Otomatik sürüş teknolojisi, karmaşık ve sürekli değişen dünyayı gerçek zamanlı olarak anlama ve güvenli şekilde hareket etme zorluğuyla karşı karşıya. General Motors (GM), bu zorluğun üstesinden gelmek için geliştirdiği yapay zeka sistemleriyle özellikle nadiren karşılaşılan ve beklenmedik durumları çözmeyi hedefliyor. GM’ye göre, yol üzerindeki çoğu an tahmin edilebilir olsa da, güvenliği ve tam otonom sürüşü mümkün kılan gerçek sınav, “uzun kuyruk” olarak adlandırılan istisnai olaylarla başa çıkabilmekten geçiyor.
Araştırmanın odağında, sürücüsüz araçların karşılaşabileceği nadir ama kritik olayları tanıyıp doğru şekilde tepki verebilmesini sağlamak yer alıyor. Yolda aniden ortaya çıkan engeller, trafik işaretleri veya beklenmedik insan davranışları gibi durumlar, otonom sistemlerin güvenilirliğini ölçen zorluklar. GM’nin geliştirdiği teknoloji, bu olayları gerçek dünyaya uygun ve yüksek hızda simülasyonlarla analiz ederek derinlemesine öğrenmeyi mümkün kılıyor. Bu sayede gerçek hayatta denemesi tehlikeli olan senaryolar sanal ortamda çok daha güvenli test edilebiliyor.
GM’nin yaklaşımının temelinde, “Vision Language Action (VLA)” modelleri bulunuyor. Bu teknoloji, aracın kameralarından gelen görüntüleri anlamlandırmakla kalmıyor, aynı zamanda trafik işaretleri ve insan hareketleri gibi karmaşık durumları da yorumlayabiliyor. Örneğin, bir polis memurunun el işaretini kırmızı ışığa rağmen algılayıp uygun şekilde tepki verebiliyor. Ayrıca sistem, araç hareketlerini neden yaptığına dair açıklamalar üretebiliyor; bu da mühendislerin ve güvenlik uzmanlarının sürüş kararlarını anlamasını kolaylaştırıyor.
Ancak bu kadar karmaşık bir yapay zeka sisteminde hız kritik bir faktör. GM, tepki sürelerini optimize etmek için çift frekanslı bir model geliştiriyor. Büyük ve detaylı model aracın genel durum analizi yaparken, daha küçük ve hızlı model direksiyon ve fren gibi ani hareketleri yönetiyor. Böylece hem detaylı düşünce yürütme sağlanıyor hem de araç güvenli sürüş için hızlı kararlar verebiliyor.
GM, ayrıca “Seed-to-Seed Translation” teknolojisiyle gerçek dünyadaki verileri farklı hava koşullarına dönüştürerek eğitim verisi çeşitliliğini artırıyor. Bu yöntemle, güneşli bir çekim yağmurlu ya da sisli gece koşullarına dönüştürülüp, aracın değişen koşullara adaptasyonu sağlanıyor. Bunun yanı sıra “GM Gym” adlı simülasyon ortamı sayesinde milyonlarca kilometrelik sürüş verisi sanal ortamda hızlandırılmış şekilde işleniyor. Bu yüksek hızlı eğitim, aracın karmaşık trafik senaryolarını hiç durmadan öğrenmesini mümkün kılıyor.
Sürüş güvenliğini artırmak için GM’nin geliştirdiği bir diğer önemli yöntem ise “SHIFT3D” isimli pipeline. Bu teknoloji, yapay zekayı kandırmak üzere özel olarak tasarlanmış nesneler oluşturuyor ve sistemin bu zorlukları aşma yeteneği test ediliyor. Böylelikle zayıf noktalar önceden keşfedilip düzeltiliyor, kazaların önüne geçiliyor. Ayrıca “Epistemik belirsizlik başlığı” sayesinde sistem, karşılaştığı durumları anlama düzeyini değerlendirebiliyor ve karmaşık, anlaşılması güç olaylarda uyarı veriyor. Bu özellik mühendislerin daha etkili veri toplamalarını sağlıyor.
GM’nin sürdüğü bu kapsamlı strateji, otonom sürüşte kalan son yüzde birlik zorlukları aşmayı hedefliyor. Araştırmada hâlâ cevaplanmayı bekleyen sorular bulunuyor. İnsan sürücüler gibi davranmayı sağlayan yapay zekayı nasıl optimize ederiz? Gerçek sürüş verilerini simüle edilmiş örneklerle nasıl en verimli şekilde birleştiririz? Yeni ve güvenlik açısından kritik yol senaryolarını nasıl yaratabiliriz? Bu soruların yanıtları, sürücüsüz araçların geleceğini şekillendirecek.
General Motors, geliştirdiği simülasyonlar ve yapay zeka modelleriyle sadece test yapmıyor; aynı zamanda gerçek yol koşullarında güvenli, yenilikçi ve ölçeklenebilir bir otonom sürüş teknolojisi inşa ediyor. Bu çalışmalar, sürücüsüz araçların günlük kullanımda karşılaşacağı zorlukları aşması için kritik bir adım olarak görülüyor ve geleceğin ulaşım sistemlerinde devrim yaratma potansiyeline sahip.
📎 Kaynak: spectrum.ieee.org
