kamera kalibrasyonu - Ödev Yaptırma & Danışmanlık Merkezi

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Robotik Uygulamalarda ROS Kullanımı

İçerik Üreticisi — Sun, 05 Oct 2025 07:00:12 +0000

Robotik sistemler; algılama (perception), karar verme (planning), hareket (actuation) ve geri besleme (feedback) döngülerinden oluşan karmaşık, çok disiplinli yapılardır. Bu döngünün her adımında sensör füzyonundan gerçek zamanlı iletişime, yol planlamadan hareket kontrolüne kadar farklı yazılım ve donanım katmanları bir arada çalışmak zorundadır. Robot Operating System (ROS) tam da bu noktada, robot yazılımlarını modüler, yeniden kullanılabilir ve taşınabilir bileşenlere ayıran, geniş bir ekosistem ve metodoloji sunar. Bir işletim sistemi değildir; mesajlaşma katmanı, sürücü arabirimleri, görselleştirme, kayıt ve hata ayıklama araçları, simülasyon entegrasyonları, paket yönetimi, test çerçeveleri ve standartlaştırılmış arayüzlerden oluşan güçlü bir altyapıdır.

1) ROS/ROS 2 Ekosistemini Doğru Konumlandırmak

ROS; düğümler (nodes) arası yayınla–abone ol (pub/sub) iletişimi, servis ve eylem (action) çağrıları, parametreyönetimi, tf dönüşüm ağacı, launch sistemi, rqt/RViz görselleştirme araçlarını bir standarda bağlar. ROS 2 ile beraber altyapı DDS (Data Distribution Service) üzerine oturmuş, Gerçek Zamanlılık, QoS profilleri, çoklu platform ve güvenlik gibi konular birinci sınıf vatandaş hâline gelmiştir. Mühendislik bakışıyla: ROS, “sıfırdan tekerlek icat etmek” yerine yeniden kullanım ve bileşenleşmeyi teşvik eder; bu da ödev/proje süresini kısaltır, hataları azaltır.

Uygulama sezgisi: Mobil bir robotta lidar sürücüsü, IMU, tekerlek odometrisi, SLAM, yerelleşme, yol planlama ve kontrol modülleri ayrı düğümlerdir. ROS, aralarındaki veri akışını ve tip güvenliğini sağlar.

2) Düğümler, Topikler, Servisler ve Eylemler: Doğru İletişim Primitifini Seçmek

Topik: Sürekli veri akışı (ör. /scan, /camera/image). Düşük gecikmeli, kayıplara toleranslı yayınlar.
Servis: Soru–cevap (request–response) kalıbı; konfigürasyon veya anlık sorgular.
Eylem (Action): Uzun süren görevler (örn. “şu hedefe git”); iptal edilebilir ve ilerleme geri bildirimi sağlar.

Hata örneği: Hedefe gitmeyi servis ile yapmaya çalışmak, ilerleme ve iptali yönetmeyi zorlaştırır. Çözüm: Navigation 2’de zaten action tabanlı hedef istemesi vardır; buna uyun.

3) QoS ve DDS: Güvenilirlik–Gecikme Dengesini Kurmak

ROS 2’de iletişim QoS profilleri ile hassas ayarlanır. Reliability (reliable/best-effort), Durability (volatile/transient local), History (keep last/all), Depth gibi parametreler, lidar gibi yüksek bant genişlikli akışlarda paket kayıplarını azaltabilir ya da gereksiz tamponlamayı önleyebilir. Ödev bağlamında, “neden bu QoS?” sorusuna uygulama koşulu ile yanıt verin: Otonom sürüşte lidar için çoğu zaman best-effort yeterlidir; kontrol döngüsü komutlarında reliable tercih edilir.

Uygulamalı örnek: Bir AMR (autonomous mobile robot) hattında Wi-Fi darboğazlarında görüntü topiği best-effort; hedef komutu reliable; tf yayınları düşük derinlikle ayarlanarak gecikme minimize edilir.

4) tf ve Koordinat Çerçeveleri: Robotun “Beden Farkındalığı”

tf; robotun gövde (base_link), sensörler (lidar_link, camera_link), dünya (map) ve odom gibi çerçeveler arasındaki konum/dönüşimleri zaman etiketli olarak yayınlar. Yanlış kalibrasyon, tüm algı ve planlama yığınını bozar. Kalibrasyonlarda statik tf yayınları ve hassas ölçümler yapın; kamera–lidar dış yönelimini yanlış verirseniz, engeller haritada kayar, planlayıcı duvara “geçit” var sanır.

Vaka: Lidar’ı 5° yana yatık takan ekip, engelleri “eksen kaymış” görür; tf düzeltildiğinde yanlış yol planları kaybolur.

5) URDF/xacro ile Robot Modeli: Görselleştirme ve Dinamiklere Giriş

URDF robotun bağlantı–eklem yapısını, kütle–atalet özelliklerini, çarpışma/kabuk geometrisini tanımlar. xacro makroları tekrar kullanım sağlar; farklı varyantları kolayca üretirsiniz. Manipülatörlerde doğru eksen yönleri ve eklem sınırlarıMoveIt ve kontrol katmanlarını doğrudan etkiler. Mobil robotlarda tekerlek yarıçapı, taban ofsetleri, sensör konumları odometri ve algıyı kalibre eder.

Uygulama: URDF’de lidar’ın z ofseti yanlışsa, SLAM haritası katman katman kayar. URDF doğrulama için RViz ve “fake hardware” ile görsel kontrol yapın.

6) ros2_control ve Donanım Soyutlama: Sürücülerden Bağımsız Kontrol

ros2_control; sürücüden bağımsız hardware interface ve controller kavramları ile manipülatörlerin eklem kontrolünü, mobil robotların diferansiyel/ackermann kinematiğini soyutlar. Aynı denetleyici, farklı markalarda çalışır. Controller Manager ile hız/konum/çaba kontrol modları ve joint_state_broadcaster gibi bileşenler devreye alınır.

Derin not: Gecikme kritikse, kontrol düğümünü robot üzerinde çalıştırıp sensörleri edge’e yayınlayın; cloud yalnızca yüksek seviyeli planlama yapsın.

7) SLAM ve Yerelleşme: Haritadan Konuma

SLAM (eşzamanlı yerelleşme ve haritalama) ve yerelleşme için ROS’ta pek çok seçenek vardır: slam_toolbox, Cartographer, görsel SLAM’ler (VINS-Fusion vb.). Kapalı depolarda lidar tabanlı SLAM çoğu zaman en stabil çözümdür. Harita üretildikten sonra AMCL gibi parçacık filtreleriyle yerelleşme yapılır.

Örnek olay: Depoda dar raf aralıklarında cam yüzeyler lidar yansımalarıyla “hayalet engeller” üretiyor. Çözüm: Lidar filtreleri (range/ intensity), hız sınırları ve en önemlisi SLAM parametrelerinde skan eşleştirme ağırlıklarının raf yönüne göre ayarı.

8) Navigation 2 (Nav2): Uçtan Uca Otonom Gezinme Boru Hattı

Nav2; davranış ağaçları (BT), global/local planner’lar, costmap katmanları, recovery davranışları ve denetleyiciler(DWB, TEB vb.) ile komple bir gezinme yığını sunar. Doğru inflation yarıçapı, obstacle layer parametreleri, voxelayarları ve footprint tanımı sahadaki başarının anahtarıdır.

Uygulama önerisi: İlk saha devreye almada hızları sınırlı, ivmeleri düşük tutun; “yumuşak başlangıç” profilinde costmap ayarlarını gözlemleyerek artırın.

9) MoveIt ile Manipülasyon: Kinematikten Yol Planlamaya

MoveIt, manipülatörler için kinematik çözücüler, çarpışmasız planlama, yol üretimi ve kontrol köprüsü sağlar. Planning Scene’e çevresel engelleri eklemek, tutma–bırakma senaryolarında başarıyı belirgin artırır. Gripper kuvvet profilleri, uç efektör ofsetleri ve hedef pozu toleransları gerçek dünyada milimetre hassasiyetle oynar.

Vaka: Pick-and-place hattında objeyi ısıya bağlı esneme yüzünden kavramada kaçıran kol, pose toleranslarını gevşetip grasp approach mesafesini artırınca %90→%98 başarıya çıkar.

10) Algı (Perception): Kamera, LiDAR, PCL ve Derin Öğrenme

ROS; image_transport, camera_info, PointCloud2, vision_msgs gibi standart mesajlarla OpenCV/PCL/DNN modellerini bir araya getirir. Endüstriyel sahada aydınlatma ve yansımalar en büyük düşmandır. Kamera dış yöneyi (extrinsic) bozuksa, 3B algı haritaya “eğik” düşer. Kalibrasyon ve zaman damgası senkronizasyonu (message_filters) ile algı–tf tutarlılığı sağlanır.

Uygulama: Konvolüsyonel bir nesne algılayıcıyı doğrudan kullanmak yerine, üretim çizgisinde ROI sınırlayıphızlandırın; gereksiz pikseli ağdan esirgemek FPS’i ikiye katlar.

11) Sensör Füzyonu ve Odometriler: IMU, Wheel Odometry, GPS

Farklı gürültü profillerine sahip odometri kaynaklarını birleştirmek, drift ve sıçrama problemlerini dengeler. IMU kısa süreli dinamikte güçlü; tekerlek odometrisi düşük hızda hassas; görsel/lidar odometri ise global tutarlılık sağlar. ROS’ta robot_localization gibi paketlerle çoklu kaynak füzyonu yapılır.

Öneri: IMU’nun hizası (roll/pitch/yaw) yanlışsa, tüm füzyon yalancı hızlar üretir. Önce IMU eksenlerini fiziksel testlerle doğrulayın.

12) Simülasyon: Gazebo/Ignition ve Webots ile “Önce Sanal”

Gerçek robot pahalıdır; simülasyon hızlı iterasyon sağlar. Gazebo/Ignition fizik, sensör ve kinematik için yaygın; Webotsda endüstride tercih edilen bir alternatiftir. Simülasyon–gerçek uçurumu (sim-to-real gap) kaçınılmazdır: sürtünme, lastik–zemin, sensör gürültüsü, gecikmeler sahada farklılaşır. Bu yüzden simde gürültü ve gecikme modelleyin; sahada sürprizler azalsın.

Vaka: Simde pürüzsüz giden AMR, sahada parlak epoksi zeminde kayıyor. Çözüm: Lastik–zemin sürtünmesini ve kalibrasyon parametrelerini simde gerçekçi hâle getirmek; hız denetleyicisinde kayma telafisi.

13) Gerçek Zaman ve Determinizm: “Kontrol Döngüsü Hep Zamanında”

ROS 2, uygun çekirdek ayarları ve rt-safe kütüphanelerle yumuşak gerçek zaman davranışlarına izin verir. Executorseçimi, rclcpp’de çok iş parçacıklı modeller ve lock-free yapılar, DDS vendor seçimi (FastDDS, CycloneDDS, Connext) ve QoS ayarları gecikmeyi belirler. Kritik kontrol döngülerini robot üstünde çalıştırın; yüksek bant genişlikli algıyı daha yukarı katmanlara yayın.

Sezgi: Kontrol ≥100 Hz, algı 10–30 Hz; nav planlama 1–5 Hz tipik. Her katmana kendi frekansını verin, tek bir döngüyü “her şeyi yapar” diye şişirmeyin.

14) micro-ROS ve Gömülü Uçlar: STM32’den DDS Dünyasına Köprü

micro-ROS, MCU sınıfı (STM32, ESP32 vb.) cihazları ROS 2 evrenine taşır. Sensör okuma ve basit kontrol döngüleri MCU’da, yüksek seviye planlama edge’de kalır. RMW Micro XRCE-DDS katmanı, bant genişliği kısıtlı bus’larda verimli taşımaya imkân verir.

Uygulama: Bir mobil robotta tekerlek enkoderleri ve motor sürücüsü micro-ROS ile MCU’da; yalnızca özet odometri üst katmana çıkar. Wi-Fi dar boğazında bile stabil kontrol mümkün olur.

15) Kayıt, Tekrar Çalma ve Diagnostik: rosbag2 ve rqt Araçları

Sahadaki hataları yakalamak için rosbag2 ile topikleri kaydedin; laboratuvarda tekrar çalın ve analiz edin. rqt_graph veri akışını görselleştirir; rqt_tf_tree çerçeve ilişkilerini, rqt_runtime_monitor sistem sağlığını izletir. “Çalışırken bir kez takıldı” denen sorunların çoğu, bag kayıtlarıyla yeniden üretilebilir.

Örnek: AMR bir kere aynı noktada false-positive engel görüyor. O anın lidar+tf bag’i tekrarlandığında, costmap parametresinin gecikmeli güncellendiği bulunuyor; düzeltilince sorun kayboluyor.

16) Test, CI ve Paket Hijyeni: Büyükler Gibi Küçükten Başlayın

ROS paketlerinde unit/integration test yazın; ament_cmake/colcon ile derleme ve testlerinizi CI (GitHub Actions/GitLab) içine alın. Ödev sürecinde bile basit testler; örneğin bir dönüştürme düğümünün giriş–çıkış tiplerini, sınır koşullarını doğrular. Bu disiplin, sahada “kırılmaları” azaltır.

Öneri: Mesaj şemalarını sabitlemeden API’yi açmayın; versiyonlamayı net yapın. Aksi hâlde downstream paketler kırılır.

17) Güvenlik ve Güvenilirlik: “Bir Robot Kiminle Konuşuyor?”

ROS 2, DDS güvenlik eklentileriyle kimlik doğrulama/şifreleme sunar. Saha devreye almada kablosuz ağlar üzerinden robotlara bağlanırken sertifikasız, açık ağ kullanmayın. Watchdog süreçleri, düğüm çökmesini tespit edip yeniden başlatmalı; lifecycle nodes ile “configure–activate–deactivate–shutdown” yaşam döngüsü yönetilmelidir.

Vaka: Depoda ağ fluktasyonunda haritalama düğümü duruyor. Supervisord benzeri gözetmen, düğümü otomatik ayağa kaldırıp güvenli durdurmayla veri bütünlüğünü koruyor.

18) Çoklu Robot ve Filo Yönetimi: Çarpışmadan İş Akışına

Birden fazla AMR aynı haritada çalışırken ad-hoc çözümler hızla kaosa döner. Her robotun namespacing ve tf_prefix’i olmalı; planlama ve görev atama merkezi bir fleet manager üzerinden yapılmalıdır. Multi-robot SLAM/yerelleşmesenaryolarında bant genişliği ve merkezi kaynaklar sınır olur; yerelleşmeyi yerel, görev koordinasyonunu global tutmak iyi bir ayrımdır.

Örnek: Üç robot aynı anda dar koridora girmeye çalışıyor. Filoda conflict-based search benzeri çatışma çözüm stratejisi ile görevler sıraya alınır; kilitlenme kalkar.

19) Donanım–Yazılım Eşzamanlı Tasarım: Jetson/RPi, Hızlandırıcılar

Algı ağırlıklı robotlarda NVIDIA Jetson gibi hızlandırıcılar FPS’i belirgin artırır; fakat ısıl ve güç tüketimi yönetimi gerekir. Raspberry Pi sınıfı cihazlarda lite parametre setleri, daha düşük çözünürlük ve edge filtreleme ile rahatlatın. Donanım değişirse, ROS paketleriniz CI matrisinde çoklu hedefler için derlenip test edilmelidir.

Uygulama: 720p kamera → 416×416 ROI ile iki kat hız, yarı bant genişliği; algı doğruluğu sahaya uygun parametrelerle korunur.

20) Saha Devreye Alma Stratejisi: Kademeli Risk Yönetimi

Laboratuvardan sahaya geçerken tek değişken prensibiyle ilerleyin: Önce odometri + teleop, sonra engel algı, sonra düşük hızda otonomi, ardından normal hızlar. Her aşamada rosbag toplamak, geri dönüşü hızlı kılar. Yedek plan: Güvenli durdurma, acil duruş (E-Stop) ve manuel kontrol her an hazır olmalı.

Vaka: Gece vardiyasında lidar parlak yüzeylerde sapıtıyor. Vardiya dışı test planı yoksa, günler kaybedilir. Planlı bag toplama ve parametre denemesiyle iki saat içinde çözüm sağlanır.

21) Endüstriyel Kullanım Senaryoları: AMR, AGV, Kol ve Drone

AMR/AGV: Depo–üretim hatlarında Nav2, lidar/IMU/odometri; QoS best-effort + reliable karışımı; filo yönetimi.
Endüstriyel Kol: MoveIt ile çarpışmasız planlama; kamerayla poz algı; güvenlik ışık perdeleri ile alan izleme (alan dışı ROS kapsamı olsa da entegrasyon şart).
Drone/UAV: MAVROS/Micro DDS köprüleri, VIO/SLAM, offboard kontrol. Rüzgâr ve GPS zayıflığında güvenli “RTL” stratejisi.

Ders: Her senaryoda güvenli modlar, hata toleransı ve geri kazanım davranışları tasarımın ilk günden parçası olmalı.

22) Hata Ayıklama ve Performans: Profiller, Flamegraph ve İzleme

ros2 topic hz/bw, tf monitor, tracing ve sistem profilleme araçlarıyla darboğazları bulun. Düğümler arası kopyasız(zero-copy) veri yolları, mesaj sıkıştırma ve görselizasyonu ayrı makineye taşımak FPS’i artırır. Algı ve planlamayı tek GPU’ya yığmak yerine, pipeline’ı bölmek çoğu kez daha verimlidir.

Örnek: RViz’i robot üstünde çalıştırmak CPU’yu boğuyor. Uzak makineden bağlayıp yalnızca gerekli topikleri ileri gönderince, kontrol jitter’ı kayboluyor.

23) Etik, Güvenlik ve İnsan Merkezlilik

Robotlar insanlarla aynı alanı paylaşır. “Güvenli hız”, “yavaş yaklaşma”, “acil duruş” gibi davranışlar sadece standart gereği değil, etik gerekliliktir. ROS projelerinde bu prensipleri yazılım mimarinizin temeline koyun: Recovery davranışları, başarısız görevi “inatla” sürdürmesin; güvenli boşa dönsün.

Vaka: İnsan–robot etkileşimli bir hattın denemesinde robot hedefe saplanıp kalıyor. Davranış ağacına “insan algılandıysa geri çekil” kuralı eklendiğinde risk ortadan kalkıyor.

24) Ödev/Proje İçin Yol Haritası: 6 Haftada Çalışır Prototip

Hafta 1: Donanım listesi, URDF taslağı, sensör sürücüleri, tf ağacı.
Hafta 2: Odometri + IMU füzyonu, teleop; rosbag ile veri toplama.
Hafta 3: SLAM prototipi; ilk harita ve yerelleşme.
Hafta 4: Nav2 entegrasyonu; düşük hızda otonom hedef takibi.
Hafta 5: Algı/algoritma iyileştirmeleri, QoS ayarları, recovery davranışları.
Hafta 6: Saha testleri, performans profilleme, CI ve raporlama.

Uygulamalı öneri: Her haftayı bir “demo kriteri” ile kilitleyin (ör. “Hafta 3’te 10×10 m2 alanda kapalı döngü tur atma”).

25) Sık Yapılan Hatalar ve Karşı Önlemler

tf kaosu: Çerçeve isimleri çakışıyor. → İsimlendirme standardı ve tf_prefix.
QoS uyumsuzluğu: Publisher/Subscriber farklı profillerde konuşmuyor. → Aynı profil, aynı derinlik.
Aşırı bağımlılık: Tek pakete güvenmek. → Alternatif paket ve parametre çalışma uzayı.
Simülasyona aşırı güven: Sahadaki sürprizler. → Gürültü ve gecikmeyi simde modelleyin, erken saha turu yapın.
Kayıt yok: “Bir kere oldu, bir daha olmadı.” → Sürekli rosbag; sorun tekrarlanabilir olsun.

Sonuç

ROS, robotik projeleri modülerlik, yeniden kullanım ve topluluk bilgisi ekseninde hızlandıran bir ekosistemdir. Bu yazıda, bir robot sisteminin algı–planlama–kontrol zincirini ROS/ROS 2 bağlamında ayrıntılarıyla ele aldık: düğüm ve iletişim kalıplarının seçimi, QoS ile gecikme–güvenilirlik dengesinin kurulması, tf ile beden farkındalığı, URDF/xacroile modelleme, ros2_control ile donanım soyutlama, SLAM/yerelleşme ve Nav2 ile otonom gezinme, MoveIt ile manipülasyon, perception yığınında OpenCV/PCL/DNN entegrasyonu, micro-ROS ile gömülü uçların ağa katılması, simülasyon–saha geçiş stratejileri, test–kayıt–CI disiplini, güvenlik ve filo ölçeklendirme. Örnek olaylar ve uygulamalı öneriler ile teoriyi sahaya bağladık; parametre seçimlerinin ve kalibrasyonların gerçek dünyadaki etkisini somutlaştırdık.

Başarılı bir ROS projesi, tek bir “mükemmel paket”e değil; temiz mimari, iyi kalibre edilmiş sensörler, disiplinli kayıt–analiz ve adım adım saha devreye alma stratejisine yaslanır. Ödev/proje bağlamında önerimiz net: Basitten başlayın, rosbag ile ölçün, parametreyi bilinçle değiştirin, tekrarlanabilir bir demo ritmi kurun. Böylece haftalar süren belirsizlikler saatler içinde çözülen, sürdürülebilir bir mühendislik pratiğine dönüşür. ROS, size bu pratik için hem araçları hem de yöntemi sunuyor; doğru kullanıldığında robotunuzu yalnızca hareket ettirmez, güvenilir ve üretken kılar.

Öğrencilerin akademik başarılarını desteklemek ve yoğun tempoda geçen okul yaşamlarında yardımcı olmak amacıyla kurulan “Ödev Yaptırma” platformu, özgün ve kaliteli ödev çözümleri sunmaktadır. Öğrencilerin farklı branşlardan ödevlerini, projelerini ve makalelerini profesyonel ve deneyimli ekip üyelerimiz aracılığıyla titizlikle hazırlıyoruz. Her bir ödevi, konunun gerektirdiği derinlemesine araştırmalar ve analizler doğrultusunda çözümleyerek, öğrencilerimizin özgün düşünce yapısını ön plana çıkarmasını sağlıyoruz.

“Ödev Yaptırma” olarak, müşteri memnuniyetini ve güvenilirliği en üst düzeyde tutmaktayız. Öğrencilerin bize teslim ettikleri ödevlerin tümü, gizlilik ve güvenlik ilkelerine sıkı sıkıya bağlı kalınarak işlenir. Her ödev, öğrencinin taleplerine ve öğretmenin yönergelerine uygun olarak özelleştirilir ve her zaman orijinal içerik üretmeye özen gösteririz. Öğrencilerin akademik itibarını korumak ve güvenilir bir öğrenme deneyimi sunmak için elinizdeyiz.

“Ödev Yaptırma” platformu, kullanıcı dostu arayüzü sayesinde öğrencilere kolayca ulaşılabilir bir hizmet sunmaktadır. Kullanıcılar, web sitemiz üzerinden basit adımlarla ödevlerini yaptırma taleplerini iletebilir ve ihtiyaç duydukları konuda uzmanlaşmış ekip üyelerimizle iletişime geçebilirler. Hızlı yanıt verme ve esneklik, öğrencilerin zaman baskısı altında olan durumlarında da yanlarında olduğumuzu hissettirir. “Ödev Yaptırma” olarak, öğrencilerin başarısını desteklemek ve onlara daha fazla öğrenme fırsatı sunmak için buradayız

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Robotik Uygulamalarda ROS Kullanımı first appeared on Ödev Yaptırma & Danışmanlık Merkezi.

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Robotik Görü Sistemlerinde Yapay Zekâ

İçerik Üreticisi — Wed, 03 Sep 2025 09:00:23 +0000

Robotik görü (robot vision), makinelerin çevresini algılayıp anlaması için görüntü ve sensör verilerini işleyen; donanım ile yazılımın iç içe geçtiği disiplinler arası bir alanıdır. Günümüzde üretim hatlarından otonom araçlara, insansız hava araçlarından akıllı tarıma kadar sayısız uygulamada, yapay zekâ (YZ) destekli görü sistemleri performans ve güvenilirliğin ana belirleyicisi haline gelmiştir. Elektrik-Elektronik Mühendisliği öğrencileri için bu konu, yalnızca bir laboratuvar ödevi değil, aynı zamanda algoritma–donanım–kontrol üçlüsünü bütüncül kavramayı sağlayan bir kariyer köşe taşıdır. Bu makalede, robotik görü sistemlerinin temel bileşenlerinden başlayarak derin öğrenme mimarileri, gömülü hızlandırma, sensör füzyonu, gerçek zamanlılık, güvenlik ve etik konularına kadar uçtan uca bir rehber sunacağız. Her bölümde örnek olaylar, uygulamalı ipuçları ve proje/ödev bağlamına özgü başarı stratejileri yer alacak.

1) Robotik Görünün Temel Yapıtaşları: Sensör, Optik, Hesaplama

Her güçlü robotik görü hattı (vision pipeline) üç sac ayağına dayanır:

Algılama (Sensing): RGB kameralar, IR, derinlik sensörleri (ToF, stereo), event-based kameralar, LiDAR.
Optik ve Aydınlatma: Lens seçimi (fokal uzunluk, diyafram), optik filtreler, polarizasyon; kontrollü aydınlatma ile kontrast arttırma.
Hesaplama (Compute): CPU/GPU/TPU, DSP/FPGA/NPU gibi hızlandırıcılar, gömülü platformlar (Jetson, Zynq, Raspberry Pi + hızlandırıcı kartlar).

Uygulamalı örnek: Konveyörde parça denetimi. Aydınlatma LED halkası ve polarize filtre ile yansımalar azaltılır; yüksek shutter hızında bulanıklık önlenir; görüntü, Jetson Nano üzerinde TensorRT optimizasyonlu bir CNN’e beslenir.

2) Yapay Zekâ ve Derin Öğrenmenin Görüye Katkısı

Klasik görüntü işleme (kenar tespiti, eşikleme, morfoloji) uzun yıllar endüstriyel görünün omurgasıydı. Derin öğrenme ile:

Öz-çıkartım (feature extraction) otomatikleşti (SIFT/ORB yerine evrişimli katmanlar).
Genelleme ve aydınlatma, döndürme, ölçek değişimlerine dayanıklılık arttı.
Görev-özel mimariler: Nesne algılama (YOLO, SSD), semantik segmentasyon (U-Net, DeepLab), poz kestirimi (OpenPose), takip (Deep SORT).

Mini vaka: Fabrika hatasında, farklı üretim lot’larında renk tonu değişen parçalar klasik eşikleme ile kaçıyordu. CNN tabanlı bir kusur sınıflandırıcı, renk varyasyonlarına dayanıklı hale gelerek yanlış negatifleri %60 azalttı.

3) Görev Sınıfları: Algılama, Segmentasyon, Takip, Poz ve 3B Anlama

Robotik görevler görüyü farklı şekillerde kullanır:

Sınıflandırma: Ürün A/B/C ayrımı, kalite sınıfı tayini.
Algılama (Detection): Kamera görüntüsündeki nesnelerin konum kutuları (bounding box).
Semantik/Örnek Segmentasyonu: Piksel düzeyinde etiketleme; kaynak seçimi, kavşak algısı, tarımsal ürün sayımı.
Takip (Tracking): Hareketli nesnelerin kimliklerini kareler boyunca koruma.
Poz Kestirimi ve 3B: Robot kolu için 6-DoF poz; stereo/derinlik ile kavrama planlama.

Uygulama ipucu: Robot kavrama için yalnızca 2B algılama yetmez; derinlik veya çoklu görünüm ile 3B poz tahmini gerekir. Burada PnP (Perspective-n-Point) veya öğrenilmiş poz ağları devreye girer.

4) Veri Toplama, Etiketleme ve Veri Mühendisliği

YZ çözümlerinin verime ulaşması doğru veri ile başlar.

Çeşitlilik: Aydınlatma, arka plan, açı, lens bozulması.
Etiket kalitesi: Bounding box, segmentasyon maskesi, anahtar nokta.
Dengesizlik (imbalance): Nadir kusurlar için veri çoğaltma (augmentation), sentetik veri (domain randomization).
Sürümleme: Dataset v1 → v2 ilerlerken deneylerin izlenebilirliği (DVC, MLflow).

Örnek olay: Nadir kırık kusuru için üretim hattı durdurulamadı. Blender ile CAD modelinden sentetik kusur görüntüleri üretildi; domain randomization ile farklı ışıklandırmalar simüle edildi; model sahada tutarlılık kazandı.

5) Model Seçimi ve Mimariler: YOLO Ailesinden Transformer’lara

Hafif Mimari İhtiyacı: Gömülü cihazlarda YOLOv5-nano, YOLOv8n, MobileNet-SSD gibi hafif dedektörler tercih edilir.
Segmentasyon: U-Net, Fast-SCNN, BiSeNet gömülü için uygundur.
Transformer Tabanlılar: DETR ve türevleri, global dikkat mekanizmasıyla kutu eşlemede pratik; ancak gecikme ve kaynak tüketimine dikkat.
Ölçek-Hedef Dengesi: Küçük nesneler için yüksek çözünürlük ve çoklu ölçek başlıkları gerekir.

Pratik karşılaştırma (ödev perspektifi): Aynı veri kümesinde YOLOv8n (int8 quantize) ile 20 FPS; YOLOv8s (fp16) ile 12 FPS; DETR-tiny (fp16) ile 8 FPS alınırken mAP sıralaması ters olabilir. Projenin hedef FPS ve mAP eşiği kararınızı yönetsin.

6) Eğitim Stratejileri: Transfer Öğrenme, İnce Ayar ve Kuantizasyon

Transfer Öğrenme: Kısıtlı veri ile hızlı yakınsama.
Augmentation: Mozaik, mixup, renk jitter; fakat üretim görüntülerinde aşırıya kaçmayın.
Kuantizasyon ve Budama: int8/FP16 ile gecikmeyi azaltın; hassasiyet düşüşünü kalibrasyonla sınırlayın.
Bilgi Damıtma (Distillation): Ağır öğretmen modelden hafif öğrenci modele bilgi aktarımı.

Uygulamalı örnek: Otonom mobil robotta YOLOv8s (öğretmen) → YOLOv8n (öğrenci) distillation; TensorRT int8 kalibrasyonu ile 2,3× hızlanma, mAP kaybı < %1.

7) Gerçek Zamanlılık: Gecikme Bütçesi ve Son-Uç Optimizasyon

Robotik sistemler uçtan uca gecikme ile ölçülür: kamera → ön işleme → model → karar → eylem.

Bütçeleme: 30 FPS için toplam < 33 ms.
Pipeline Paralelizmi: Kamera DMA + ön işleme (DSP/FPGA) + yapay zekâ (GPU/NPU) + kontrol (CPU) eşzamanlı.
I/O Yükleri: CSI/MIPI bant genişliği, DMA kopyalarını azaltma (zero-copy).
Çekirdek Dışı Operasyonlar: Ön işleme (resize, normalize) için GPU kernel’leri veya VPI/OpenCV-CUDA kullanın.

Mini vaka: 60 FPS hedefli paket sınıflandırma hattında, CPU üzerindeki ön işleme 10 ms alıyordu. GPU’ya taşınarak 2 ms’ye indi; toplam boru hattı 28 ms’ye düşerek hedefe ulaştı.

8) Donanım Hızlandırıcıları: GPU, FPGA, DSP, NPU

GPU: Geliştirme kolaylığı, geniş framework ekosistemi; güç tüketimi ve ısıya dikkat.
FPGA: Düşük gecikme, deterministik davranış; HDL/HLS maliyeti, mühendislik emeği yüksek.
DSP: Sabit nokta, filtreleme, ön işleme hattında verimli.
NPU/TPU: Derin ağ çıkarımı için özelleşmiş; sürücü/SDK kısıtlarını planlayın.

Karar önerisi: Prototipte GPU ile doğrulayın; seri üretimde güç ve BOM baskısı varsa kritik çekirdeği FPGA/NPU’ya taşıyın.

9) Gömülü Dağıtım: Jetson, Zynq, Raspberry Pi + Hızlandırıcı

Jetson Serisi: TensorRT entegrasyonu, CSI kameralar; orta-üst performans.
Zynq/ZynqMP: ARM + FPGA hibriti; ön işleme FPGA’da, çıkarım ARM/GPU’da.
Raspberry Pi + NPU Dongle: Düşük maliyetli POC; özellik sınırlamalarını baştan kabul edin.

Uygulamalı dağıtım planı (ödev için): Eğitim masaüstünde → ONNX export → TensorRT/TVM derleme → hedef cihazda gecikme/profil → dar boğaz noktalarını optimize etme.

10) Sensör Füzyonu: Görü + IMU + LiDAR ile Güvenilirlik

Tek kamera birçok durumda yeterli değildir. Füzyon ile:

IMU: Görü tabanlı SLAM’de ölçek drift’ini azaltır.
LiDAR/ToF: 3B engel haritalama, düşük ışıkta sağlamlık.
Kalibrasyon: İç/dış (intrinsic/extrinsic) parametreleri sık güncelleyin; sıcaklık/ titreşim sapmasına dikkat.

Örnek olay: AGV (otomatik güdümlü araç) koridorda karşıdan gelen forklift’i kamera geç algılıyordu. LiDAR füzyonu ile 3B tespit eklendi; acil duruş mesafesi %35 iyileşti.

11) Çevresel Dayanıklılık: Aydınlatma, Toz, Titreşim ve Isı

Robotik görü sahada yaşar.

Aydınlatma: HDR sensör, otomatik poz telafisi; gerektiğinde IR aydınlatma.
Toz/Nem: IP65 muhafaza, lens koruyucu.
Titreşim: Global shutter ve sabitleme; rolling shutter artefaktlarını azaltın.
Isı: Termal dizayn; fan/ısı borusu; throttle riskine karşı FPS koruma.

Uygulamalı ipucu: Denetim kabinlerinde karanlık oda yaklaşımı, dış aydınlatma değişimini elimine ederek model stabilitesini dramatik artırır.

12) Güvenlik ve Güvenilirlik: Fonksiyonel Emniyet, Siber Güvenlik

Fonksiyonel Güvenlik: ISO 13849, IEC 61508 sınıfları; algılama hatasında güvenli duruş.
Siber Güvenlik: Model ve firmware bütünlüğü; OTA güncellemede imza doğrulama; kamera akışlarının şifrelenmesi.
Adversarial Dayanıklılık: Basit patch/etiket saldırılarına duyarlılık testleri; veri artırımıyla sertleştirme.

Mini vaka: Depo robotuna saldırgan bir QR etiketi yapıştırıldığında algılama sapıyordu. Eğitim sürecine benzer desenler dahil edilerek saldırı etkisi minimize edildi.

13) Kalibrasyon, Zaman Senkronu ve Geometri

Kamera Kalibrasyonu: Distorsiyon parametreleri, odak değiştikçe yeniden kalibrasyon.
Zaman Senkronu: Çoklu sensör saatlerinin PTP/NTP ile hizalanması; milisaniye düzeyi hata bile takipte kimlik kaybı yaratır.
Geometrik Temeller: Epipolar geometri, temel/öz matrisi; stereo rektifikasyon.

Uygulama: Uçan robotta (UAV) görsel odometri ve IMU senkronu 8 ms saptı; loop closure hataları arttı. Zaman damgası koridorları daraltılarak SLAM stabil hale geldi.

14) Test, Doğrulama ve Devamlı İzleme (MLOps for Edge)

Ofline Test: Ayrık test seti, dağılım kayması tespiti.
Saha İzleme: Düşen mAP’i telemetri ile saptama; yeniden eğitim döngüsü.
A/B ve Gölge Mod: Yeni modeli gölge modda çalıştırıp kararlılığı kanıtlayın.
Model Kartları: Versiyon, veri kaynağı, sınırlamalar; denetlenebilirlik.

Ödev pratiği: Raporunuzda yalnızca doğruluk değil, gecikme, güç, ısınma, bellek metriklerini de tablo halinde karşılaştırın.

15) İnsan-Makine Etkileşimi ve Açıklanabilirlik

Robotik görü kararlarının anlaşılır olması operatör güvenini artırır.

Sıcaklık Haritaları (Grad-CAM): Alınan kararın hangi bölgelerden etkilendiğini görselleştirin.
İzlenebilirlik: Her karar için giriş görüntü + model sürümü + parametre checksum’u kaydedin.
UI/UX: Operatöre yalancı alarmı düşüren geri bildirim kanalları (etiket düzeltme, örnek raporlama).

Uygulama: Ambalaj kusuru sisteminde operatör paneline Grad-CAM eklense de üretim hızında ekran karmaşası yarattı. Çözüm: Sadece hatalı örnekler için tek tıkla açılan detay penceresi.

16) Etik, Gizlilik ve Veri Hakları

Gizlilik: İnsan yüzü içeren verilerde maskeleme/anonimleştirme; yerel (on-device) işleme tercihi.
Önyargı (Bias): Veri dağılımının adil ve temsili olması; hatalı alarmın iş güvenliği ve verim üzerindeki etkileri.
Ödev Dürüstlüğü: Kodunuzu ve verinizi kaynak gösterin; lisanslara uyun; ekip emeğini açıkça belirtin.

17) Maliyet, Güç ve BOM Optimizasyonu

Tüm-yaşam Maliyeti: Donanım + lisans + bakım + veri etiketleme.
Güç Bütçesi: Bataryalı robotlarda model karmaşıklığı doğrudan çalışma süresini etkiler.
BOM Ticareti: İki kamera yerine tek kamera + iyi aydınlatma çoğu zaman daha verimli olabilir.

Mini vaka: Tarımsal robotta çift kamera + orta GPU yerine tek kamera + NPU ile aynı görev 1,8 kg daha hafif ve %30 daha uzun çalışma süresiyle çözüldü.

18) Uygulamalı Ödev Şablonu: Uçtan Uca Tasarım

Problemi Tanımlayın: Görev (algılama/segmentasyon), hedef FPS ve mAP.
Veriyi Planlayın: Toplama/etiketleme; sentetik üretim ihtiyacı.
Model Seçin: Hafif mimari + quantization planı.
Eğitin: Transfer öğrenme + uygun augmentations.
Optimize Edin: Pruning/quantization/distillation; ONNX export.
Dağıtın: TensorRT/TVM/NNAPI/ARM Compute Library.
Ölçün: Gecikme, bellek, güç, sıcaklık; sahada A/B.
Raporlayın: Metodoloji, veri etiketi, model kartı, hatalar ve çözümler.

19) Endüstriyel Sahneler: Kısa Vaka İncelemeleri

Akıllı Lojistik: Paket yönlendirme ve barkod okuma; düşük ışıkta IR aydınlatma + YOLOv8n int8.
Otonom Mobil Robot (AMR): Koridor insan/engel algılama; LiDAR füzyonlu segmentasyon; 25 ms uçtan uca gecikme.
Akıllı Tarım: Meyve sayımı ve olgunluk; güneş parlamasına dayanıklı veri artırımı; NPU dağıtımı.
Kalite Denetimi: İnce çatlak tespiti için yüksek çözünürlüklü segmentasyon + hassas aydınlatma; hata verisi nadir olduğundan sentetik kusur.

20) Son Performans Cilaları: Mikro-Optimizasyonlar

Ön İşleme Zinciri: Normalize/resize’ı GPU kernel’ine taşıyın.
Batch = 1 İçin Özel Yollar: Dinamik şekiller yerine sabit çözünürlük; memory pool.
I/O Darboğazı: Camera-to-GPU zero-copy; pinned memory.
Scheduler Ayarı: CPU affinity, küçük RT çekirdek.

İpucu: 5–8 ms kazanç sağlayan bu mikro adımlar, özellikle hareket planlayıcısı ile birleştiğinde robot davranışını gözle görülür biçimde akıcı hale getirir.

21) Ders ve Laboratuvar İçin Değerlendirme Kriterleri

Teknik Doğruluk: Model seçimi gerekçesi, veri mühendisliği, kalibrasyon.
Mühendislik Disiplini: Kod temizliği, versiyonlama, otomatikleştirilmiş deneyler.
Performans Kanıtı: FPS, mAP/IoU, güç/ısı profilleri.
Saha Gerçekliği: Aydınlatma, titreşim, lens kirlenmesi gibi pratik zorluklara çözüm.
Etik ve Güvenlik: Veri hakları, iş güvenliği senaryoları.

22) Klasik Yöntemler ile YZ’nin Hibrit Kullanımı

Her şeyi YZ ile çözmeye çalışmak yerine:

Ön Filtreleme: YZ’ye gitmeden parazit temizliği (bilateral, median).
ROI Daraltma: Klasik yöntemle ilgi bölgesini bulup YZ modeline daha küçük yama verin.
Kural Tabanlı Art Alan: YZ kararından sonra iş kurallarıyla yalancı alarmı azaltın (ör. hız/mesafe eşiği).

Örnek: Güvenlik kamerasında hareket algısı klasik diferans görüntüleme ile; kişi/araç ayrımı YZ ile; ihlal kararı kuralla.

23) Gelecek Eğilimler: Görü-Dili Modelleri ve Otonomi

Multimodal (Görü + Dil) Modeller: Sahne anlayışını zenginleştiriyor; robotların görev komutlarını doğal dilden yorumlama potansiyeli.
NeRF ve 3B Öğrenme: Ortamın ışık alanı temsilinden rota planlamaya.
Edge MLOps: Saha-içi kişiselleştirilmiş yeniden eğitim (federated learning).

Uyarı: Güç, bellek ve gecikme kısıtları; gizlilik ve telif; güvenlik standartları yıldızımızı yere bastıran gerçekler olmaya devam edecek.

Sonuç

Robotik görü sistemlerinde yapay zekâ, güvenilir algı ve gerçek zamanlı karar üretiminin bel kemiğidir. Başarı, yalnızca yüksek doğruluk veren bir modelle değil; veri mühendisliği, donanım hızlandırma, optik/aydınlatma stratejileri, sensör füzyonu, kalibrasyon ve MLOps gibi unsurların birlikte orkestrasyonu ile gelir. Ödev ve projelerinizde, problemi ölçülebilir hedeflerle tanımlayın (mAP/FPS/güç), veriyi sürdürülebilir bir yöntemle yönetin, model seçimini donanım kısıtlarına göre yapın, kuantizasyon-pruning-distillation üçlüsünü erken planlayın ve dağıtım sırasında uçtan uca gecikmeyi bütçeleyin. Saha gerçekleri (ışık, toz, titreşim, ısı) ile güvenlik-etik gerekliliklerini tasarım döngünüze entegre etmeyi ihmal etmeyin.

Son tahlilde, robotik görünün başarısı algoritma zekâsı ile elektrik-elektronik mühendisliğinin disiplinli uygulama gücünün birleştiği noktada filizlenir. İyi tasarlanmış bir veri hattı, doğru seçilmiş ve optimize edilmiş bir model, bütçelenmiş bir gerçek zamanlı mimari ve güvenlik-etik ilkelerine saygılı bir saha stratejisi; yalnızca yüksek notlu bir ödev değil, üretime hazır bir çözüm kapısını aralar.

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Robotik Görü Sistemlerinde Yapay Zekâ first appeared on Ödev Yaptırma & Danışmanlık Merkezi.