Derin Öğrenme Algoritmaları ile Otonom Araçların Görme Algılarının Geliştirilmesinde Yeni Bir Yaklaşım

Abstract

Bu çalışma, otonom araçların yol yüzeyi algısının geliştirilmesi ve özellikle çukur tespitinde karşılaşılan zorlukların aşılmasına yönelik yenilikçi bir derin öğrenme yaklaşımını ele almaktadır. Mevcut derin öğrenme modellerinin (CNN, vs.) sınırlılıkları literatürde tartışılırken, çalışmada Vision Transformer (ViT) ve Uzun Kısa Süreli Bellek (LSTM) modellerinin hibrit bir yapı altında entegrasyonu önerilmiştir. Geliştirilen model, farklı aydınlatma, perspektif ve yol yüzeyi koşullarını içeren çeşitli veri setleri üzerinde eğitilmiş ve veri artırma teknikleri ile desteklenmiştir. Deneysel sonuçlar, hibrit modelin çukur tespitinde yüksek doğruluk (%94.2) ve yüksek kesinlik (%99.17) ve yüksek bir duyarlılık (%90.61) sağladığını, bu sayede otonom sürüş sistemlerinin çevresel algısını ve yol güvenliğini artırmada etkili bir çözüm sunduğunu ortaya koymaktadır.

This study addresses the enhancement of visual perception in autonomous vehicles, focusing specifically on the detection of road potholes. While the limitations of conventional deep learning models (e.g., CNNs) are well documented in the literature, this research proposes a novel hybrid approach that integrates Vision Transformer (ViT) and Long Short-Term Memory (LSTM) networks. The developed model is trained and validated on diverse datasets comprising images captured under various lighting conditions, perspectives, and road surface types, supported by advanced data augmentation techniques. Experimental results demonstrate that the hybrid model achieves high accuracy (94.92%), high precision (99.17%) and high recall (90.61%) in potholes detection, offering an effective solution to improve the environmental perception and road safety of autonomous driving systems.