YATAY KURPLARDA TAŞIT STABİLİTESİNİN MAKİNE ÖĞRENMESİ İLE MODELLENMESİ

Abstract

Yol ekseninin doğrultusunu değiştirmek için kullanılan yatay kurplar, taşıtların ani hız ve yön değiştirmeleri gereken taşıt stabilitesi ve trafik güvenliği bakımından oldukça önemli yol kesimleridir. Bu nedenle, kurba giren araçların devrilme ve savrulma hızlarının doğru tespit edilmesi taşıt stabilitesi açısından oldukça kritiktir. Bu parametreler, taşıtın mevcut yol koşulları için güvenli olarak kurplarda hangi hızla dönebileceğini ve ne kadar enine eğimli yüzeylerde dengede kalabileceğini belirler. Bu çalışmada, deversiz yatay kurplarda farklı tür ve özelliklere sahip olan taşıtların devrilme ve savrulma hızlarını belirlemede makine öğrenmesi yöntemleri kullanılmıştır. Çalışma kapsamında, farklı araç tipleri, yol koşulları ve kurp özelliklerine göre çeşitli senaryolar içeren bir veri seti oluşturulmuştur. Bu veri seti, farklı araçların farklı koşullarda nasıl davrandığını anlamak için çeşitli senaryoları içermektedir. Bu veri seti makine öğrenmesi algoritmaları kullanılarak modellenmiş ve farklı senaryolar için geliştirilen modeller ile taşıt stabilitesi tahminleri yapılmıştır. Veri setine uygulanan makine öğrenmesi modellerinden Polinom Regresyon modeli diğer modellere göre daha iyi sonuçlar vermiştir. Bu çalışma ile makine öğrenmesi modellerinin yatay kurplardaki taşıt stabilitesini değerlendirmek için kullanılabileceği gösterilmiştir. Bu yöntem, daha güvenli bir sürüş sunmak için otonom ve sürücü destekli sistemlerde de kullanılabilir. Otonom araçlar için bu tür bir modelleme, araçların çevresel koşullara daha hızlı ve hassas bir şekilde tepki vermesine olanak tanırken, daha güvenli ve verimli bir sürüş deneyimi sunabilir. Sonuç olarak, bu çalışmada makine öğrenmesi teknikleriyle yatay kurplardaki taşıt stabilitesinin hızlı bir şekilde değerlendirilebileceği ve bu yöntemin sürücü destekli ve otonom sistemlerin geliştirilmesinde kullanılabileceği anlaşılmıştır.

Keywords

• Taşıt Dinamiği
• Makine Öğrenmesi
• Kurp
• Savrulma
• Devrilme

MODELLING VEHICLE STABILITY AT HORIZONTAL CURVES USING MACHINE LEARNING

Abstract

Horizontal curves deflect road alignment in horizontal plane and are critical sections of the road in terms of vehicle stability and traffic safety. Therefore, accurate calculation of the rollover and skidding speeds of vehicles entering these curves is essential for maintaining vehicle stability. These parameters determine how quickly a vehicle can safely negotiate horizontal curves under current road conditions and how well it can remain in balance on transversely inclined surfaces. In this study, machine learning methods were employed to determine the rollover and skidding speeds of various types of vehicles on horizontal curves. A dataset was created containing various scenarios based on different vehicle types, road conditions, and curve characteristics. This dataset helps understand how different vehicles behave under varying conditions. Machine learning algorithms were used to model this dataset, and vehicle stability predictions were made for different scenarios. Among the machine learning models applied to the dataset, the Polynomial Regression model produced better results than the other models. This study demonstrates that machine learning models can effectively evaluate vehicle stability on horizontal curves. This method can also be utilized in autonomous and driver-assisted systems to enhance safe driving. For autonomous vehicles, such modelling could enable quicker and more precise reactions to environmental conditions, providing a safer and more efficient driving experience. In short, the present study illustrates that machine learning techniques can rapidly evaluate vehicle stability on horizontal curves and can be instrumental in developing driver-assisted and autonomous systems.

Keywords

• Vehicle Dynamics
• Machine Learning
• Horizontal Curves
• Sliding
• Rollover

References

1. [1] N. Yayla, Karayolu Mühendisliği, Birsen Yayınevi, İstanbul, (2009).
2. [2] B. Gunay, Sliding and Rollover on Highways - Subtleties to Note, The Turkish Chamber of Civil Engineers (Teknik Dergi), 33 (4) (2022) 12329-12334.
3. [3] Y.S. Murat, Ulaştırma-1 Ders Notları, Pamukkale Üniversitesi, Denizli, (2020).
4. [4] R. Lamm, B. Psarianos, T. Mailaende, Highway Design and Traffic Safety Engineering Handbook, NY: McGraw-Hill, New York, 848p, (1999).
5. [5] M. Rogers, Highway Engineering, Oxford, UK, Blackwell Science, (2003).
6. [6] P.A. Tipler, G. Mosca, Physics for Scientists and Engineers, 6th ed. W.H. Freeman and Company, New York, (2007).
7. [7] J.L. Meriam, L.G. Kraige, Engineering Mechanics: Dynamics. 6th ed. John Wiley & Sons, Hoboken, (2007).
8. [8] C.A. O'Flaherty, Highways. Traffic Planning and Engineering. 3rd ed. Edward Arnold, London, UK, (1986).

9. [9] T.D. Gillespie, Fundamentals of Vehicle Dynamics. Society of Automotive Engineers, Warrendale, PA, (1992).
10. [10] Z. Jin, B. Li, J. Li, Dynamic Stability and Control of Tripped and Untripped Vehicle Rollover. Synthesis Lectures on Mechanical Engineering.Morgan & Claypool Publishers, San Rafael, CA, (2019).
11. [11] Q. Zou, H. Jiang, Q. Dai, Y. Yue, L. Chen, Q. Wang, Robust lane detection from continuous driving scenes using deep neural networks. IEEE Transactions on Vehicular Technology, 69 (1) (2020) 41–54.
12. [12] A. Balasubramaniam, S. Pasricha, Object Detection in Autonomous Vehicles, Status and Open Challenges, (2022).
13. [13] Q. Liu, X. Li, S. Yuan, Z. Li, Decision-Making Technology for Autonomous Vehicles: Learning-Based Methods, Applications and Future Outlook. In 2021 IEEE International Intelligent Transportation Systems Conference (ITSC), IEEE Press, (2021) 30–37.
14. [14] K. Hornik, M. Stinchcombe, H. White, Multilayer feedforward networks are universal approximators. Neural Networks, 2 (5) (1989) 359–366.
15. [15] Y.S. Murat, Comparison of Fuzzy Logic and Artificial Neural Networks Approaches in Vehicle Delay Modeling. Transportation Research Part C-Emerging Technologies, 14 (1) (2006) 316–334.
16. [16] F. Pedregosa et al, Scikit-learn: Machine learning in Python, Journal of Machine Learning Research, 12 (Oct) (2011) 2825–2830.
17. [17] A. Paszke et al, PyTorch: An Imperative Style, High-Performance Deep Learning Library. In Advances in Neural Information Processing Systems, Curran Associates Inc, 32 (2019) 8024–8035.
18. [18] J. Hunter, Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9 (3) (2007) 90-95.