End-to-End Model Otonom Sürüşü Nasıl Değiştiriyor?

Bir arabanın kendini sürdüğünü düşündüğünüzde aklınıza ne geliyor? Muhtemelen yolun üstüne yerleştirilmiş düzinelerce sensör, devasa haritalar ve her durumu önceden kural olarak yazmış mühendisler, değil mi? İşte Tesla, FSD sürüm 12 ile bu tabloyu tersine çevirdi: artık ortada binlerce elle yazılmış kural yok; ham kamera görüntüsü giriyor, direksiyon-fren-gaz komutu çıkıyor. Peki bir sinir ağına "sürmeyi öğren" demek gerçekten ne anlama geliyor? Bu geçiş, otonom sürüş dünyasını nasıl değiştiriyor - ve nerede takılıyor?
Klasik Modüler Mimari: Sürücü Asistanın İçindeki Fabrika Hattı
End-to-end konuşmadan önce eski düzeni anlamak şart, çünkü bugün yollardaki sistemlerin çoğu hâlâ bu mantıkla çalışıyor. Modüler mimari, otonom sürüş yazılımını bir fabrika hattı gibi kuruyor: her aşama kendi işini yapıyor ve çıktıyı bir sonrakine devrediyor. DARPA Grand Challenge'ın ilk kazanan araçlarından Cruise, Mobileye ve açık kaynak Autoware'a kadar bu yaklaşımın köklü bir geçmişi var.
- Algı (Perception): LiDAR, kamera ve radar verisi işlenip nesneler tespit edilir; YOLO ve VoxelNet gibi algoritmalar bu katmanda görev yapar.
- Tahmin (Prediction): Yayalar ve diğer araçlar kısa ve uzun vadeli yörüngeleriyle modellenir.
- Planlama (Planning): Rota, A* veya Dijkstra gibi klasik algoritmalarla, yerel manevralar da RRT gibi yöntemlerle hesaplanır.
- Kontrol (Control): Genellikle Model Predictive Controller (MPC) devreye girer ve aracı fiziksel olarak yönlendirir.
Bu yapının en büyük artısı şeffaflık: her modülü ayrı ayrı test edebilir, hangi aşamanın neyi yanlış yaptığını bulabilirsiniz. Ama en büyük zaafı da tam burada saklı - hata yayılımı. Algı modülü bir yayayı yanlış sınıflandırırsa, o hata zincirin sonuna kadar taşınır ve planlama modülü zaten çürümüş veriyle karar verir. Üstelik her modülün ayrı eğitilmesi ciddi alan uzmanlığı ve hesaplama gücü ister; aşamalı işleme başlı başına bir verimsizlik kaynağıdır.
Öne Çıkanlar
- Tesla FSD, sürüm 12 ile (2024 başında müşterilere açıldı) tamamen uçtan uca sinir ağı mimarisine geçti; bugün v14 sürümündesiniz.
- Modüler mimaride algı, tahmin, planlama ve kontrol ayrı modüllerdir; end-to-end'de hepsi tek sinir ağında birleşir.
- FSD'nin resmî adı hâlâ FSD (Supervised): tam otonom araba değil, sürekli dikkatli sürücü gerektiren bir destek sistemi.
- End-to-end'in en büyük sorunu açıklanabilirlik: sinir ağlarının formel doğrulanması hâlâ çözülmemiş bir mühendislik problemi.
End-to-End Yaklaşımı: Binlerce Kural Yerine Milyonlarca Örnek

End-to-end sürüşte fikir çarpıcı derecede basit: ham sensör verisini - kamera, LiDAR, radar, GPS - tek bir dev sinir ağına veriyorsunuz ve ağdan doğrudan sürüş komutları ya da bir sürüş planı alıyorsunuz. Algı, tahmin ve planlama ayrı yazılımlar olmaktan çıkıp tek programın içinde eriyor. Tesla bu yola FSD v12 ile girdi ve 2024 başında sürücülerin direksiyonunda deneyimlediği ilk end-to-end sürüm ortaya çıktı. Bugün sistem v14'e kadar evrildi.
Farkı bir benzetmeyle anlatayım: modüler sistem, trafik kurallarını ezberlemiş bir öğrenci; her duruma hazır bir kuralı var. End-to-end sistem ise yanında oturup binlerce saat izlediği deneyimli bir şoför; neyi neden yaptığını belki tek tek açıklayamıyor ama doğru hamleyi hissediyor. Sinir ağı yalnızca nesnelerin ne olduğunu değil, insan sürücülerin onlara nasıl tepki verdiğini de öğreniyor.
Peki Ağ Nasıl Eğitiliyor?
İki ana yol var. Birincisi taklit öğrenmesi (behavior cloning): ağ, insan sürücülerin milyonlarca kilometrelik davranışını kopyalamayı öğreniyor. Güzel yöntem ama iki zaafı var - kovaryans kayması ve nedensel karışıklık; yani ağ, neyin gerçekten önemli olduğunu yanlış öğrenebiliyor. İkincisi pekiştirmeli öğrenme: simülasyonda deneme-yanılma ile ağ ödüllendirilerek eğitiliyor. NVIDIA bu konuda 2016'daki DAVE-2'den bugün 1.000 TOPS'a kadar çip gücü sunan DRIVE Thor'a uzanan bir geçmişe sahip; Wayve ve Comma.ai de aynı felsefeyi izleyen diğer isimler.
Modüler mü End-to-End mi? Somut Karşılaştırma
İki yaklaşımı yan yana koyduğumuzda tablo netleşiyor. End-to-end mimarinin araştırmacılar tarafından sıralanan avantajları şunlar: hata yayılımının azalması, hesaplama verimliliği, eğitimin görece kolaylığı ve ilginç bir biçimde saldırıya dayanıklılık - sistemin sürüş davranışını hangi spesifik girdinin tetiklediği dışarıdan bilinemediği için kötü niyetli manipülasyon da zorlaşıyor.
| Özellik | Modüler Mimari | End-to-End Mimari |
|---|---|---|
| Yapı | Algı → tahmin → planlama → kontrol ayrı modüller | Ham sensör verisinden kontrole tek sinir ağı |
| Geliştirme yöntemi | Elle yazılmış kurallar + ayrı eğitilen modüller | Veriden öğrenme (taklit/pekiştirmeli öğrenme) |
| Şeffaflık | Yüksek; her modül ayrı test edilebilir | Düşük; karar mekanizması kara kutu |
| Hata yayılımı | Var; algı hatası zinciri boyunca taşınır | Azaltılmış |
| Veri ihtiyacı | Modül başına alan uzmanlığı | Çok büyük veri seti zorunlu |
Karşı tarafın ise ağır topu şeffaflık. Modüler sistemi parça parça denetleyebilirsiniz; sinir ağının kafasının içinde ne döndüğünü ise ancak kısmen görebilirsiniz. Araştırma dünyası bu eleştiriye dikkat haritaları ve yorumlanabilir çıktılarla kısmi cevaplar geliştirse de işin içine güvenlik sertifikası girince mesele derinleşiyor - buna az sonra geleceğiz.
Tesla ile Waymo: Aynı Hedef, Zıt Felsefeler
Sensör tarafındaki bölünme mimari tartışmasının en görünür yüzü. Tesla'nın yaklaşımı kamera + sinir ağı, LiDAR'sız - küresel ölçekte gezinebilen bir sistem için bu yolun gerekli olduğunu savunuyorlar. Waymo ise tam tersi: son aracında 13 kamera ve 4 LiDAR ünitesiyle sensörleri üst üste yığan bir çok-sensörlü mimari. Waymo eş-CEO'su Dmitri Dolgov, 2026'da kamera-tek yaklaşımın tam otonomiye ulaşmadan yataylaştığını, yani tıkandığını açıkça söyleyen isim. Tesla cephesi ise FSD ile milyarlarca mil kanıt üretildiğini savunuyor.
Aslında tablo kulisten bakınca biraz daha gri: Tesla ve Waymo dahil birçok oyuncunun fiilen hibrit mimariler kullandığı, yani deterministik rota planlaması ile sinir ağı tabanlı algının birleştiği ifade ediliyor; Momenta ve Aurora da bu listede sayılıyor. Yani "her şey tek ağda mı, her şey ayrı modülde mi" sorusunun cevabı sahadaki pratikte çoğu zaman "ikisinin karışımı" oluyor. Sensör kıyasında ise LiDAR düşük ışık ve gece koşullarında üstün; kamera-tek sistemler ise enerji verimli ve önceden haritalama gerektirmiyor.
Kara Kutu Sorunu: Açıklanabilirlik ve Doğrulanabilirlik
İşin teknik olarak en can alıcı kısmı burası. Otomotiv dünyasının güvenlik standartları - ASIL, ASPICE, AUTOSAR, MISRA - sistemin ne yaptığını gereksinim bazında tanımlamayı ve kanıtlamayı ister. End-to-end bir sinir ağında "araba şu durumda şu kararı verecek" diye yazabileceğiniz bir gereksinim tanımlamak zaten zor; sinir ağlarının formel doğrulanması ise hâlâ çözülmemiş bir mühendislik problemi. Yani ağ ne kadar iyi sürerse sürsün, mühendislerin her güvenlik gereksinimini ispatlaması gerektiğinde ellerinde yeterli araç olmayabiliyor.
Bunun somut karşılığını sorumluluk tarafında görüyoruz. Mercedes-Benz, dünyanın sertifikalı ilk Seviye 3 sistemi olan DRIVE PILOT için hukuki sorumluluğu üstlendiğini açıkladı ve Almanya otoritesinden otoyollarda 95 km/s hıza kadar onay aldı - SAE J3016 seviyelerine göre Seviye 3'te sorumluluk sürücüden üreticiye geçiyor. Bunun nedeni kısmen mimari: modüler ve sınırları net tanımlanmış bir sistem, "bu koşullarda sistem sürüyor" denip üstüne imza atılabilir bir şeydir. Kara kutu bir ağa aynı imzayı atmak çok daha zor. Yeni araştırma trendi ise sinir ağlarına sahne anlama ve akıl yürütme katmanı ekleyen büyük dil modelleri ve görsel dil modelleri - açıklanabilirlik sorununa bir cevap denemesi olarak.
Vaat ile Gerçeklik: Bugünkü Durum Ne?
Buraya kadar her şey heyecan vericiydi; şimdi soğuk duş. Tesla FSD'nin resmî adına bakalım: FSD (Supervised). Yani "tam otonom sürüş" adını taşıyan sistem, resmî tanımıyla tamamen dikkatli bir sürücüyle kullanılmak üzere tasarlanmış ileri bir sürücü destek sistemi ve Tesla'yı tam otonom bir araca dönüştürmüyor. Sürücü her an müdahale etmeye hazır olmak zorunda - SAE sınıflandırmasında bu hâlâ Seviye 2 bölgesi. FSD v13 ile sistem park halindeki araçta devreye alınabiliyor ve geri manevra dahil ediliyor; yetenekler büyüyor, ama sınıflandırma değişmiyor.
Diğer yanda Waymo, 14 ABD şehrine ölçeklenen robotaksi hizmetiyle Seviye 4 operasyonunu fiilen yürütüyor. SAE'nin güncel revizyonu da Seviye 0-2'yi "sürücü destek sistemleri", Seviye 3-5'i "otomatik sistemler" olarak yeniden adlandırırken tam otomasyonun yani Seviye 5'in hâlâ uzak olduğunu vurguluyor. Sektör genelinde hype dalgasından gerçek dünyaya dağıtıma geçiş dönemini yansıtıyor: Seviye 2+ sistemler yaygınlaşmış durumda, robotaksiler belirli şehirlerle sınırlı ve Seviye 5 herkes için hâlâ bir hedef.
Özetle: Kural Yazmaktan Öğrenmeye Geçiş Ne Kadarını Değiştirdi?
Direkt cevap şu: end-to-end mimari, otonom sürüşte karar veren yazılımı elle yazılan kurallardan veriden öğrenen tek bir sinir ağına taşıdı; bu, daha doğal sürüş davranışı ve azalan hata yayılımı getirdi, ama açıklanabilirlik, doğrulanabilirlik ve sertifikasyon tarafında yeni ve henüz çözülmemiş zorluklar yarattı. Tesla bu bahse en agresif giren oyuncu ve FSD v12 sonrası sistem gerçekten farklı bir şey oldu - ama süpervizyonsuz tam otonomi hâlâ teslim edilmiş değil. Modüler yaklaşım da sahneden inmiş değil; Waymo'nun sensör yığınını kullanan, sorumluluk üstlenen Seviye 3-4 sistemleri bu felsefeyle sertifikasyon alıyor. Muhtemelen geleceğin kazanan mimarisi, her iki dünyanın en iyisini birleştiren hibrit yapılar olacak - ve o yarış tam şu an koşuluyor.
Kaynaklar
- Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey - arXiv
- Autonomous driving: Modular pipeline Vs. End-to-end and LLMs
- Navigating Autonomous Driving: Comparing Modular, End-to-End, and Hybrid
- End-to-end learning vs modular trade-offs
- Integrating Modular Pipelines with End-to-End Learning
- End-to-end system architectures in autonomous driving