GRAFİK İŞLEME ÜNİTESİ (GPU) TABANLI ÖĞRENME KULLANARAK OTONOM ARAÇLAR İÇİN ALGILAMA SİSTEMİNİN GELİŞTİRİLMESİ

Abstract

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 (GPU - Graphics Process Unit) teknolojisi ve yapay öğrenme yöntemlerindeki yenilikler ile birlikte otonom araç teknolojisi de gelişmektedir. Bu çalışmada ilk olarak, otonom araçlar ile ilgili genel bilgiler verilmiştir. İkinci olarak, Linux ortamında Caffe kullanılarak, MNIST veri kümesi ile rakam tanıma yapılmıştır. Bu uygulama için Nvidia TK1 ve Nvidia TX1 kartlarına ek olarak iki adet bilgisayar kullanılmış ve Merkezi İşlem Birimi (CPU - Central Process Unit) ile GPU'lar hız ve doğruluk bakımından değerlendirilmiştir. Üçüncü olarak, nesne tanıma uygulamaları yapılmıştır. Bu amaçla ilk olarak, Windows ortamında Matlab'da yaya geçidi trafik tabelası algılama uygulaması yapılmıştır. Bu uygulama için Elazığ, Niğde ve Kayseri şehirlerinin yaya geçitlerinde çekilen görüntüler ile oluşturulan veri kümesi kullanılmıştır. Algılama için Bölgesel Konvolüsyonel Sinir Ağı (B-KSA), Daha Hızlı Bölgesel Konvolüsyonel Sinir Ağı (Daha Hızlı B-KSA) kullanılmış ve sonuçlar incelenmiştir. Sonrasında, Linux ortamında temel anlamda YOLO kullanılarak nesne tanıma uygulaması yapılmış ve çıktılara yer verilmiştir. Son olarak, küçük bir yer aracı ile yapay öğrenme yöntemlerini kullanan otonom bir araç yapılmıştır. Bu amaçla, yer aracı üzerine çeşitli sensörler, kamera ve Nvidia TX2 kartı yerleştirilmiştir. Otonom araç, tasarlanan parkur üzerinde test edilmiştir. Tüm uygulamalar başarılı bir şekilde gerçekleştirilmiştir. Elde edilen sonuçlar karşılaştırmalı olarak ve şekiller ile verilmiştir.Autonomous vehicles are that perceive environmental conditions and act in accordance with decisions. At present, interest in autonomous vehicles is increasing rapidly. With the development of sensor and GPU (Graphics Process Unit) technology, and innovations in artificial learning methods, autonomous vehicle technology is also developing. In this study, firstly, general information about autonomous vehicles was given. Secondly, using the Caffe in the Linux environment, the MNIST dataset was used for digit recognition. For this application, two computers were used in addition to the Nvidia TK1 and Nvidia TX1 cards, and the CPU (Central Process Unit) and GPUs were evaluated for speed and accuracy. Thirdly, object recognition applications have been implemented. For this purpose, firstly, in Matlab in Windows environment, pedestrian crossings traffic sign detection application was done. The originally created dataset was used for this application. For detection, Region Convolution Neural Network (R-CNN), Faster R-CNN was used and the results were examined. Later in the Linux environment, object recognition was implemented using Yolo in a basic sense and output was given. Finally, a small autonomous land vehicle was built using artificial learning methods. For this purpose, various sensors, camera and Nvidia TX2 card were installed on the land vehicle. The autonomous vehicle were tested on the designed racecourse. All applications were realized successfully. The results were given comparatively in tables and figures.