İNSANSIZ HAVA ARAÇLARI İÇİN DERİN ÖĞRENME TABANLI OTONOM İNİŞ SİSTEMİNİN GELİŞTİRİLMESİ

Abstract

Yapay zeka uygulamalarının hızlı gelişimi, özellikle İHA'lar (İnsansısı Hava Araçları) ve otonom uçuş algoritmaları alanında önemli yenilikler getirmiştir. Ancak, İHA teknolojisi üzerinde çalışan şirketler, İHA'ların iniş ve yaklaşma sırasında çarpışma sorunları nedeniyle teslimat için kullanımlarında zorluklarla karşılaşmaktadır. Bu sorunlar, kalabalık veya karmaşık ortamlarda iniş yapmanın zorluğundan kaynaklanmaktadır. Bu tez çalışması, iniş yerini doğru ve gerçek zamanlı olarak bulmak için bilgisayarla görme ve derin öğrenme tekniklerini kullanan yeni bir yaklaşım sunmaktadır. Bu amaçla, WEBOTS robot simülasyon ortamında birçok engel ve nesne içeren bir ortam tasarlanmış ve Mavic 2 Pro İHA kullanılmıştır. YOLOv8 (You Only Look Once) algoritması, iniş pistinin şehrin gerçek ortamından, internetten ve önerilen simülasyon ortamından alınan görüntülerini tanımak üzere eğitilmiştir. Eğitilen model, İHA'nın kontrol koduna entegre edilmiştir. Bu sayede İHA, karmaşık bir ortamda iniş pistini kendi kendine tanıyabilmiş ve algoritma ile bilgisayarla görme tekniklerine dayanarak doğru bir şekilde iniş yapabilmiştir. Çalışma, simüle edilen ortamdaki çoğu deneyde iniş alanını %95'ten fazla doğrulukla belirlemede başarılı sonuçlar elde etmiştir. Bu tez çalışması, otonom uçuşun karşılaştığı birçok engel ve zorluğun çözümüne katkı sağlayabilecek bir yaklaşım sunmaktadır ve özellikle gerçek dünya uygulamaları için uygun bir çözüm olarak önerilmektedir.

The rapid development of artificial intelligence applications has brought significant innovations, particularly in the field of UAVs and autonomous flight algorithms. However, companies working on UAV technology face challenges in using UAVs for delivery due to collision issues during approach and landing. These problems stem from the difficulty of landing in crowded or complex environments. This thesis presents a new approach that uses computer vision and deep learning techniques to accurately and in real-time identify landing sites. For this purpose, an environment with numerous obstacles and objects was designed in the WEBOTS robot simulation environment, and a Mavic 2 Pro UAV was used. The YOLOv8 algorithm was trained to recognize images of the landing pad taken from real urban environments, the internet, and the proposed simulation environment. The trained model was integrated into the UAV's control code. This enabled the UAV to autonomously recognize the landing pad in a complex environment and land accurately based on the algorithm and computer vision techniques. The study achieved successful results in determining the landing area with more than 95% accuracy in most experiments conducted in the simulated environment. This thesis offers an approach that can contribute to solving many obstacles and challenges faced in autonomous flight and is presented as a suitable solution, particularly for real-world applications.