Elektrikli ve Otonom Araçlarda Makine Öğrenmesi Kullanarak Trafik Levhaları Tanıma ve Simülasyon Uygulaması

Öz

Trafik kazaları büyük oranda sürücü kusurlarından ve trafik kurallarına uyulmamasından kaynaklanmaktadır. Son yıllarda yapılan çalışmalar ile elektrikli ve otonom araç teknolojilerindeki gelişmeler çok hızlı bir şekilde ilerlemektedir. Geliştirilen sistemler ile sürücü kaynaklı kazaların önüne geçilmesi amaçlanmaktadır. Otonom araçlardaki en temel problem ise gerçek zamanlı olarak hareket ederken trafik işaret ve işaretçilerinin tanımlanmasıdır. Otonom araçlarda kullanılan sensör ve kamera gibi algılayıcılardan gelen verilerin kurulan algoritmalar ile anlamlı sonuçlara dönüştürülmesi sağlanmaktadır. Bu sayede aracın sürücüden bağımsız olarak trafik kurallarına uygun şekilde hareket etmesi hedeflenmektedir. Bu çalışma kapsamında Türkiye’de kullanılan trafik işaret ve işaretçileriyle ilgili veriler toplanarak altı levhaya ait farklı veri setleri oluşturulmuştur. Haarcascade makine öğrenmesi algoritması ile veri seti dâhilinde eğitimleri gerçekleştirilmiştir. Haarcascade yöntemi ile eğitimi gerçekleştirilen levhalar üç boyutlu simülasyon ortamında oluşturulan parkur üzerinde tanımlanmıştır. Parkur üzerinde otonom aracın davranışları simüle edilerek eğitim verileri test edilmiştir. Bu veriler ile simülasyon ortamında otonom aracın hareket kontrolü başarılı bir şekilde gerçekleştirilmiştir.

Anahtar Kelimeler

• Haarcascade
• otonom araç
• levha tanıma
• makine öğrenmesi
• elektrikli araba

Traffic Sign Recognition and the Application of Simulation Using Machine Learning in Electric and Autonomous Vehicles

Öz

Traffic accidents are substantially caused by driver faults and breaking the rules. With the studies conducted in recent years, developments in electric and autonomous vehicle technologies are progressing very rapidly. By the systems developed, it is aimed to prevent the driver-induced accidents. The main problem in autonomous vehicles is the recognition of traffic signs and markers while running in real time. The data from the sensors and cameras used in autonomous vehicles are transformed into meaningful results with established algorithms. In this way, it is aimed that the vehicle will act in accordance with the traffic rules, independent of the driver. Within the scope of this study, the data of traffic signs and markers used in Turkey were collected and different data sets of six signs were created. Using these data sets, trainings were carried out via Haarcascade machine learning algorithm. The traffic signs trained via the Haarcascade method were defined on the track created in a three-dimensional simulation environment. Training data were tested by simulating the behavior of the autonomous vehicle on the track. In the simulation environment, the motion control of the autonomous vehicle was successfully performed by this data.

Anahtar Kelimeler

• Haarcascade
• autonomous vehicle
• recognition of traffic signs
• machine learning
• electric vehicles

Kaynakça

1. 1. Yakıştıran, Ö, Yaz M.“Bir Aracın Hareket Yönüne Konumlanmasının Bulanık Mantık İle Gerçekleştirilmesi” El-Cezerî Fen ve Mühendislik Dergisi 2020, 7, 1;1-8.
2. 2. Aylak, B. L, Oral, O., Yazıcı, K. “Using Artificial Intelligence and Machine Learning Applications in Logistics, ” El-Cezerî Journal of Science and Engineering, 2021, 8 (1); 74-93.
3. 3. Litman T. "Autonomous Vehicle Implementation Predictions Implications for Transport Planning". Traffic Technology International, 2020, 1-38.
4. 4. Nennioğlu A.K, Köroğlu T. “Otonom Araçlarda Hareket Planlanması”, Adana Bilim ve Teknoloji Üniversitesi Fen Bilimleri Dergisi, 2018, 1(2), 20-29.
5. 5. Gomez V, “Object detection for autonomous driving using deep learning”. PhD Thesis, Universitat At Politecnica De Catalunya, Automatica Robotica I Visio, Barcelona, 2015.
6. 6. Bingöl M.S, Kaymak Ç, Uçar A. “Derin Öğrenme Kullanılarak Otonom Araçların İnsan Sürüşünden Öğrenmesi”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 2019, 31(1), 177-185.
7. 7. Fleyeh H. "Color detection and segmentation for road and traffic signs". IEEE Conference on Cybernetics and Intelligent Systems, Singapore, 1-3 December 2004.
8. 8. Houben S, Stallkamp J, Salmen J, Schlipsing M, Igel C. "Detection of traffic signs in real-world images: The German traffic sign detection benchmark". The 2013 International Joint Conference on Neural Networks, Dallas, USA, 1-8 August 2013.

9. 9. Mehdi F, Sedigheh G. ”Traffic Road Sign and Classification”, Majlesi Journal Of Electrical Engineering, 4 (23), 54 - 62, 2012.
10. 10. Liu C, Li S, Chang F, Wang Y. "Machine Vision Based Traffic Sign Detection Methods: Review, Analyses and Perspectives". IEEE Access, 2019, vol. 7, pp 86578-86596.
11. 11. Karaimer H. C, Baştanlar Y. “Haar-Benzeri Öznitelikler ve Basamaklı Hızlandırma Kullanarak Tüm yönlü Kameralar ile Binek Araç Tespiti”, IEEE Conference on Signal Processing and Communications Applications, Trabzon, Türkiye, 23-25 April 2014.
12. 12. Ćorović A, Ilić V, Ðurić S, Marijan M, Pavković B. "The Real-Time Detection of Traffic Participants Using YOLO Algorithm". 2018 26th Telecommunications Forum (TELFOR), Belgrade, pp. 1-4, 2018.
13. 13. De Feo F, De Luca P. “Face Detection with a portable architecture in Real Time”,Preprints, 2019.
14. 14. Kaplan A. “Gerçek ve Yarı Zamanlı Yüz Tespit Etme”. Yüksek Lisans Tezi, Fırat Üniversitesi, Elâzığ, Türkiye, 2018.
15. 15. Viola P, Jones M. "Rapid object detection using a boosted cascade of simple features". Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Kauai, USA, pp. I-I, 2001.
16. 16. Balasubramanian M, Palanivel S, Ramalingam V. “Video-based person recognition using fovea intensity comparison code”. Behaviour & Information Technology, 2011, 30(6), 747-760.