Dergiler / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2019 / Cilt: 31 Sayı: 1

Derin Öğrenme Kullanarak Otonom Araçların İnsan Sürüşünden Öğrenmesi

Sayfa
177–185
Yayın Tarihi
2019-03-15
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen sonuçlar grafikler ve şekiller ile verilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Otonom araçlar, çevre koşullarını algılayarak kararlar alan ve aldıkları kararlar doğrultusunda hareket eden araçlardır.
📊
Temel Bulgular & Veri:Bu amaçla, yer aracı üzerine çeşitli sensörler, kamera ve NVIDIA TX2 kartı yerleştirilmiştir.
💡
Sonuç & Katkı:Elde edilen sonuçlar grafikler ve şekiller ile verilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Otonom araçlar · Grafik İşleme Birimi · Evrişimsel Sinir Ağları

Özet

Otonom araçlar, çevre koşullarını algılayarak kararlar alan ve aldıkları kararlar doğrultusunda hareket eden araçlardır. Günümüzde otonom araçlara olan ilgi hızla artmaktadır. Gelişen sensör, Grafik İşleme Birimi teknolojisi ve yapay öğrenme yöntemlerindeki yenilikler ile birlikte otonom araç teknolojisi de gelişmektedir. Bu çalışmada, küçük bir yer aracı ile yapay öğrenme yöntemlerini kullanan otonom bir araç tasarlanmıştır. Bu amaçla, yer aracı üzerine çeşitli sensörler, kamera ve NVIDIA TX2 kartı yerleştirilmiştir. Otonom yer aracının insan sürüşünden öğrenmesi için, Evrişimsel Sinir Ağları ve Uzun Kısa-Vade Hafıza Ağları birlikte kullanan bir model önerilmiştir. Geliştirilen modelleri kullanan otonom araç, tasarlanan parkur üzerinde test edilmiştir. Tüm uygulamalar başarılı bir şekilde gerçekleştirilmiştir. Elde edilen sonuçlar grafikler ve şekiller ile verilmiştir.

🔖

Bu Makaleye Atıf Yap

Bingöl, M. S., Kaymak, Ç., Uçar, A. (2019). Derin Öğrenme Kullanarak Otonom Araçların İnsan Sürüşünden Öğrenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 31 Sayı: 1, 177–185. https://ajindex.com/articles/1268160

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (37)

  1. Gomez V. Object detection for autonomous driving using deep learning. PhD Thesis, Universitat At Politecnica De Catalunya, Automatica Robotica I Visio, Barcelona, 2015
  2. Nikbay K. Otonom araçların güzergah takibi için bir uygulama. Yüksek Lisans Tezi, Okan Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2015
  3. Wason R. Deep learning: Evolution and expansion. Cognitive System Research 2018; 52: 701-708
  4. Mobileye pedestrian collision warning system, https://www.mobileye.com/our-technology/ (Erişim: 28 Ağustos 2018
  5. Coelingh E, Eidehall A and Bengtsson M. Collision warning with full auto brake and pedestrian detection - a practical example of automatic emergency braking. In Proceedings of the 13th International IEEE Conference on Intelligent Transportation Systems (ITSC); 19-22 September 2010; Funchal, Portugal, pp. 155-160
  6. Autonomous driving, https://www.bmw.com/en/index.html/ (Erişim: 17 Ağustos 2018
  7. VW Emergency Assistance System, https://safecarnews.com/ (Erişim: 11 Temmuz 2018
  8. Active safety technology, https://www.toyota-global.com/innovation/safety_technology/toyota-safety-sense/ (Erişim: 3 Eylül 2018
  9. Deng L and Yu D. Deep Learning: methods and applications, Foundations and Trends in Signal Processing 2014; 7: 3-4
  10. Christian S, Toshev A and Erhan D. Deep neural networks for object detection. In Proceeding of the Advances in Neural Information Processing Systems; 5-10 December 2013; Lake Tahoe, USA; pp. 2553-2561
  11. Krizhevsky A, Sutskever I and Hinton GE. Imagenet classification with deep convolutional neural networks. In Proceedings of the Advances in Neural Information Processing Systems; 3-6 December 2012; Lake Tahoe, USA; pp. 1097-1105
  12. Deng J, Berg A, Satheesh S, Su H, Khosla A and Fei-Fei L (2012).
  13. Berg A, Deng J and Fei-Fei L. Large scale visual recognition, International Journal of Computer Vision 2010; 115(3): 211-252
  14. Bojarski M, Del Testa D, Dworakowski D, Firner B, Flepp B, Goyal P and Zhang X. End to end learning for self-driving cars 2016; arXiv preprint arXiv:1604.07316
  15. Santana E and Hotz G. Learning a driving simulator 2016; arXiv preprint arXiv:1608.01230
  16. Eraqi HM, Moustafa MN and Honer J. End-to-end deep learning for steering autonomous vehicles considering temporal dependencies 2017; arXiv preprint arXiv:1710.03804
  17. Karslı M, Satılmış Y, Şara M, Tufan F, Eken S and Sayar A. End-to-end learning model design for steering autonomous vehicle. In Proceedings of the 26th Signal Processing and Communications Applications Conference (SIU); 2-5 May 2018
  18. Du X, Ang MH, Karaman S and Rus D. A general pipeline for 3d detection of vehicles 2018; arXiv:1803.00387 [cs.CV]
  19. Ma F, Cavalheiro GV and Karaman S. Self-supervised sparse-to-dense: self-supervised depth completion from lidar and monocular camera 2018; arXiv:1807.00275 [cs.CV]
  20. Amini A, Soleimany A, Karaman S and Rus D. Spatial uncertainty sampling for end-to-end control 2018; arXiv:1805.04829 [cs.AI]
  21. Shin R, Karaman S, Ander A, Boulet MT and Connor J. Project based, collaborative, algorithmic robotics for high school students: Programming self driving race cars at MIT. In Integrated STEM Education Conference (ISEC); 11 March 2017; New Jersey, USA; pp. 195-203
  22. Slash 4×4 Platinum Edition, https://traxxas.com/products/models/electric/6804Rslash4x4platinum/ (Erişim: 10 Ocak 2018
  23. Weinstein AJ and Moore KL. Pose estimation of Ackerman steering vehicles for outdoors autonomous navigation. In Proceedings of the IEEE International Conference on Industrial Technology; 14-17 March 2010; Vina del Mar, Chile; pp. 579-584
  24. Velineon 3500 Brushless Motor, https://traxxas.com/products/parts/motors/velineon3500motor/ (Erişim: 10 Ocak 2018
  25. FOCBOX motor controller, https://www.enertionboards.com/electric-skateboard-parts/FOCBOX-programmable-brushless-motor-controller/ (Erişim: 22 Şubat 2018
  26. Autonomous machines, https://www.nvidia.com/en-us/autonomous-machines/embedded-systems-dev-kits-modules/ (Erişim: 7 Temmuz 2018
  27. Zed stereo camera, https://www.stereolabs.com/ (Erişim: 19 Haziran 2018
  28. RPLidar A2M6, https://www.seeedstudio.com/RPLidar-A2M6-The-Thinest-LIDAR-p-2919.html (Erişim: 5 Haziran 2018
  29. LeCun Y, Bottou L, Bengio Y and Haffner P. Gradient-based learning applied to document recognition. In Proceedings of the IEEE 1998; 86(11): 2278-2323
  30. Uçar A ve Bingöl MS. Derin öğrenmenin Caffe kullanılarak grafik işleme kartlarında değerlendirilmesi. DÜMF Mühendislik dergisi 2018; 9(1): 39-49
  31. Jarrett K, Kavukcuoglu K, Ranzato M and LeCun Y. What is the best multi-stage architecture for object recognition. In Proceedings of the International Conference on Computer Vision (ICCV); 29 September-2 October 2009; Nevada, USA; pp. 2146-2153
  32. LeCun Y, Kavukcuoglu K and Farabet C. Convolutional networks and applications in vision. In Proceeding of the Circuits and Systems International Symposium; 30 May-2 June 2010; Grenoble, France; pp. 253-256
  33. Ucar A, Demir Y and Guzelis C. Object recognition and detection with deep learning for autonomous driving applications. SIMULATION 2017; 93(9): 759-769
  34. Hochreiter S and Schmidhuber J. Long short-term memory. Neural computation 1997; 9(8): 1735-1780
  35. Martin S, Schlüter R and Ney H. LSTM neural networks for language modeling. In Proceedings of Thirteenth annual conference of the international speech communication association; 9-13 September 2012; Portland, USA; pp. 194-197
  36. LSTM and its diagrams, https://medium.com/mlreview/understanding-lstm-and-its-diagrams-37e2f46f1714/ (Erişim: 15 Ağustos 2018
  37. Bingöl MS. Grafik işleme ünitesi (GPU) tabanlı öğrenme kullanarak otonom araçlar için algılama sisteminin geliştirilmesi. Yüksek Lisans Tezi, Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ, 2018.