Derin Takviyeli Öğrenme Tabanlı Otonom Sürüş

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Bursa Uludağ Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, Bilgisayar Mühendisliği, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: Mehmet Yaşar Osman Özturan

Danışman: Ahmet Emir Dirik

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Otonom araçlar, trafik güvenliğini artırmak, insan hatalarını azaltmak ve ulaşımda süreklilik sağlamak gibi hedeflerle, günümüzde önemli bir araştırma alanı haline gelmiştir. Ancak mevcut otonom sürüş sistemleri, çoğunlukla önceden tanımlanmış kurallara ve klasik algoritmalara dayandıkları için, insan sürücüler kadar esnek ve doğal kararlar alma konusunda yetersiz kalmakta; bu da öngörülebilirlik ve güvenlik açısından sorun yaratmaktadır. Özellikle insan benzeri sürüş davranışlarının modellenmesi; yol takibi, çevresel etkileşim, konforlu manevra üretimi ve güvenli sürüş performansı açısından büyük önem taşımaktadır. Bu tez çalışmasında, insan benzeri pürüzsüz sürüş davranışını hedefleyen, derin takviyeli öğrenme tabanlı modüler bir otonom sürüş mimarisi geliştirilmiştir. Sistem; bilgi çıkarımı, karar verme, aksiyon filtreleme gibi işlevsel bileşenlerin ayrıldığı, esnek modüllerden oluşmakta ve hiyerarşik bir akış sergilemektedir. Sensör verileri, oto-kodlayıcılar kullanılarak düşük boyutlu temsillere dönüştürülmüş ve araç dinamikleriyle birlikte karar ve kontrol modülüne aktarılmıştır. Sistemin karar ve kontrol mekanizması, Soft Aktör-Kritik (SAC) algoritması ile eğitilmiş olup, ajanın daha pürüzsüz ve doğal manevralar üretmesi amacıyla çeşitli aksiyon filtreleme teknikleri entegre edilmiştir. Simülasyon sonuçları, önerilen yaklaşımın insan benzeri, pürüzsüz ve güvenli sürüş davranışları elde etmede etkili olduğunu göstermektedir.