veri füzyonu - Ödev Yaptırma & Danışmanlık Merkezi

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Arama Kurtarma Robotlarında Sensör Seçimi

İçerik Üreticisi — Sun, 26 Oct 2025 07:00:14 +0000

Arama–kurtarma robotları, belirsizliğin merkezine yürür: yıkılmış binalar, dumanla dolu koridorlar, taş–metal–toz karması içinde şekli bozulmuş boşluklar, su basmış tüneller, kar altında hava boşlukları… İnsan için tehlikeli veya ulaşılamaz alanlarda durumsal farkındalık, konumlama, yol bulma ve kurban tespiti gibi görevleri yerine getirebilmek, doğru sensör karmasıyla mümkündür. Tek bir sihirli sensör yok; görev–mekân–risk üçlüsüne göre özellikleri tamamlayan bir sensör paketi gerekir: görüşü duman ve karanlıkta sürdürecek, tozdan etkilenmeyecek, manyetik gürültüde şaşmayacak, metal yığınlar arasında konumunu kaybetmeyecek, enerji bütçesini yakmayacak, taşıt dinamiğiyle uyumlu çalışacak, veri boru hattını ve hesap gücünü boğmayacak…

1) Görev Tanımı: Algı Neyi Çözmeli?

Sensör seçimi soruyla başlar. Bir yıkım sahasında hangi soruları cevaplamak istiyorsunuz?

Keşif: Koridor genişliği, tavan yüksekliği, engellerin boyutları, düşme–çökme riski.
Haritalama: 2D/3D işgal haritası, gezilebilir yüzeyler, düşey boşluklar.
Konumlama: GPS yok; yerel SLAM/odometri, hataya dayanıklı yönelim.
Hedef tespiti: İnsan varlığı (ısıl iz, ses, CO₂), telefon sinyali, hareket.
Manipülasyon: Kaldır–kes–it; temas kuvveti ve temaslı algı.
Görevler, sensör mimarisini belirler: Örneğin “enkaz altı nefes–ısı tespiti” varsa kızılötesi ve gaz sensörleri kritikleşir; “dar tünel sürüşü” varsa kısa menzilli mesafe ve temas sensörleri öne çıkar.

Örnek olay: Betonarme bir enkazda, gaz sızıntısı riski nedeniyle kıvılcım güvenli çalışması isteniyordu. Sensör paketi kızılötesi termal kamera + mikrofon dizisi + CO₂/NH₃/Metan sensörleri ve intrinsically safe (kıvılcım güvenli) gözetimler ile kurgulandı.

2) Çevre Gerçekliği: Toz, Duman, Su, Metal ve Manyetik Gürültü

Arama–kurtarma ortamı sensör düşmanıdır.

Toz/duman: Görüşü bozar; LiDAR ve kamera geri saçılım/körleşme yaşar.
Su/çamur/kar: Optik ve akustik yayılımı değiştirir; IR’ı zayıflatır, ultrasonu saptırır.
Metal–beton yığınları: RF yansımaları ve GPS yokluğu; manyetik sapmalar.
Sıcaklık ve titreşim: IMU sürüklenmesi, lens buğulanması, konektör gevşemesi.
Sensörlerin çalışma pencereleri bu koşullara göre değerlendirilmelidir. “Her koşulda iyi” yoktur; çakışan zayıflıkları telafi eden çoğullama (redundancy) gerekir.

3) 3D Anlama İçin LiDAR: Güçlü, Ama Her Zaman Değil

LiDAR, aktif ışıkla mesafe ölçer; 3D nokta bulutu üretir. Dar koridor–merdiven–boşluk tespitinde mükemmeldir.

Artıları: Yüksek menzil doğruluğu, yapılandırılmış 3D veri, gerçek zamanlı haritalama.
Eksileri: Duman/tozda geri saçılım ve körleşme; parlak yüzey ve camda artefakt; güç tüketimi.
İpuçları: Düşük güçlü kısa menzil LiDAR’ı (ör. 10–30 m) ana LiDAR’a yedek yapın; dumanlı sahada yoğunluk filtresi ve adaptif eşiğimiz olsun.

Vaka: Tozlu enkazda ana 32-kanal LiDAR körleşince robot duvara çok yaklaştı. Kısa menzilli LiDAR + ultrasonik halka devreye girip çarpışmayı önledi; füzyonla harita “kaba ama güvenli” şekilde güncellendi.

4) Stereo Kamera ve Derinlik Kameraları: Görsel Zeka = Zengin Bağlam

Görsel sensörler bağlam taşır: kapı, merdiven, kablo, su birikintisi, duman yoğunluğu, kurbanın kıyafet–hareket ipuçları.

Stereo/derinlik (ToF/structured light): Yakın–orta menzilde 3D. Duman–tozda kararlı değildir; düşük ışıkta IR aydınlatma gerekir.
Monoküler görüş: Ucuz ve hafif; ama ölçek belirsizliği ve ışığa hassas.
Termal kamera: Görünür engellendiğinde kurban–insan sıcak noktalarını yakalar; duman ve gece performansı iyidir, parlak metal/tutarsız emisivite hataları olabilir.

İpucu: Görünür + termal eşzamanlı akışla “insan-olası alan ısı haritası” çıkarın; görseldeki ROI’leri termal izlerle teyit edin.

5) IMU, Tekerlek/Kıç/Kol Odometresi: SLAM’ın Dayandığı Gerçeklik

GPS yok; inertiyal ve tekerlek/eklem ölçümü temel.

IMU (ivmeölçer+jıroskop+manyetometre): Kısa süreli iyi, uzun sürede sürüklenir. Manyetik ölçümler metal yığınlarda güvenilmez.
Odometri: Palet/teker/kayış kayar; ama yer–zemin temasında “anlık” hız bilgisi sağlar.
Eklemsel sensörler: Palet gerginliği/ayak kuvveti gibi ek işaretler sürüklenmeyi frenler.
IMU’yu LiDAR/görüş ile loosely/tightly coupled şekilde birleştirerek kararlı bir poz–yönelim akışı elde edilir.

Örnek: Merdiven çıkışında teker kayması odometriyi bozdu; IMU + LiDAR faktör grafı kaymayı fark edip haritayı “dondurarak” poz tahminini IMU’ya emanet etti, inişte tekrar LiDAR ağırlığına dönüldü.

6) Ultrasonik ve Kısa Menzil Mesafe: Basitlik, Dayanıklılık

Ultrasonik sensörler, ucuz–hafif–enerji dostu çözümler. Duman ve tozdan optik kadar etkilenmez; fakat dokulardan çok yansır, dar geometri–köşe–yumuşak yüzeylerde şaşırır. 10–200 cm bandında “çarpışma önleme” ve zayıf görüş modunda yedek olarak kıymetlidir.

Vaka: Dar menfezde kamera karardı, LiDAR gürültülendi. 8’li ultrasonik halka, robot burnunu 15–20 cm toleransla yönetti; çıkışa kadar “kör manevra” mümkün oldu.

7) Radar (mmWave/FMCW): Dumanı Delen, Hareketi Yakalayan

mmWave radar, duman/tozu optiğe göre daha iyi deler; hareket ve nefes kaynaklı mikrodalga yansımalarını görebilir.

Artıları: Kötü görüşte çalışır, mikro-hareket duyarlılığı (Doppler).
Eksileri: Noktasal çözünürlük optik kadar iyi değil; çok yollu yansımalar.
Uygulama: Termal kamera ile ortak ROI mantığı; radar hareket–nefes şüphesini termalle sıcak nokta teyidi.

Örnek olay: Duman dolu kat holünde radar “mikro-hareket” uyardı; termalde sıcak nokta belirdi. Ekip yönlendirildi; hafif yaralı kişi bulundu.

8) Gaz Sensörleri ve Çevresel Algı: Güvenlik Önce

Metan, CO, CO₂, H₂S gibi gazlar ve O₂ seviyesi hem ekip hem kurban için kritik. Elektro-kimyasal sensörler hassas; fakat ısınma/ısınma süresi, sıcaklık–nem bağımlılıkları ve çapraz duyarlılıkları vardır.

CO₂: İnsan varlığının solunum izine ipucu; ama kapalı alanda diğer kaynaklarla karışır.
O₂: Kapalı hacimde düşüş hayati sinyal.
Uygulama: Gaz verisini harita üstü ısı haritası olarak işler ve şüpheli bölgelerde görsel/termal taramayı yoğunlaştırırsınız.

9) Akustik/Mikrofon Dizileri: Sesin Gittiği Yeri Bulmak

Kurbanın seslenmesi, moloz altından gelen vuruntu veya telefon titreşimi—akustik ipuçları paha biçilmezdir. Çoklu mikrofonla yansımaya dayanıklı yön kestirimi; düşük frekanslarda dar menfezlerden dahi bilgi taşır. Gürültüde geniş bant gürültü bastırma, sahne tespiti ve tetikleyici kelime/ritim (yardım çağrısı) algısı uygulanır.

Vaka: Jeneratör gürültüsünde mikrofonlar “vur–dur” ritmine kilitlendi; ekibe spesifik konum açısı verildi, termalle teyit edildi.

10) Temaslı Sensörler: Tork, Kuvvet, Bumper ve Taktik Dokunma

Paletli/tekerlekli robotlarda bumper sensörleri ve akım–tork ölçümleri dar geçişlerde hayat kurtarır. Manipülatör varsa uç kuvvet–tork, kayma algısı ve kapanma sensörleri kırılgan objelerle güvenli etkileşim sağlar. Bu “yakın alan” sensörleri optiğin/dünyanın kandıramayacağı fiziksel gerçeği verir.

11) RF İz Takibi: Telefon Sinyali, Bluetooth Beacon, Wi-Fi SSS

Kurbanın telefonu, Wi-Fi erişim noktaları veya yerleştirilmiş işaretçiler RF iz bırakır. Yönlü anten ve güç seviyesi–zaman değişimi ile kabaca yön–yakınlık bilgisi çıkarılabilir. Metalik enkazda yanıltıcıdır; ama makul şüphe üretir ve kamera/termal taramayı verimli kılar.

İpucu: RF „güç yükseldi“ uyarısını radar/termal ile çaprazlayın; yanlış pozitifler dramatik azalır.

12) Enerji–Ağırlık–Hacim: Sensör Konsepti Tasarım Kısıtıdır

Her sensör akım çeker, ısı üretir, yer kaplar ve kırılır. Arama–kurtarma aracının tipi (uçan/teker/palet/yılan/mini crawler) taşıma kapasitesini belirler. “Her şeyi tak” refleksi yerine:

Görev kritiği (olmazsa olmaz),
Yedeklilik (kör modda en az bir yedek),
Değer/enerji oranı (Joule başına fayda)
kriterleriyle çekirdek ve opsiyonel paket tanımlayın.

Örnek: Mikro crawler üzerinde termal + ultrasonik + IMU zorunlu, LiDAR opsiyonel kurgulandı; görev süresi 2 kat uzadı, başarı oranı değişmedi.

13) Dayanıklılık ve Koruma: IP, Darbe, Lens, De-Kontaminasyon

Sensörler için IP koruması, titreme–darbe dayanımı, cam/lens çizilme/yoğunlaşma önlemleri ve temizlik/dekontaminasyon prosedürleri şarttır. Termal ve optik lenslerde buğuya karşı ısıtmalı veya hidrofobikkaplamalar; LiDAR pencerelerinde çizilme direnci kritik. Konnektörler kilitli, kablolar sürtünmeye dayanıklıseçilmelidir.

14) Kalibrasyon, Zaman Senkronu ve Füzyon: Veriyi Aynı Anda Görmek

Farklı sensörlerin eşzamanlı olması, füzyon için kritiktir. IMU ile kamera/ LiDAR zaman damgası uyumu, ekstrinsik(gövdedeki göreli poz) kalibrasyonu ve intrinsik (optik/termal) kalibrasyon hataları küçük bile olsa SLAM/algı kararlılığını bozar. Füzyon; “yoğun–sıkı” (tightly coupled) veya “gevşek” (loosely) kurulabilir; sahada sağlam olanı tercih edin.

Vaka: Termal–görsel hizası 2–3 derece sapmıştı; sıcak nokta görselde 20 cm kayıyordu. Basit bir birlikte hedefkalibrasyon prosedürü ile hizalama düzeldi, yanlış pozitifler azaldı.

15) Veri Boru Hattı, Bilgi Oranı ve Gecikme: Fazla Veri ≠ Fazla Bilgi

Arama–kurtarmada gecikme hayatidir. 64-kanal LiDAR + 4K kamera + termal + IMU verisi ham taşınırsa CPU/GPU boğulur. Strateji:

Kenar (edge) önişleme: ROI çıkarma, gürültü/yoğunluk filtreleri, düşük bit derinliği.
Olay tabanlı yayın: Sadece değişimi gönder.
Uyarlanır hız: Durgun sahnede düşük, olayda yüksek hız.
Operasyon merkezine gönderilen görüntü/haritalar özet olmalı; ham veri ancak istekle ve kısa pencerelerde akar.

16) Yazılım ve Öğrenme: Klasik Algı + Hafif Yapay Zekâ

Derin öğrenme ile insan/engel tespiti güçlüdür; ama modele güvenlik ve açıklanabilirlik katmak gerekir. Kısıtlı donanımda hafif ağlar, kuantizasyon, pruning ve distillation kullanılır. Karanlık–duman–ısıl çakışmalarında klasik görüntü işleme (kenar/optik akış/morfoloji) ile hibrit strateji daha kararlı sonuç verir.

Örnek: Termal kamerada sahte sıcak noktaları (sıcak boru) ağ yanılttı. Klasik hareket–biçim filtreleri eklendi; “insan-olası” skor doğrulandı.

17) İnsan Tespiti: Termal + Radar + CO₂ + Ses—Çok Modlu Şüphe

Kurban tespiti ışık kadar yaşam işaretleri gerektirir. Termal “sıcak form”, radar “mikro-hareket”, CO₂ “solunum artışı”, akustik “ses/vuruntu” birlikte şüphe haritası üretir. Her modun güven skoru ve zaman penceresi farklıdır; birlikte “güvenilirlik bileşkesi” çıkarılır.

18) Manipülasyon ve Yakın Algı: Kameradan Kuvvet Hissine

Bir vanayı kapatmak, küçük bir bloğu kenara itmek, sedye bağını kesmek—yakın alan algısı şart. Kameraya ek olarak uç kuvvet–tork, kayma ve titreşim hissi “nesnenin” cinsini, sertliğini ve hareketini anlatır. Yakın alan ışıklandırma ve derinlik ipuçları ile güvenli temas sağlanır.

19) Uçan Platformlar (UAV) ve Özel Kısıtlar

UAV’lerde ağırlık ve enerji kısıtları daha serttir; hafif LiDAR, optik akış, termal mikro kamera, barometre/IMU ana pakettir. Duman/sıcak yükselimi barometreyi yanıltır; iç mekânda görsel–inertiyal öne çıkar. Gürültü nedeniyle akustik algı sınırlı; zemine yakın uçuşta pervane rüzgârı toz kaldırır—görüşe etkisi planlanmalıdır.

20) Yer–Hava İşbirliği: Sensörleri Görev Paylaşımıyla Düşünün

Kara robotu dar menfezden ilerlerken hava aracı üstten geniş bağlam/ısı haritası sağlar. RF izleme ve yukarıdan yönlendirme ile kara araç sensörleri yakın alana odaklanır. Ortak zaman–konum referansı ve paylaşımlı haritabütünlüğü kritik.

21) Saha Lojistiği: Batarya, Yedek, Temizlik ve Hızlı Değişim

Sensörler görev bitse de bakım ister: lens temizliği, filtre değişimi, kalibrasyon kartları, yedek kablo–konektör. Lityum pillerin hızlı değişim istasyonu, toz/kum geçirmez taşıma çantaları, her görev öncesi “sensör sağlık testi” kontrol listesi saha başarısını ikiye katlar.

22) 6 Haftalık Uygulama Planı (Ödev/Proje)

Hafta 1 – Görev Haritası: Senaryo (enkaz/duman/karanlık), algı hedefleri, riskler ve zorunlu sensör listesi.
Hafta 2 – Çekirdek Paket: IMU+odometri, kısa menzil çarpışma (ultrasonik/ToF), görünür+termal kamera; kablolama ve zaman damgası.
Hafta 3 – 3D ve Yedekler: LiDAR veya görsel-odometri; radar/akustik ek seçenek; temel füzyon ve kalibrasyon prosedürü.
Hafta 4 – İnsan Tespiti: Termal+akustik+CO₂ şüphe bileşkesi; ROI tabanlı görsel doğrulama; operatör arayüzü.
Hafta 5 – Kötü Koşul Testleri: Duman–toz simülasyonu, düşük ışık, metal yığın; veri boru hattı optimizasyonu ve “kör mod” stratejileri.
Hafta 6 – Saha Deneyi ve Rapor: Küçük enkaz parkurunda görev profili; yanlış/kaçırma istatistikleri; bakım ve temizlik talimatı; iyileştirme listesi.

23) Sık Yapılan Hatalar ve Hızlı Çözümler

Her sensörü takmak: Ağırlık/enerji boğar → Görev kritiği + yedeklilik yeter; geri kalanı opsiyonel.
Senkron ve kalibrasyonu hafife almak: SLAM kayar → Zaman damgası ve ekstrinsik kalibrasyon prosedürü şart.
Optiğe aşırı güven: Duman/tozda kör → Radar/ultrasonik/temas yedekleri devrede tut.
Ham veri seli: Gecikme artar → Edge önişleme, olay tabanlı yayın, uyarlanır hız.
Manyetik pusulaya güvenmek: Metalde şaşırır → IMU+LiDAR/görsel füzyon ile yönelim.
Gaz sensörlerini “tak ve unut”: Isınma/çapraz duyarlılık var → Periyodik sıfırlama ve düzeltme eğrileri.
Termal–görsel hizayı atlamak: Yanlış ROI → Birlikte hedef kalibrasyonu.
Bakım ihmal: Lens/kapı kirlenir → Görev öncesi kontrol listesi ve hızlı temizlik seti.

24) Üç Uygulama Vakasından Öğrenme

A) Dumanlı Hastane Koridoru
Sorun: LiDAR körleşiyor, kamera yetersiz.
Çözüm: mmWave radar + termal ile şüphe ROİ; ultrasonik çarpışma yedeği; füzyonla seyir.
Sonuç: İnsan tespiti başarı oranı yükseldi; harita daha seyrek ama güvenli.

B) Enkaz Altı Telefon İzleme
Sorun: RF çok yansıyor; yanlış yönlendirme.
Çözüm: Yönlü anten + güç eğimi yerine rölatif hareket analizi ve termal teyit.
Sonuç: Yanlış pozitifler düştü; hedefe erişim süresi azaldı.

C) Dar Menfezde Crawler
Sorun: Görüş yok, zemin kaygan.
Çözüm: Bumper + tork akımı + kısa menzil ToF ile “dokunarak” ilerleme; IMU’ya ağırlık.
Sonuç: Sıfır çarpışma; yavaş ama güvenilir geçiş.

Sonuç

Arama–kurtarma robotlarında sensör seçimi, tek tek cihazların katalog değerlerinden çok, görev–mekân–riskdenklemini bütüncül ele alan bir sistem tasarımıdır. Bu yazıda; duman–toz–su–metal gibi düşman ortamlarda LiDAR, kamera, termal, radar, ultrasonik, IMU/odometri, akustik, gaz sensörleri ve RF izlemenin güçlü–zayıf yanlarını, zaman senkronu ve kalibrasyonun füzyonda kritik rolünü, veri boru hattı ve gecikme yönetimini, enerji–ağırlık–hacim kısıtları altında “çekirdek+opsiyonel” paket kurmayı, dayanıklılık ve bakım gereksinimlerini, insan tespiti için çok modlu şüphe yaklaşımını ve yer–hava işbirliğini örnek olaylarla işledik.

Kalıcı dersler:

Soruya göre sensör. “Her koşulda mükemmel” yok; birbirini tamamlayan paket kurun.
Kötü görüşe hazırlıklı olun. Radar/ultrasonik/temas yedeği şart.
Zaman–kalibrasyon olmadan füzyon olmaz; hizasızlık, iyi veriyi kötüye çevirir.
Edge önişleme ve olay tabanlı yayın ile gecikmeyi kontrol edin.
Enerji–ağırlık hesabı, başarı oranı kadar önemlidir: uzun görev > kağıt üstü çözünürlük.
İnsan tespiti çok modludur. Termal+radar+akustik+CO₂ birlikte güven verir.
Bakım–temizlik–sağlık testi rutini, sahada başarının yarısıdır.
Yedeklilik akıllıca kurgulanırsa “kör modda dahi güvenli seyir” mümkün olur.
Yer–hava ekip çalışması, bağlam ve yakın alan algısını birleştirerek verimliliği artırır.
Ölç, dene, düzelt. Kötü koşul senaryolarını laboratuvarda taklit edip paketi saha öncesi olgunlaştırın.

Doğru sensör mimarisi; bir öğrencinin ödevini bilimsel ve uygulanabilir, bir ekibin prototipini güvenilir ve saha-hazır, bir arama–kurtarma operasyonunu ise daha hızlı, emniyetli ve etkili kılar. Sensör, robotun gözü–kulağı–derisi–burnudur; doğru duyularla hayatta kalma şansımız artar.

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: Arama Kurtarma Robotlarında Sensör Seçimi first appeared on Ödev Yaptırma & Danışmanlık Merkezi.

Elektrik Elektronik Mühendisliği Ödev Yaptırma: LIDAR Sensörlü Otonom Araç Projeleri İçin Rehber

İçerik Üreticisi — Tue, 09 Sep 2025 07:00:25 +0000

Otonom araçlarda çevre algılama; kamera, radar ve LIDAR sensörlerinin tamamlayıcı güçleriyle mümkün olur. Kamera, renk ve tekstürün ustası; radar, kötü hava performansı ve hız ölçümüyle güvenilir; LIDAR ise yüksek çözünürlüklü 3D geometriyi milimetre–santimetre hassasiyetinde verir. Öğrenci ödev ve dönem projelerinde LIDAR’ın doğru konumlandırılması, veri toplama–ön işleme–kayıt (registration)–haritalama (SLAM)–algılama (nesne/şerit/engel)–takip–planlama zincirinin uçtan uca kurgulanması ile başlar. Bu rehber; sensör seçimi ve montajdan zaman senkronuna, PCD/ROS/Autoware yazılım yığınından gürültü ve outlier bastırmaya, ICP–NDT–LOAM gibi kayıt algoritmalarından voxel haritalama ve yerelleştirmeye, yol yüzeyi modelleme ve “drivable area” çıkarımından engel takibi ve basit yol planlamasına kadar uygulamalı, not kazandıran bir çerçeve sunar. Her bölümde mini kontrol listeleri, örnek veri akışları ve vaka parçacıkları bulacaksınız.

1) Sensör Ekosistemi ve LIDAR’ın Rolü

Neden LIDAR?

Yoğunluk ve doğruluk: 32/64/128 hatlı döner LIDAR’larda derece başına birden fazla açı çözünürlüğü, 100–200 m’ye kadar güvenilir derinlik.
Aydınlık bağımsızlığı: Düşük ışık koşullarında kamera performansı düşerken LIDAR etkilenmez.
Shiny/siyah yüzeyler & yağmur/sis: Lazer geri yansıma fiziksel şartlara duyarlıdır; radar bu noktada tamamlar.

Ödev için akıllı denge: “Kamera + LIDAR” asgari kombinasyon. Radar eklemek artı puan ama yazılım ve senkron karmaşıklığı artar.

2) LIDAR Tipleri, Seçim Kriterleri ve Montaj

Tipler:

Mekanik/döner (spinning): Yüksek görüş alanı (360° yatay), olgun yazılım ekosistemi.
Solid-state (FMCW/Flash/ MEMS): Kompakt, düşük güç, belirli FoV; hız (doppler) ölçebilen FMCW varyantları.
Tarama parametreleri: Hat sayısı, angular resolution, döner hız (Hz), point rate (pts/s), dalga boyu, görüş alanı (FoV), menzil, yansıma (intensity).

Seçim parametreleri (ödev tablosu yapın):

Bütçe, menzil, FoV, çözünürlük, nokta yoğunluğu, IP koruma (IP67+), çalışma sıcaklığı, güç tüketimi, arayüz (Ethernet/UDP, ROS driver mevcut mu?).

Montaj:

Yükseklik ve eğim: Kaput titreşimi ve tavan rüzgâr gerilimi; titreşim izolasyonu.
Kör noktalar: Direkler, antenler, flaşörler.
Referans çerçevesi: Sensörün araca göre extrinsici (x–y–z, roll–pitch–yaw) ölçülmeli/kalibre edilmeli.

Kontrol listesi: Sağlam bağlantı, kablo gergin değil; IP67 contalar; kablo EMC kılavuzu; temiz görüş; silecek/kalkan (kir, yağmur).

3) Zaman Senkronizasyonu ve Veri Damgalama

LIDAR noktaları zaman gömülü akışlardır; IMU, GPS ve kamerayla senkron şart.

PTP/NTP: Endüstriyel switch ile PTP daha iyi.
GPS PPS & Timepulse: Zaman referansı.
ROS/Autoware: message_filters veya approximate time ile birleşik zaman çizelgesi.
Kayıt altyapısı: ROS bag veya MCAP formatında kaydet, metadata’yı unutma (kalibrasyon, sıcaklık).

Ödev puanı: “Senkronizasyon hatası → algı sapması” mini deney: 50 ms kaydırma ile algılama performansının nasıl bozulduğunu grafiğe dökün.

4) Kalibrasyon: Intrinsic–Extrinsic–Zaman

Intrinsic: Beam offset, azimut kalibrasyonu, intensity düzeltmeleri.
Extrinsic: LIDAR–IMU–kamera matrisleri (R|t). Kalibrasyon hedefleri (checkerboard + retroreflektör) veya yaklaşık ICP ile.
Zaman: Dahili LIDAR saat kayması ve network gecikmesi testleri.

Pratik akış: Kamera–LIDAR için hand–eye; LIDAR–IMU için Kalibrasyon SLAM (ör. Kalibrasyon sırasında 8’li rota).

5) Veri Formatı ve İlk Bakış: PCD, PLY, ROS PointCloud2

Proje başlangıcında küçük bir keşif not defteri:

PCD/PLY dosyalarını yükle, nokta sayısı–yoğunluk–FoV dağılımını incele.
Intensity histogramı: Malzeme ve mesafe etkisini gör.
Z ekseni: Yer yüzeyi tahmini için kaba eşik (örn. –2…+3 m).
Outlier oranı: Yağmur/kar simülasyonunda artar.

6) Ön İşleme: Filtreleme, Downsample, Zemin Ayırma

Voxel Grid Downsampling: 0.05–0.2 m küp boyutlarıyla nokta sayısını %70–95 azalt; hız–kalite dengesini raporla.
Statistical Outlier Removal (SOR): k-NN komşulukta aykırı noktaları temizle.
PassThrough: Yükseklik–mesafe limitleri.
Yer (ground) çıkarımı:
- RANSAC düzlem uyumu veya
- Progressive Morphological Filter (PMF) veya
- Gaussian Process + Height map (yüksek doğruluk).

Ödev ipucu: Ön işlemlerden önce/sonra haritanın dosya boyutu ve ICP süresi karşılaştırma tablosu.

7) Kayıt (Registration): ICP, GICP, NDT, LOAM ailesi

Yerelleştirme ve haritalamanın kalbi kayıt algoritmalarıdır.

ICP (Iterative Closest Point): Basit ve yaygın; iyi başlangıç ister.
GICP: Yüzey normallerini kullanır, daha kararlı.
NDT (Normal Distributions Transform): Hücrelerde Gauss dağılımı; kaba–iyi kayıt dengesi.
LOAM/LeGO-LOAM/FAST-LIO: Lidar odometry + mapping; gerçek zamanlı güçlü çözümler (IMU ile sıkı/gevşek birleşik).

Kıyas deney taslağı: Aynı veri üzerinde ICP, NDT ve LeGO-LOAM; metrikler: ateşleme süresi, drift (m/100 m), başarısız kayıt oranı.

8) LIDAR–IMU Birleşimi (LIO): Sıkı/Gevşek Bağ

İvmeölçer/jyro sensörleri LIDAR’ın düşük frekanslı fakat geometrik ölçümünü tamamlar.

Gevşek bağ: Ardışık filtreleme; LIDAR poz güncellemesi IMU hatasını düzelterek.
Sıkı bağ: Faktör graf veya eklemli optimizasyon (GTSAM, ceres-solver).
Dinamik sahneler: IMU, kısa süreli manevralarda ICP’yi kurtarır.

İpuçları: IMU bias/ölçek kalibrasyonu, gravity alignment, zero-velocity updates (ZUPT).

9) Haritalama: Voxel–OctoMap–Submap

Voxel (TSDF/ESDF): Çarpışma planlama için 3D doluluk.
OctoMap: Olgun, sıkıştırılmış sekiz-ağaç.
Submap stratejisi (Cartographer benzeri): Yerel haritaları küresel optimizasyonda bağla; döngü kapanışı (loop closure) ile drift’i bastır.

Ödev artısı: Harita boyutu vs çözünürlük grafiği ve bellek/kayıt süresi ilişkisi.

10) Yol Yüzeyi ve “Drivable Area” Çıkarımı

Ground segmentation sonrası; eğim ve pürüz eşikleriyle sürülebilir alan.
Grid map (2.5D height map): Hücreleri “serbest/engelli/şüpheli” olarak işaretle.
Kenar çıkarımı: Kaldırım/yol ayrımı; intensity + eğim kombinasyonu.
Şerit modelleme (LIDAR ile): Düşük yoğunlukta zordur; LIDAR–kamera füzyonu daha iyi.

11) Nesne Algılama: Kutu Yerleştirme, Kümeleme, Öğrenme

Euclidean Cluster Extraction: 3D nokta kümeleme → kaba kutular (AABB/OBB).
Özellikler: Boyut, yoğunluk, hız (LIDAR odometry’den türev), intensity istatistikleri.
Derin öğrenme: PointNet/PointPillars/SECOND; gerçek zaman için TensorRT hızlandırma.
Radar–LIDAR füzyonu: Hız ölçümü + menzil; yanlış pozitifleri azaltır.

Ödev deneyi: K-means/hiyerarşik kümeleme vs Euclidean; şehir içi veride davranış kıyası.

12) Takip (Tracking) ve Durum Tahmini

Kalman/Extended Kalman/Unscented Kalman: 3D kutuların x–y–z–vx–vy–yaw takibi.
Data association: Nearest-neighbor, Hungarian veya JPDA.
Doğrulama: MOTA/MOTP, ID-switch sayısı.

13) Planlama ve Engel Kaçınma: LIDAR Tabanlı Basit Hat

Yerel planlama: DWA, TEB, saf takip (pure pursuit) + çarpışma kontrolü (ESDF).
Global planlama: A*/D*, grid/graph.
Hız profili: Frenleme mesafesi, maksimum ivme kısıtları.
Emniyet kabuğu: Araç boyutları + güvenlik marjı (ör. 0.3–0.5 m).

14) Yazılım Yığını: ROS 1/2, Autoware, Apollo, PCL

PCL (Point Cloud Library): Filtreleme, segmentasyon, kayıt, özellik çıkarımı.
ROS 1/2: Topic/TF/rviz/rosbag; ROS 2 gerçek zaman ve DDS ile daha sağlam.
Autoware.Auto/Universe: Algılama–takip–haritalama–planlama modülleri hazır.
Cyber RT (Apollo): Endüstriyel seviyeye yakın, öğrenme dik.
Not: TF ağacı temiz olmalı (map→odom→base_link→sensor_frames).

Ödev iskeleti: lidar_driver → preproc_node (voxel+SOR+ground) → odom_node (LOAM/NDT) → map_server (OctoMap) → detect_node (cluster/PointPillars) → track_node (EKF) → planner

15) Veri Setleri ve Değerlendirme

KITTI, KITTI-360, nuScenes, Waymo Open, Argoverse: Hazır etiketli bulutlar.
Metrikler:
- Odometry: ATE/RPE, translasyon/rotasyon drift.
- Algılama: AP (Average Precision), IoU eşikleri.
- Haritalama: Occupancy accuracy, karşılaştırmalı görseller.
- Planlama: Çarpışma oranı, yol sapması, konfor (jerk).

Ödev kuralı: En az bir açık veri seti + kendi topladığın kısa rota; genelleme göster.

16) Kötü Hava ve Zor Koşullar: Sis, Yağmur, Kar, Toz

Yoğun yağmur/sis: Geri saçılma → yalancı noktalar (backscatter).
Filtreler: Range–intensity eşiği, temporal median, bilateral filtre.
Radar destekli füzyon: Yağmurda hedef sürekliliği.
Isıtmalı kapak/temizleyici: Lens kirlenmesine karşı.

17) Güvenlik, Regülasyon ve Test Pisti

Fonksiyonel güvenlik: ISO 26262, algılama–planlama FMEA.
Emniyet alanı: “Virtual bumper” ve acil durdurma (ESTOP).
Test pisti senaryoları: Engel çıkışı, dar koridordan geçiş, ani fren–devam.
OHS: Lazer güvenliği (Sınıf 1), göze güvenli.

18) Donanım: Güç, Veri ve Hesap

Güç dağıtımı: Oto 12 V → DC/DC 24/48/PoE; sigorta–EMI filtre.
Ağ: Gbps Ethernet, bazen time-sensitive networking (TSN).
Hesap: GPU (CUDA/TensorRT), mini PC (AGX Orin / x86) → 10–30 W.
Isı: Fan/kanal; IP muhafazada hava akışı planı.

19) Saha Günlüğü ve Sorun Giderme

Bag indeksleri: Hızlı arama için özet dosyaları.
Logger: CPU/GPU yükü, drop frame, gecikme.
“Göster ve anlat”: rviz ekran görüntüleri: ham bulut, yer, küme/kutu, yol.

20) Mini Vaka A: Şehir Sokağında SLAM + Drivable Area

Kurgu: 32 hat döner LIDAR, IMU; ROS 2 + LeGO-LOAM.
Adımlar: Voxel 0.1 m, SOR k=20; PMF ile zemin; LeGO-LOAM odometry; OctoMap 0.2 m çözünürlük; grid map ile sürülebilir alan.
Sonuç: ATE 0.69 m (1 km rotada), harita boyutu 210 MB; drivable area çıkarımıyla TEB yerel planlayıcı çarpışmasız iki kavşak geçti.

21) Mini Vaka B: Park Alanında Engel Algılama–Takip

Kurgu: 64 hat LIDAR + kamera; Euclidean cluster + PointPillars; EKF takip.
Sonuç: 20–30 m menzilde yaya–koniler AP@IoU=0.5: %76; ID-switch 3/10 dk; kamera füzyonu ile yanlış pozitif %30 azaldı.

22) Mini Vaka C: Yağmurda Dayanıklılık

Kurgu: Şiddetli yağmur simülasyonunda intensity–range eşiği ve temporal median.
Sonuç: Backscatter kaynaklı yalancı yoğunluk %45→%12; radar menzil korelasyonu ile engel sürekliliği korundu.

23) Ödev Teslimi için “Altın” Kontrol Listesi

Sensör seçimi tablosu (FoV–range–resolution–rate–IP–güç–sürücü).
Montaj fotoğrafları ve extrinsic matrisi.
Zaman senkronu diyagramı (PTP/PPS).
Ön işleme öncesi/sonrası noktacık sayısı ve süre tablosu.
Kayıt kıyası: ICP vs NDT vs LOAM (süre, drift).
Harita çözünürlüğü–bellek grafiği.
Drivable area görseli + planlayıcı çıktısı.
Algılama AP & takip MOTA; rviz ekran görüntüleri.
Kötü hava deneyi (yağmur/sis filtresi).
FMEA özeti + emniyet kabuğu parametreleri.

24) Sık Yapılan Hatalar ve Kurtarma Planı

Senkronu hafife almak: 20–50 ms kayma, takip ve birleşimde çöküş demektir → PTP + zaman damgası teyidi.
Aşırı yoğun bulut: Voxel/ROI olmadan LOAM/NDT ağırlaşır → 0.1–0.2 m voxel ve ROI.
Yer ayırmadan kümeleme: Yerdeki noktalar engel sanılır → ground segmentation şart.
Extrinsic hatası: Kamera–LIDAR kutularının kayması → hand–eye yeniden kalibrasyon.
Sadece tek metrikle övünme: Odometry drift iyi ama algılama kötü olabilir → çoklu metrik.

25) Sonuç: LIDAR’ı Projede “Sistem” Olarak Düşünmek

LIDAR, otonom sürüşte 3D geometrinin hakemidir; fakat tek başına zafer getirmez. Başarı; doğru sensör–sağlam montaj–temiz senkron–titiz ön işleme–sağlam kayıt–hafif ve kararlı harita–faydalı algılama ve takip–emniyetli planlama zincirinin kesintisiz kurulmasıyla gelir. Bu rehber, bir dönem ödevini ürünleşebilir mini demo seviyesine taşıyacak pratik akışları ve değerlendirme ölçütlerini sundu. Tavsiyemiz; küçük bir senaryoyu baştan sona çalışır hâle getirip ardından “kötü hava”, “yüksek hız”, “kalabalık sahne” gibi zorlu modüllerle genişletmenizdir. Unutmayın: Otonomluk, tek bir mükemmel modelden değil, zayıf halkası olmayan bir sistemden doğar.

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: LIDAR Sensörlü Otonom Araç Projeleri İçin Rehber first appeared on Ödev Yaptırma & Danışmanlık Merkezi.