UÇTAN UCA SÜRÜCÜSÜZ BİR ARACIN DERİN ÖĞRENME MODELLERİ İLE KONTROL EDİLMESİ

Abstract

ÖZET

Sürücüsüz araç günümüzde hem akademi hem de endüstride popüler bir araştırma alanıdır. Sürücüsüz araç çalışmalarında öğrenme genel olarak geleneksel mimari yaklaşımı kullanılarak yapılmasına rağmen derin öğrenmedeki ve sensör teknolojisindeki ilerlemeler ile uçtan uca öğrenme mimarisi yaklaşımı da popüler bir araştırma konusu olmuştur. Uçtan uca öğrenme mimarisi geleneksel öğrenme mimarisinin aksine sensör verilerinin doğrudan kontrol komutlarına eşler. Sensör verilerinin direksiyon açısı, araç hızı ve fren gibi kontrol komutlarına doğrudan eşlenmesi derin öğrenme veya pekiştirmeli öğrenme gibi yöntemler kullanılarak yapılmaktadır. Bu çalışmanın amacı gerçek dünyadan toplanmış bir veri seti ile derin öğrenme temelli uçtan uca öğrenim metodundan faydalanan sürücüsüz aracın kontrol edilmesidir. Bu çalışmada şehir içi sürüşler esnasında toplanmış gerçek dünya verilerinden oluşan DBNET veri seti kullanılmıştır. Sürücüsüz araç farklı derin öğrenme modelleri kullanılarak uçtan uca eğitim mimarisi ile eğitilmiş ve test edilmiştir. Çalışma kapsamında öncelikle derin öğrenme modellerinde kullanılacak kamera ve lidar verisi ile batch size boyutu belirlenmiştir. Sonrasında derin öğrenme modelleri ilk olarak sadece kamera verileri ile eğitilmiştir. Aynı eğitimler kamera ve lidar verileri ile tekrar gerçekleştirmiştir. Bu eğitimler sonucunda lidar verilerinin doğruluğa yaptığı olumlu katkı gözlemlenmiştir. Tahmin doğruluğunda kullandığımız tolerans değerinin eğitim esnasındaki etkisini incelemek için farklı derin öğrenme modelleri farklı tolerans değerleri ile eğitilip test edilmiştir. Ayrıca kullanılan derin öğrenme modelleri içinde uçtan uca öğrenme yönteminde en iyi sonuç veren model tespit edilmiştir. Son olarak ise off-road bir yolda kullanılan ikili semantik sınıflandırma yaklaşımının on-road bir yolda nasıl bir performans verdiği incelenmiştir. Batch size boyutu olarak 32 değeri bu çalışma için uygun batch size boyutu olarak belirlenmiştir. 940x400 piksel kamera verileri ve 16384 noktalı lidar verileri bu çalışma için uygun veriler olarak belirlenmiştir. Pilotnet derin öğrenme modelinin kullanılan modelleri içinde en iyi öğrenen model olduğu gözlemlenmiştir. On-road yolda yapılan ikili semantik yaklaşımının bu çalışma için kötü sonuçlar verdiği tespit edilmiştir. Tüm eğitim ve test sonuçları farklı çizelge ve şekillerle tartışılmış ve yorumlanmıştır.

ABSTRACT

Today the driverless vehicle is a popular research area in both academia and industry. Although learning in driverless vehicle research is generally done using the traditional architecture approach, the end-to-end learning architecture approach has also become a popular research topic with advances in deep learning and sensor technology. The end-to-end learning architecture synchronizes sensor data directly to control commands, unlike traditional learning architecture. Direct synchronization of sensor data to control commands such as steering angle, vehicle speed and braking is done using methods such as deep learning or reinforcement learning. In this study, the DBNET dataset consisting of real world data collected during urban driving was used. The driverless vehicle has been trained and tested with an end-to-end training architecture using different deep learning models. In this study, first of all, camera and lidar data to be used in deep learning models and batch size were determined. Afterwards, deep learning models were first trained with only camera data The same trainings were performed again with camera and lidar data. As a result of these trainings, the positive contribution of lidar data to accuracy was observed. Different deep learning models were trained and tested with different tolerance values in order to examine the effect of the tolerance value we use on the prediction accuracy during training. In addition, among the deep learning models used, the model that gave the best results in the end-to-end learning method was determined. Finally, it is examined how the dual semantic classification approach used on off-road road performs on-road. For this study, the Batch size size was set to 32. 940x200 pixel camera data and 16384 point lidar data were determined as suitable data for this study. It has been observed that the Pilotnet deep learning model is the best learning model among the models used. In the sematic approach, it has been determined that the binary semantic approach on the on road gives bad results for this study. All training and test results are discussed and interpreted with different tables and figures.