OTONOM ARAÇLARDA YOL VE TRAFİK UNSURLARININ GÖRSEL ALGILAMASI İÇİN DERİN ÖĞRENME TABANLI YÖNTEMLER GELİŞTİRİLMESİ

Abstract

Dünya çapında trafik kazalarının önemli bir kısmı insan hatalarından kaynaklanmaktadır. Bu trafik kazalarını azaltma veya önleme, emisyonları azaltma, engelli kişileri taşıma, yolculara uygun maliyetli ulaşım hizmeti sunma ve sürüşle ilgili stresi azaltma gibi amaçlarla otonom sürüş sistemleri geliştirilmektedir. Araç dinamiğindeki biriken bilgi, derin öğrenmenin ortaya çıkışının neden olduğu bilgisayarlı görme alanındaki atılımlar ve çeşitli sensör teknolojilerinin mevcudiyeti, otonom sürüş sistemleriyle ilgili araştırmaları katalize etmektedir. Bununla birlikte, karmaşık trafiğe sahip kentsel ortamlarda emniyetli sürüş gerçekleştirilebilmesi için otonom sürüş sisteminin yazılım mimarisindeki konumlandırma, algılama, planlama ve araç kontrolü gibi modüllerin kusursuz bir şekilde tasarlanması gerekir. Özellikle, algılama modülü, aracın çevresi ile etkileşimi sağladığı ilk evre olması bakımından önemi bir kat daha artmaktadır. Bu modüldeki hatalı bir nesne tanıma ve izlemenin sonucu direkt diğer modüllere etki eder ve otonom aracın yanlış karar almasına ve dolayısıyla kaza durumlarına yol açabilir. Bu nedenle, bu tez çalışmasında, algılama modülünün görevlerinden yaya geçidi tespiti, yol yüzeyindeki çatlakların tespiti, trafik sahnesindeki nesnelerin tespiti ve sürülebilir yol bölgelerinin tespiti için doğruluk performansının arttırılmasına odaklanılmıştır. Her bir görev için evrişimsel sinir ağlarını temel alan yeni bir yöntem geliştirilerek önerilmiştir. Sürülebilir yol bölgesinin tespiti için literatürdeki veri seti eksikliğini gidermek için yeni ve özgün bir veri seti hazırlanmıştır. Deneysel testlerde her bir görev için önerilen yöntem ve sanat harikası yöntemler kendi içinde değerlendirildiğinde önerilen yöntemler sanat harikası yöntemlere göre doğruluk açısından daha başarılı olmuştur.

A significant portion of traffic accidents worldwide are caused by human errors. Autonomous driving systems are being developed for purposes such as reducing or preventing traffic accidents, reducing emissions, transporting disabled people, providing affordable transportation services to passengers, and reducing driving-related stress. Accumulated knowledge in vehicle dynamics, breakthroughs in computer vision caused by the emergence of deep learning, and the availability of various sensor technologies are catalyzing research on autonomous driving systems. However, to achieve safe driving in urban environments with complex traffic, modules such as localization, perception, planning and vehicle control in the software architecture of the autonomous driving system must be designed perfectly. In particular, the perception module becomes even more important as it is the first phase in which the vehicle interacts with its environment. The result of an incorrect object recognition and tracking in this module directly affects other modules and may lead to the autonomous vehicle making wrong decisions and thus causing accidents. Therefore, in this thesis study, we focus on increasing the accuracy performance of the perception module's tasks such as crosswalk detection, detection of cracks on the road surface, detection of objects in the traffic scene and detection of drivable road regions. For each task, a new method based on convolutional neural networks has been developed and proposed. A new and original data set has been prepared to eliminate the lack of data sets in the literature for the detection of drivable road regions. In experimental tests, when the proposed methods and state-of-the-art methods for each task were evaluated individually, the proposed methods were more successful in terms of accuracy than the state-of-the-art methods.