Development of deep learning based perception module for autonomous driving

Otonom araçlar, günümüzde güvenli, konforlu ve sürdürülebilir ulaşım çözümleri sunma potansiyeli sayesinde hızla gelişmekte ve geleceğin mobilite vizyonunu şekillendirmektedir. Otonom araçların temelini oluşturan yazılım ve donanım mimarisi; sensör donanımları, veri işleme altyapısı ve karar verme algoritmalarını içeren bütüncül bir yapıdan oluşmaktadır. Bu mimaride LiDAR, kamera ve RADAR gibi sensörlerin entegrasyonu ve yüksek hesaplama kapasiteli işlemciler, çevresel algılamanın doğruluğunu doğrudan etkilemektedir. Otonom sistemlerde en kritik katmanlardan biri olan algılama katmanı, çevredeki nesneleri doğru ve hızlı şekilde tespit ederek sürüş kararlarının temelini oluşturur. Bu katmanın başarımı; kullanılan sensörlerin çözünürlüğü, kanal sayısı, veri işleme teknikleri ve öğrenme algoritmalarının başarısına bağlı olarak şekillenir. Ancak, derin öğrenme tabanlı 3B nesne tespiti modelleri, eğitim ve test veri kümeleri arasındaki farklılıklardan kaynaklanan alan farkı (domain shift) nedeniyle farklı senaryolarda ciddi performans düşüşleri yaşamaktadır. Bu çalışmada, alan farkı problemini çözmek amacıyla altı farklı modern alan adaptasyonu yöntemi (UDA, Bi3D, CLUE, ST3D, SESS ve Uni3D) sistematik olarak değerlendirilmiş ve karşılaştırılmıştır. Çalışmalarda, açık (public) veri kümeleri olan Waymo ve nuScenes'in yanı sıra, KARSAN prototip otonom minibüsü ile toplanan yüksek çözünürlüklü gerçek dünya veri seti ve farklı LiDAR konfigürasyonlarına sahip özel bir simülasyon veri seti kullanılmıştır. Deneysel sonuçlar, SESS ve Uni3D yöntemlerinin, alan farkına bağlı performans kayıplarını önemli ölçüde azalttığını ve yüksek genel doğruluk elde ettiğini ortaya koymuştur. Ayrıca, LiDAR çözünürlüğü ve kanal sayısının performans üzerindeki etkileri detaylı şekilde analiz edilerek sensör konfigürasyonlarının sistem başarımına katkıları gösterilmiştir. Sonuç olarak, bu tez çalışması, otonom araçlarda güvenli ve genellenebilir algılama katmanı geliştirilmesine katkı sağlayacak kapsamlı bir alan adaptasyonu kıyaslaması sunmaktadır. Bulguların, hem akademik araştırmalarda hem de endüstriyel uygulamalarda önemli pratik faydalar sunacağı öngörülmektedir.