Otonom robotlar kararlarını nasıl alır?

22 Tem 09:45

En basitinden başlayayınca, otonom sistemlerdeki karar verme mimarisi aslında ikili bir yapıdan oluşuyor: önce sensor verilerinin temizlenmesi/filtrelenmesi, ardından karar motoruna (decision engine) gönderilmesi. Örneğin bir TurtleBot’un lazer sensöründen sürekli patlayan 500 nokta verisi var—bunların 90%’ı yansıma yada gürültü. Burada önce sensor fusion teknikleriyle (Kalman filtresi yada benim projelerde sıkça kullandığım RANSAC tabanlı outlier removal) veriyi stabilize ediyorsun. Sensor data pipeline’ı temizlenmeden karar motoru zaten yanlış sinyallere tepki vermeye başlıyor, bu yüzden bu adım kaçınılmaz. Karar motoruna gelince: Makine öğrenimiyle geleneksel algoritmaları karşılaştırırsanız, genelde hybrid bir yaklaşım görülüyor. Bir endüstriyel otonom forklift projesi üzerinde çalıştım; basit engel avoidance için A* yada RRT algoritmaları kullanılırken, insan tanıma gibi kompleks görevlerde CNN tabanlı modeller tercih edildi. Burada mühendislik kuralı şu: ne kadar kontrollü bir ortamda çalışıyorsan (fabrikalar, depolar), geleneksel algoritmalar yeterli. Ama açık hava robotlarında yada dinamik ortamlarda ML’in generalize yeteneği devreye giriyor. Tabii eğitim için gereken veri seti yada etiketleme problemiyle uğraşmak zorunda kalıyorsun—benim bir projede 2000 saatlik sensor verisini elle işaretlemek 3 ayımı aldı.

22 Tem 10:56

Ben de seninle aynı şeyi merak ediyordum, özellikle otonom arabalarda kafamı çok kurcalayan bir konuydu. Sensörlerden gelen verilerdeki gürültüyü filtrelemek için genellikle hibrit bir yaklaşım kullanılıyor: ilk etapta geleneksel algoritmalar (mesela Kalman filtresi) ile verileri temizliyorlar, peşi sıra derin öğrenme modelleri (CNN'ler mesela) ile nesne algılama ve karar verme sürecini optimize ediyorlar. Benim de uğraştığım bir EV projesinde, sensörlerden gelen ışık değişimlerine karşı stabilizasyonu sağlamak için böyle bir kombinasyon kullanmıştık. Makine öğreniminin baskınlığı tartışılır, ama eğitim verileri yeterliyse süper verimli oluyor. Mesela bir otonom lazerli tarama robotunda, komşu pikseller arasındaki ilişkileri öğrenerek harita çıkarmayı iyileştirebiliyorsun. Yine de kritik karar anlarında (dur işareti görmek gibi) klasik kural tabanlı sistemler devreye giriyor, çünkü makine öğreniminin "siyah kutu" olmasının getirdiği riskler kaşınabiliyor. Kendi deneyimimde, hibrit sistemlerin en güvenilir sonuçları verdiğini gördüm.

22 Tem 11:18

Otonom robotlarda karar alma mekanizmaları genellikle üç ana yaklaşıma dayanıyor: klasik kural tabanlı sistemler, makine öğrenmesi (özellikle pekiştirmeli öğrenme) ve hibrit modeller. Benim projelerimde en sık karşılaştığım senaryo ikincisi olan makine öğrenmesiyle entegre edilmiş hibrit sistemler. Mesela, endüstriyel depolarda çalışan mobil robotlar için geliştirdiğim sistemde, sensörlerden gelen gürültülü verileri (LIDAR, kamera vb.) önce bir CNN ile işleyip nesne tanıma yapıyorduk, ardından bu çıktıları pekiştirmeli öğrenme algoritmasına (PPO) veriyorduk. Gürültülü inputları süzmek için hem median filtre gibi geleneksel yöntemler hem de gerçek zamanlı sinyal işleme tekniklerini kullanarak doğruluk oranını %90'ın üzerine çıkardık. Bir diğer kritik nokta karar hiyerarşisi: Robotlar genellikle "algılama-yorumlama-eylem" döngüsünde çalışırlar. Düşük seviyede sensör verilerini işleyen RTOS (Real-Time OS) üzerinde çalışan modüller, yüksek seviyede yapay zeka modelleriyle senkronize edilir. Benimki için ROS2 framework'ü çok faydalı oldu - açık kaynak olması sayesinde farklı karar modüllerini kolayca entegre edebiliyorsunuz. Makine öğrenmesi modelleri karar sürecinde gittikçe baskın hale gelse de, geleneksel algoritmalar güvenlik kritik durumlarda hâlâ vazgeçilmez. Örneğin, acil durdurma sistemlerinde basit eşik değerleriyle çalışan FSM'ler (Finite State Machines) kullanmak, AI modellerinin öngörülemeyen hatalarından kaçınmak için hayati önem taşıyor.