Simülasyondan Gerçek Dünyaya
Modern şehirlerde trafik sıkışıklığı, hem bireysel sürücüler için zaman kaybı hem de çevresel etkiler açısından kritik bir sorun haline gelmiştir. Özellikle kavşaklarda geçirilen bekleme süreleri, toplam seyahat süresinin önemli bir kısmını oluşturmakta ve yakıt tüketimi ile emisyonları artırmaktadır. Bu bağlamda geliştirilen akıllı trafik ışığı sistemleri, geleneksel sabit veya trafiğe bağlı zaman aralıklı kontrol yöntemlerine göre büyük bir sıçrama vaat etmektedir. Son araştırmalar, derin pekiştirmeli öğrenme (deep reinforcement learning) tabanlı bir yapay zeka devresi sayesinde kavşaklardaki bekleme sürelerinin yüzde on ila on beş oranında azaltılabileceğini göstermektedir. Bu makale, söz konusu teknolojinin çalışma prensiplerini, veri toplama ve simülasyon süreçlerini, gerçek dünya testlerini ve karşılaşılan zorlukları bilimsel bir perspektifle ele almaktadır.
Kent Mobilitelerinde Yapay Zeka Devrimi
Trafik ışığı kontrol sistemleri tarihsel olarak üç ana kategoriye ayrılır: sabit süreli kontrolörler, trafiğe duyarlı (actuated) kontrolörler ve adaptif kontrol sistemleri. Sabit süreli sistemler, günün saatine göre önceden belirlenmiş döngülerle çalışırken; trafiğe duyarlı sistemler, döngü dedektörleri veya manyetik sensörler aracılığıyla anlık araç varlığını algılayarak yeşil süresini uzatabilir. Ancak bu yöntemler, trafik akışının dinamik ve rastlantısal doğasını tam olarak yakalayamamaktadır. İşte bu noktada derin pekiştirmeli öğrenme (DPÖ), bir ajanın çevresiyle etkileşime girerek deneme-yanılma yoluyla en iyi karar politikasını öğrenmesini sağlayan bir makine öğrenmesi alt dalı olarak devreye girer. DPÖ, özellikle yüksek boyutlu gözlem alanlarında (örneğin, kamera görüntüleri veya radar verileri) etkili bir şekilde çalışabilen derin sinir ağları ile pekiştirmeli öğrenmeyi birleştirir.
Yöntem: Derin Pekiştirmeli Öğrenme ve Veri Toplama
Araştırma ekibi, derin Q-ağları (DQN) veya daha gelişmiş bir varyant olarak çift derin Q-ağları (Double DQN) mimarisini temel alan bir algoritma geliştirmiştir. Yapay zekanın eğitilebilmesi için öncelikle büyük miktarda ve yüksek kalitede veriye ihtiyaç duyulmaktadır. Bilim insanlarının belirttiği gibi, derin öğrenme modelleri veriye aç karakterdedir; bu nedenle ilk adımda gerçek bir kavşakta trafik akışını kamera ve radar cihazları kullanarak kaydetmişlerdir. Kameralar, araç ve bisiklet türlerinin sınıflandırılmasında görsel ayrıntı sağlarken; radar sensörleri, hız ve mesafe bilgisini hava koşullarından daha az etkilenerek sunmaktadır. Bu iki sensörün füzyonu, yüksek doğruluklu bir algılama katmanı oluşturmuştur. Toplanan veriler arasında her bir aracın kavşağa varış zamanı, bekleme süresi, geçiş yönü ve hız profili gibi parametreler yer almaktadır.
Simülasyon Ortamının Oluşturulması ve Eğitim
Gerçek dünyada bir yapay zeka ajanını doğrudan trafik ışıklarını kontrol etmek üzere eğitmek, hem güvenlik riskleri hem de etik sorunlar doğuracağından dolayı mümkün değildir. Bu sebeple araştırmacılar, toplanan ayrıntılı verileri kullanarak gerçekçi bir simülasyon ortamı inşa etmişlerdir. Simülasyon, mikro ölçekli trafik modellemesi (örneğin SUMO veya AIMSUN benzeri bir altyapı) ile yapay zeka algoritmasının kararlarını test edebileceği bir sanal kavşak sunmaktadır. DPÖ ajanının her adımda yaptığı eylem (örneğin, yeşil ışığın bir yön için uzatılması veya döngünün değiştirilmesi) sonucunda bir ödül sinyali alır. Bu ödül, tüm araçların toplam bekleme süresinin negatifi olarak tanımlanmıştır; yani ajan, bekleme süresini mümkün olduğunca kısaltmaya çalışmaktadır. Eğitim sürecinde, ajanın keşif (exploration) ve sömürü (exploitation) dengesini sağlamak için epsilon-greedy politikası kullanılmıştır.
Gerçek Dünya Testleri ve Simülasyon-Gerçeklik Boşluğu
Bir makine öğrenmesi modelinin simülasyonda başarılı olması, gerçek dünyada da aynı performansı göstereceği anlamına gelmez. Araştırmacılar, simülasyon ve gerçeklik arasında her zaman bir boşluk (sim-to-real gap) olduğunun bilincindedir. Bu boşluğu kapatmak için iki önemli adım atmışlardır. İlk olarak, yapay zekanın eğitim verilerine kasıtlı olarak belirli bir miktarda hata payı (noise) eklemişlerdir. Bu hata payı, sensör gürültüsünü, algılama hatalarını ve gerçek dünyadaki öngörülemeyen olayları (örneğin, acil durum araçları, yayaların ani davranışları) temsil etmektedir. İkinci olarak, algoritmayı gerçek bir kavşakta kurulu bir uç bilgisayarda (edge computer) çalıştırarak pratik bir test gerçekleştirmişlerdir. Uç bilgisayar, düşük gecikme süresi ve merkezi bir sunucuya bağımlılığı ortadan kaldırması açısından kritik öneme sahiptir. Kamera ve radar sensörlerinin kombinasyonu en başından itibaren planlandığı için, kurulumun aşırı maliyetli ve karmaşık olmayacağı öngörülmektedir.
Bulgular: Bekleme Sürelerinde Yüzde 10-15 İyileşme
Simülasyon ortamında yapılan karşılaştırmalı analizde, DPÖ tabanlı kontrol sisteminin şu anda kullanılan trafiğe bağlı zaman aralığı kontrolüne (actuated coordinated control) kıyasla bekleme sürelerinde yüzde on ila on beş arasında bir azalma sağladığı gözlemlenmiştir. Bu iyileşme, özellikle değişken trafik yüklerinin olduğu tepe saatlerinde daha belirgin hale gelmektedir. Örneğin, sabah ve akşam yoğunluğunda farklı yönlerden gelen araç akışları arasında dinamik olarak denge kuran yapay zeka, bir yöndeki yeşil süresini gereksiz yere uzatarak diğer yönleri mağdur etmek yerine, tüm kavşaktaki ortalama bekleme süresini minimize eden bir politika öğrenmiştir. Pratik testlerde de simülasyon sonuçlarına benzer performans elde edilmesi, hata payı ekleme yönteminin başarısını kanıtlamıştır.
Tartışma: Kara Kutu Problemi ve Güvenlik Önlemleri
Her ne kadar sonuçlar umut verici olsa da, yapay zekanın doğası gereği bir “kara kutu” olması önemli bir kısıt oluşturmaktadır. Bilim insanları dahi, derin sinir ağının belirli bir kararı neden verdiğini tam olarak açıklayamamaktadır. Trafik ışıkları gibi güvenlik kritik bir sistemde, kararların anlaşılabilir ve öngörülebilir olması yasal ve etik bir zorunluluktur. Bu sorunu hafifletmek için araştırmacılar, yapay zekanın yetkilerini sınırlandırmıştır. Yapay zeka şu anda doğrudan herhangi bir trafik ışığı aşamasını etkinleştirmemekte, bunun yerine önceden tanımlanmış güvenli kombinasyonlar arasından seçim yapmaktadır. Bu yaklaşım, yaklaşık iki geçiş yönünün paralel olarak yeşil ışık almasını (örneğin, doğu-batı ve kuzey-güney aynı anda yeşil) engelleyerek çarpışma riskini ortadan kaldırır. Ayrıca, tüm yapay zeka komutları geleneksel trafik ışığı yazılımı tarafından denetlenmekte ve herhangi bir anormal durumda sistem otomatik olarak güvenli moda geçmektedir.
Gelecek çalışmalar, açıklanabilir yapay zeka (XAI) tekniklerinin bu sisteme entegrasyonuna odaklanmalıdır. Ayrıca, birden fazla kavşağın birbirleriyle koordineli olarak çalıştığı bölgesel trafik yönetimi senaryolarına genişletme potansiyeli bulunmaktadır. Bisikletliler ve yayalar gibi hassas yol kullanıcılarının verilerinin modellenmesi de sistemin kapsayıcılığını artıracaktır. Son olarak, derin pekiştirmeli öğrenmenin enerji tüketimi ve karbon emisyonları üzerindeki dolaylı etkilerinin de nicel olarak analiz edilmesi önerilmektedir.
Gelecek Perspektifleri
Bu makalede incelenen akıllı trafik ışığı sistemi, derin pekiştirmeli öğrenme ile gerçek zamanlı veri füzyonu ve simülasyondan gerçeğe transfer öğrenmesinin başarılı bir birleşimidir. Kamera ve radar sensörlerinden elde edilen verilerle eğitilen yapay zeka, simülasyon ortamında yüzde on ila on beş daha kısa bekleme süreleri sağlamış ve pratik testlerde bu performansını doğrulamıştır. Güvenlik endişeleri nedeniyle kısıtlı bir yetkiyle çalışan sistem, halen geleneksel yazılımın denetimindedir. Ancak bu teknolojinin yaygınlaşmasıyla birlikte, şehir içi ulaşımda zaman kaybı, yakıt tüketimi ve emisyonlarda önemli düşüşler beklenmektedir. Yapay zekanın kara kutu niteliğinin aşılması, bu sistemlerin daha geniş çapta benimsenmesinin anahtarı olacaktır.








