilmekte olduğunu bir kaz daha ifade etmek isteriz.

KAYNAKÇA

[1]: Buharlı Kara Araçlarının Tarihçesi. (19 Şubat 2019). Wikipedia, Özgür Ansiklopedi. https:// en.wikipedia.org/wiki/History_of_steam_road_ vehicles

[2]: Otonom Araçların Tarihçesi. (7 Mart 2019). Wikipedia, Özgür Ansiklopedi. https://en.wikipedia.org/wiki/History_of_self-driving_cars

[3]: Programme for a european traffic system with highest efficiency and unprecedented safety. (t.b.). http://www.eurekanetwork.org/project/id/45

[4]: Vislab Automotive. (t.b.). http://vislab.it/automotive/

[5]: VaMP. (5 Eylül 2018). Wikipedia, Özgür Ansiklopedi. https://en.wikipedia.org/wiki/VaMP

[6]: https://www.darpa.mil/about-us/timeline/-grand-challenge-for-autonomous-vehicles

[7]: Pentagon: Military will have self-driving vehicles before public. (1 Mart 2018). https://internetofbusiness.com/pentagon-military-self-driving-vehicles/

[8]: Sagar Behere, Martin Törngren, A functional reference architecture for autonomous driving,Information and Software Technology,Volume 73,2016,Pages 136-150

[9]: ImageNet Large Scale Visual Recognition Challenge 2012. (t.b.). http://www.image-net. org/challenges/LSVRC/2012/

[10]: Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton. 2012. ImageNet classification with deep convolutional neural networks. In Proceedings of the 25th International Conference on Neural Information Processing Systems - Volume 1 (NIPS'12), F. Pereira, C. J. C. Burges, L. Bottou, and K. Q. Weinberger (Eds.), Vol. 1. Curran Associates Inc., USA, 1097-1105.

[11]: 5 Trends Emerge in the Gartner Hype Cycle for Emerging Technologies, 2018. (16 Ağustos 2018). https://www.gartner.com/smarterwithgartner/5-trends-emerge-in-gartner-hype-cycle-for-emerging-technologies-2018/

[12]: Vehicular ad-hoc network. (10 Aralık 2018). https://en.wikipedia.org/wiki/Vehicular_adhoc_network

[13]: Vehicle-to-everything. (27 Mart 2016). https://en.wikipedia.org/wiki/Vehicle-to-everything

[14]: International Organization for Standardization. 2018. Road Vehicles – Functional Safety. (Standart no: 26262-1:2018) https://www.iso.org/ standard/68383.html

[15]: Ian J. Goodfellow, Jonathon Shlens, Christian Szegedy. 2014. Explaining and Harnessing Adversarial Examples. arXiv:1412.6572 https://arxiv. org/abs/1412.6572

İnsansız Kara Araçları