Sürücüler ve otomobiller birbirlerini nasıl anlıyor?

"Uyarı, şimdi okumaya devam ederseniz, virajlı yolda mideniz bulanabilir. Beş dakika içinde otoyola çıkacağız ve her şey daha kolay olacak." Ya da: "Yağmur yağmak üzere ve otomatik sürüşü kapatmamız gerekiyor. Lütfen bir süreliğine kendi başınıza sürmeye hazır olun. Üzgünüm ama şimdilik dizüstü bilgisayarınızı güvenli bir yere koymanız gerekiyor. Önce güvenlik." Birkaç yıl içinde, otomobiller sürücülerle buna çok benzer bir şekilde iletişim kurabilir. Araçların otomasyonunun artmasıyla birlikte, insanlarla etkileşim biçimlerinin de yeniden düşünülmesi gerekiyor. Fraunhofer Optronik, Sistem Teknolojileri ve Görüntü Kullanımı Enstitüleri IOSB ve Endüstri Mühendisliği IAO'dan bir araştırma ekibi, KARLI projesinde Continental, Ford ve Audi'nin yanı sıra bir dizi orta ölçekli işletme ve üniversitenin de aralarında bulunduğu on ortakla birlikte bu görevi üstlendi. KARLI, geleceğin araçlarında "Uyarlanabilir, Duyarlı ve Seviye Uyumlu Etkileşim için Yapay Zeka" anlamına gelen Almanca bir kısaltmadır.

Günümüzde altı farklı otomasyon seviyesi arasında ayrım yapıyoruz: otomatik değil (0), destekli (1), kısmen otomatik (2), yüksek düzeyde otomatik (3), tam otomatik (4) ve otonom (5). "KARLI projesinde, iki ila dört arasındaki otomasyon seviyeleri için yapay zeka işlevleri geliştiriyoruz. Bunu yapmak için sürücünün ne yaptığını kaydediyor ve her seviye için tipik olan farklı insan-makine etkileşimleri tasarlıyoruz," diyor Karlsruhe'deki Fraunhofer Optronik, Sistem Teknolojileri ve Görüntü Kullanımı Enstitüsü IOSB'de proje koordinatörü olan Frederik Diederichs.

Farklı seviyelerde etkileşim
Otomasyon seviyesine bağlı olarak, sürücülerin ya yola odaklanmaları gerekir ya da başka şeylere odaklanabilirler. Direksiyonu tekrar ele almak için on saniyeleri vardır veya bazı durumlarda tekrar müdahale etmeleri gerekmez. Bu farklı kullanıcı gereksinimleri ve yol durumuna bağlı olarak farklı seviyeler arasında geçiş yapabilme yeteneği, her seviye için uygun etkileşimleri tanımlamayı ve tasarlamayı karmaşık bir görev haline getirmektedir. Buna ek olarak, etkileşim ve tasarım, sürücülerin rollerini doğru bir şekilde yerine getirebilmeleri için mevcut otomasyon seviyesinin her zaman farkında olmalarını sağlamalıdır.

KARLI projesinde geliştirilen uygulamaların üç ana odak noktası vardır: Birincisi, uyarılar ve bilgiler seviyeye uygun davranışı teşvik etmeli ve örneğin sürücünün dikkatini yola vermesi gereken bir anda dikkatinin dağılmasını önlemelidir. Bu nedenle kullanıcıya yönelik iletişim her seviyeye göre uyarlanır - görsel, akustik, dokunsal veya üçünün bir kombinasyonu olabilir. Etkileşim, performansı ve güvenilirliği ortaklar tarafından değerlendirilmekte olan yapay zeka ajanları tarafından kontrol edilmektedir. İkinci olarak, pasif sürüşün en büyük sorunlarından biri olan hareket hastalığı riskinin öngörülmesi ve en aza indirilmesi gerekiyor. İnsanların yüzde 20 ila 50'si hareket hastalığından muzdariptir. "Yolcuların aktivitelerini virajlı yollarda öngörülebilir hızlanmalarla eşleştirerek, yapay zeka doğru zamanda doğru yolculara hitap edebilir, böylece hareket hastalığını önleyebilir ve onlara mevcut aktivitelerine göre uyarlanmış ipuçları verebilir. Bunu, insanlar ve yapay zeka arasındaki etkileşimi uyarlamak için oluşturulmuş kullanıcı arayüzleri, kısaca "GenUIn" olarak bilinen şeyi kullanarak yapıyoruz" diye açıklıyor Diederichs.

Bu yapay zeka etkileşimi KARLI projesindeki üçüncü uygulamadır. GenUIn, bireysel olarak hedeflenmiş çıktılar üreterek, örneğin ortaya çıkması durumunda hareket hastalığının nasıl azaltılacağı hakkında bilgi sağlar. Bu ipuçları, sensörler tarafından kaydedilen mevcut faaliyetle ilgili olabilir, ancak aynı zamanda mevcut bağlamda mevcut olan seçenekleri de dikkate alırlar. Kullanıcılar ayrıca araçtaki tüm etkileşimi kişiselleştirebilir ve zaman içinde aşamalı olarak ihtiyaçlarına göre uyarlayabilir. Etkileşimde otomasyon seviyesi her zaman dikkate alınır: Örneğin, sürücü yola odaklanıyorsa bilgiler kısa ve tamamen sözlü olabilir veya araç o anda sürüşü yapıyorsa daha ayrıntılı olabilir ve görsel kanallar aracılığıyla sunulabilir.

Yapay zeka destekli çeşitli sensörler araçtaki faaliyetleri kaydeder ve bunların başında iç kameralardaki optik sensörler gelir. Otonom sürüşe ilişkin mevcut mevzuat, sürücünün sürüş yeteneğine sahip olduğundan emin olmak için bunları her durumda zorunlu kılıyor. Araştırmacılar daha sonra kameralardan gelen görsel verileri büyük dil modelleriyle birleştirerek görsel dil modelleri (VLM'ler) olarak bilinen modelleri oluşturuyor. Bunlar, (kısmen) otonom araçlardaki modern sürücü destek sistemlerinin araç içindeki durumları anlamsal olarak kaydetmesine ve bu durumlara yanıt vermesine olanak tanıyor. Diederichs, geleceğin aracındaki etkileşimi, arka planda kalan ancak bağlamı anlayan ve müşteriye hizmet sunan bir uşağa benzetiyor.

Anonimleştirme ve veri koruma
Frederik Diederichs, "Bu sistemlerin kabul görmesi için önemli faktörler arasında hizmet sağlayıcıya güven, veri güvenliği ve sürücüler için doğrudan fayda yer alıyor" diyor. Bu da mümkün olan en iyi anonimleştirme ve veri güvenliğinin yanı sıra şeffaf ve açıklanabilir veri toplamanın çok önemli olduğu anlamına geliyor. "Bir kameranın görüş alanında bulunan her şey değerlendirilmez. Bir sensörün kaydettiği bilgiler ve bunların ne için kullanıldığı şeffaf olmalıdır. Fraunhofer IOSB'deki Xplainable AI çalışma grubumuzda bunu nasıl sağlayacağımızı araştırıyoruz." Başka bir projede (Anymos) Fraunhofer araştırmacıları kamera verilerini anonimleştirmek, veri kullanımını en aza indirecek şekilde işlemek ve etkili bir şekilde korumak üzerinde çalışıyor.

Small2BigData ile veri verimliliği
Alman Federal Ekonomi ve İklim Eylem Bakanlığı (BMWK) tarafından finanse edilen araştırma projesinin bir diğer benzersiz satış noktası da veri verimliliğidir. "Small2BigData yaklaşımımız yalnızca deneysel olarak toplanan ve sentetik olarak üretilen az miktarda yüksek kaliteli yapay zeka eğitim verisi gerektiriyor. Bu, otomobil üreticilerinin sistemin kullanılabilmesi için seri çalışma sırasında daha sonra hangi verilerin toplanacağını bilmeleri için temel oluşturuyor. Bu, gerekli veri hacmini yönetilebilir bir seviyede tutuyor ve projenin sonuçlarını ölçeklenebilir hale getiriyor," diye açıklıyor Diederichs.

Kısa bir süre önce Diederichs ve ekibi, yolda 3. seviyede otomatik sürüşte kullanıcı ihtiyaçları hakkında daha fazla bilgi edinmek için bir Mercedes EQS'ye dayanan mobil bir araştırma laboratuvarını faaliyete geçirdi. Burada KARLI projesinden elde edilen bulgular pratikte test ediliyor ve değerlendiriliyor. Bu sayede ilk özellikler 2026 gibi kısa bir süre içinde seri üretim araçlarda kullanıma sunulabilecek. Uzman, "Alman üreticiler, otomatik sürüş söz konusu olduğunda uluslararası meslektaşlarıyla zorlu bir rekabet içindeler ve ancak otomobildeki kullanıcı deneyimini rekabetçi bir şekilde geliştirebilir ve bunu yapay zeka ile kullanıcı gereksinimlerine göre ele alıp uyarlayabilirlerse başarılı olacaklar" diyor. "Projemizin sonuçları bu konuda önemli bir rol oynayacak."

Yazar: 

Dipl.-Phys. Ulrich Pontes

Head of PR and Communications

Fraunhofer Institute of Optronics, System Technologies and Image Exploitation IOSB

Yayınlayan: 

Monika Landgraf
Bilim İletişimi Başkanı ve
Başkan Sözcüsü

Fraunhofer-Gesellschaft