Otonom araç tasarımı için gerçek zamanlı benzetim ortamı mimarisi

Otonom sürüş için önerilen çeşitli yaklaşımlar temelde bir görüntü işleme ve bir makine öğrenmesi sürecini içermektedir. Bu süreçlerin başarıya ulaşması için uygun görüntü işleme tekniklerinin ve kapsamlı bir veri setinin kullanılması son derece önemlidir. Bununla birlikte, gerçek dünyada uygulanabilir bir model ortaya koymak adına, önerilen modelin gerçek zamanlı çalışması gerekir. Öte yandan, bir otonom araç modelinin tasarlanması, imalatı ve test süreçleri ciddi donanım maliyetleri ile sonuçlanmaktadır. Ayrıca, yeni yaklaşımların geliştirilmesi ve uygulanması için ciddi donanım değişikliklerine ihtiyaç duyulması durumunda, tasarım ve imalat süreçlerinin tekrarlanması gerekmektedir. Bu bağlamda, gerçek zamanlı bir benzetim mimarisinden faydalanmak, modelin daha az maliyetle bir ön doğrulaması için uygun bir yaklaşımdır. Bu yüzden, bu çalışmada, bir otonom sürüş modelini sınamak üzere, Unity kütüphanesi ve gerekli diğer bileşenler ile gerçek zamanlı bir benzetim ortamı mimarisi önerilmektedir. Ayrıca, şerit takip ve nesne tanıma yaklaşımlarının uygun bir bileşimin içeren bir otonom sürüş modeli tanıtılarak, önerilen benzetim mimarisinde hazırlanan bir parkur üzerinde, bir otonom araç benzetimi oluşturulmaktadır. Son olarak, literatürde yer alan bir veri seti üzerinde, evrişimsel sinir ağları tabanlı YOLO algoritması versiyonları ile önerilen benzetim mimarisinin uygulanabilirliği sınanmaktadır. Çalışmadan elde edilen bulgular göz önüne alındığında, otonom sürüş modeline sahip bir araç benzetiminin, önerilen sistem mimarisinde başarılı bir şekilde sınandığı savunulmaktadır.

Anahtar Kelimeler:

Benzetim Ortamı Mimarisi;, Nesne Tanıma Algoritması, Otonom Araç, Unity Kütüphanesi

A real-time simulation environment architecture for autonomous vehicle design

Various approaches proposed for autonomous driving basically involve an image processing and a machine learning process. It is extremely important to use appropriate image processing techniques and a comprehensive data set for the success of these processes. Moreover, in order to present a model that can be applied in the real world, the proposed model must work in real-time. On the other hand, the design, manufacture and testing processes of an autonomous vehicle model result in serious hardware costs. In addition, the design and manufacturing processes need to be repeated if serious hardware changes are required to implement and deploy new approaches. In this context, utilizing a real-time simulation environment can be seen as a suitable approach for a less costly pre-validation of such models. Thus, in this study, a real-time simulation architecture is developed with Unity framework and other necessary components to test an autonomous driving model. In addition, an autonomous driving model that includes a suitable combination of lane tracking and object recognition approaches is proposed, and an autonomous vehicle simulation is created on a track prepared in the proposed simulation environment architecture. Finally, the feasibility of the proposed simulation architecture is tested with the convolutional neural networks based YOLO algorithm versions on a data set in the literature. Considering the findings obtained from the study, it is argued that a vehicle simulation with an autonomous driving model has been successfully tested in the proposed system architecture.

Keywords:

Autonomous Vehicle, Object Recognition Algorithm, Simulation Environment Architecture, Unity Framework,

PDF

___

Ali A., Lateef N. A., Shabnam G., SeyedAli G., Ali S. Users, planners, and governments perspectives: A public survey on autonomous vehicles future advancements. Transportation Engineering, 3, 100044, 2021.
Faisal, A., Yigitcanlar, T., Kamruzzaman, M., Currie, G. Understanding autonomous vehicles: A systematic literature review on capability, impact, planning and policy. Journal of Transport and Land Use, 12, 2019.
Hancock, P., Nourbakhsh, I., Stewart, J. On the future of transportation in an era of automated and autonomous vehicles. Proceedings of the National Academy of Sciences, 116(16), 7684–7691, 2019.
Bingöl, M.S., Kaymak, Ç., Uçar, A. Derin Öğrenme Kullanarak Otonom Araçların İnsan Sürüşünden Öğrenmesi. Fırat Üniversitesi Müh. Bil. Dergisi, 31(1):177-185, 2019.
Aytaç, Z., İşeri, İ., Dandil, B. Trafik Hız Sınırlama Levhalarının Derin Öğrenme ile Sınıflandırılması. 516-519. 10.36287/setsci.4.6.147, 2019.
Çetinkaya, M., Acarman, T. Trafik İşaret Levhası Tespiti için Derin Öğrenme Yöntemi. Akıllı Ulaşım Sis-temleri ve Uygulamaları Dergisi, 3 (2), 140-157, 2020.
Laguna, R., Barrientos, R., Blázquez, L.F., Miguel, L.J. Traffic Sign Recognition Application Based on Image Processing Techniques. Proceedings of the 19th World Congress The International Federation of Automatic Control, August 24-29, Cape Town, South Africa, 2014.
Zhu, Z., Liang, D., Zhang, S., Huang, X., Li, B., Hu, S. Traffic-Sign Detection and Classification in the Wild. 2110-2118. 10.1109/CVPR.2016.232, 2016.
Rajendran, S., Shine, L., Pradeep, R.,Vijayaraghavan, S. Fast and Accurate Traffic Sign Recognition for Self Driving Cars using RetinaNet based Detector. In 2019 International Conference on Communication and Electronics Systems (ICCES), pp. 784-790, 2019.
Rajendran, S., Shine, L., Pradeep, R., Vijayaraghavan, S. Real-Time Traffic Sign Recognition using YOLOv3 based Detector. In 2019 10th International Conference on Computing, Communication and Networking Technologies (ICCCNT) pp. 1-7, 2019.
Artamonov, N., Yakimov, P. Towards Real-Time Traffic Sign Recognition via YOLO on a Mobile GPU. Journal of Physics: Conference Series, 1096, 012086, 2018.
Bounini, F., Gingras, D., Lapointe, V., Pollart, H. Autonomous Vehicle and Real Time Road Lanes Detection and Tracking. 1-6. 10.1109/VPPC.2015.7352903, 2015.
Fürst, J., Fierro, G., Bonnet, P., Culler, D. BUSICO 3D: building simulation and control in unity 3D. 326-327. 10.1145/2668332.2668380, 2014.
Goldstein, R., Khan, A. Simulation-Based Architectural Design. In S. Mittal, U. Durak, & T. Ören (Reds), Guide to Simulation-Based Disciplines: Advancing Our Computational Future (bll 167–182), 2017.
Nagpal, L., Jaglan, M., Kathait, A., Mathur, A., Vichare, A. SOUL: Simulation of Objects in Unity for Learning. 8-13. 10.1109/ICCT46177.2019.8968786, 2019.
So, H.Y., Chen, P., Wong, G., Chan, T. Simulation in medical education. Journal of the Royal College of Physicians of Edinburgh, 49, 52-57, 2019.
Shah, A., Mai, C. L., Shah, R., Levine, A. I. Simulation-Based Education and Team Training. Otolaryngologic clinics of North America, 52(6), 995–1003, 2019.
Kikolski, M., Study of Production Scenarios with the Use of Simulation Models. Procedia Engineering, 182, 321-328, 2017.
Rosique, F., Navarro, P., Fernández, C., Padilla, A. A Systematic Review of Perception System and Simulators for Autonomous Vehicles Research. Sensors, 19(3), 2019.
Tuncali, C., Fainekos, G., Ito, H., Kapinski, J. Simulation-based Adversarial Test Generation for Autonomous Vehicles with Machine Learning Components. In 2018 IEEE Intelligent Vehicles Symposium (IV), pp. 1555-1562, 2018.
Solmaz, Ö., Özçevik, Y, Baysal, E., Ökten, M., Panpallı, A. Gerçek Zamanlı Simülasyonda Şerit Takibi için Otonom Araç Tasarımı, 2nd International Symposium on Automotive Science and Technology (ISASTECH), 310-316, 8-10 Eylül, Ankara, Türkiye, 2021.
Canny, J. A Computational Approach to Edge Detection. IEEE Trans. Pattern Anal. Mach. Intell., 8(6), 679–698, 1986.
Yasmina, D., Karima, R., Ouahiba, A. Traffic signs recognition with deep learning. In 2018 International Conference on Applied Smart Systems (ICASS), pp.1-5, 2018.
Yang, Y., Luo, H., Xu, H., Wu, F. Towards Real-Time Traffic Sign Detection and Classification. IEEE Transcations on Intelligent Transportation Systems, 17(7), 2022-2031, 2016.
Solmaz, Ö., Özçevik, Y, Baysal, E., Ökten, M., Çulha, A. Trafik Levhası Tanıma için Sokak Görüntüleri Kullanarak Veri Seti Oluşturma ve Sınama, 2nd International Symposium on Automotive Science and Technology (ISASTECH), 344-349, 8-10 Eylül, Ankara, Türkiye, 2021.