Otonom Araçlar Sürmeyi Nasıl Öğreniyor? Simülasyonun Gölge Okulu

Otonom araçlar sürmeyi gerçek yollarda değil, büyük ölçüde simülasyonda öğreniyor: milyarlarca kilometrelik sanal dünyada milyonlarca kez deneyip hata yapan bir yapay zekâ, gerçek yol verisiyle birleştiğinde gündelik trafikte karar vermeyi öğreniyor. Ama sanalda parlayan bir sürücünün asfaltta aynı performansı göstermeyeceğini bilmek de en az öğrenmek kadar önemli. İşte o ilginç gerilimin tüm hikâyesi.

Otonom araç sürmeyi simülasyonda nasıl öğreniyor?

İnsanlar araba kullanmayı yolda öğrenir; yapay zekâ ise çoğunlukla bilgisayarın içinde. Otonom sürüş sistemleri kural tabanlı değil, veriden öğrenen olasılıksal modellerle çalışıyor. Yani bir mühendis "kavşakta şöyle davran" diye kod yazmıyor; sistem milyonlarca örneğe bakıp davranışı kendisi öğreniyor. Bu örneklerin önemli bir kısmı simülasyondan geliyor.

Süreç kabaca şu şekilde işliyor:

1. Gerçek veri toplanır: Test araçları yollarda dolaşırken kamera, radar ve lidar verisi kaydeder; ayrıca saatte ~4 terabayt üreten bu veri, bir haftadan kısa sürede petabayt hacmine ulaşıyor.
2. Veri sanal dünyaya dönüşür: Sinirsel yeniden yapılandırma teknikleri, gerçek çok sensörlü sürüş kayıtlarını yüksek sadakatli 3D ortamlara çeviriyor. Üretici dünya modelleri de hava, ışık ve nadir senaryo varyasyonları ekliyor.
3. Yapay zekâ deneme-yanılmayla eğitilir: Pekiştirmeli öğrenme sayesinde sistem şerit değiştirme, sollama ve yol verme gibi davranışları sanal trafikte defalarca dener; iyi sonuç alan davranışlar ödüllendirilir.
4. Güvenlik testi yapılır: Politikalar gerçek yolda kullanılmadan önce yazılım-döngüde (SIL), donanım-döngüde (HIL) ve gerçek araçla (VIL) gibi kademeli testlerden geçer.

Peki yapay zekâ aslında ne öğreniyor? Nesne tanımada evrişimli sinir ağları (CNN), diğer araçların ve yayaların 3–5 saniye sonraki hareketini tahmin etmede Transformer'lar, kavşak etkileşimlerinde ise grafik sinir ağları öne çıkıyor. Bazı sistemler ise ham sensör verisinden doğrudan direksiyon ve freni öğrenen uçtan uca mimariler kullanıyor - ama bunlar sertifikasyon sorunları nedeniyle hâlâ deneysel sayılıyor.

11 milyar mil sorunu: Simülasyon neden zorunlu?

İşte işin matematiği acımasız. İnsan seviyesinde bir hata oranına ulaşmak için otonom araçların yaklaşık 11 milyar mil yapması gerektiği hesaplanıyor. Fiziksel testle bunu tamamlamak yüzlerce yıl alır - yani kimse bekleyemez. Bu yüzden sektör simülasyona mecbur: güvenlik kanıtının büyük kısmı ancak sanal dünyada üretilebilir. Sürücü eğitim simülatörü pazarının bile 2026'da 2,2 milyar dolar değerinde olduğu ve 2033'e kadar 3,0 milyar dolara çıkması beklendiğini eklersek, bu bir moda değil, endüstrinin temel altyapısı.

Sanal dünyanın süper güçleri

Simülasyonun en büyük avantajı, gerçek dünyada imkânsız olan şeyleri tekrar tekrar deneyebilmek. Yola ani giren bir yaya, ani kesen bir araç, gece karanlığında sönük farlar, yoğun sis, güneş parlaması... Bunların hepsi sanal ortamda güvenle ve aynı koşullarda tekrarlanabilir biçimde test ediliyor. Sensör arızaları bile simüle edilebiliyor: ön kameranın bozulduğu bir senaryoyu gerçek yolda kurgulamak hem tehlikeli hem pahalı; sanalda birkaç tık.

McCity'nin çalışması buradaki zekice bir hamleyi gösteriyor: Simüle edilmiş kötü sürücülerle oluşturulan sanal test ortamı, acil karar verme becerisini geliştirmek için "nadirlik lanetini" kırıyor. Gerçekte yılda bir kez karşılaşacağın bir senaryoyu, sanal dünyada günde bin kez yaşayabilirsin. Ek olarak bazı kullanım alanlarında güvenlik doğrulaması yalnızca simülasyonla yapılabiliyor - yani resmî sertifikasyon süreci bile artık sanal dünyaya bağımlı.

Tesla ve Waymo: İki farklı okul, aynı dersteye mi?

Sektörün iki öncüsü sürmeyi iki farklı şekilde öğretiyor. Farkı bir tabloda özetleyelim:

Tesla'nın stratejisi cesur: lidar'ı ve harita altyapısını devre dışı bırakıp her şeyi kamera verisiyle öğrenen tek bir mimariye emanet ediyor. Bunun avantajı ölçek - yoldaki her Tesla bir öğretmen. Waymo ise daha zengin sensör verisiyle çalışıyor ve kendisinin bile ne kadar simülasyon ya da test sürücüsü olursa olsun bunun tek başına yeterli olmadığını vurguluyor. İlginç olan şu: iki yaklaşımın düşünüldüğünden daha benzer olduğu görüşü de güçlü. Çünkü Waymo da her nesneyi temsil etmenin en iyi yolunu veri güdümlü eğitimle öğreniyor. Fark, algıya giren verinin zenginliğinde.

Waymo'nun dünya modeli adımı

Şubat 2026'da Waymo, otonom sürüş simülasyonu için yeni bir dünya modeli duyurdu. Şirketin yaklaşık 200 milyon tam otonom mili ve milyarlarca sanal mili, artık daha gerçekçi sanal dünyalar üretmek için hammadde olarak kullanılıyor. Kronoloji de etkileyici: 2016'da 2,5 milyar simüle mil vardı, 2018'de 6 milyarın üzerine çıkıldı, 2020'de 15 milyar aşıldı ve bugün 20 milyarın üzerindeyiz. Tek bir yanıp sönen sarı ışık bile binlerce saatlik sanal deneyime dönüşebiliyor.

Sim-to-real uçurumu: Sanalda parlayan sürücü yolda neden sendeler?

İşte makalenin kalbi burası. Simülasyonda mükemmel çalışan bir davranış, gerçek dünyada neden aynı sonucu vermeyebilir? Bu farkın adı sim-to-real gap - simülasyon-gerçek uçurumu. Nedenleri dört başlıkta toplanıyor:

• Görsel alan farkı: Sanal grafikler gerçek ışığı, doku ve yaz sıcağındaki asfalt parıltısını birebir taklit edemez.
• Fizik yaklaşımlama hatası: Simülatörün fizik motoru gerçek dünyanın karmaşık dinamiğini yaklaşık hesaplar.
• Sensör gürültüsü uyumsuzluğu: Gerçek lidar ve radar verisi kirli, gecikmeli ve tahmin edilmesi zor bir gürültü taşır.
• Uzun kuyruklu senaryo eksikliği: Gerçek dünyadaki tuhaflıkların tamamı sanal kütüphaneye işlenemez.

Robotik dünyadan gelen güncel araştırmalar tam da bunu inceliyor: modellenmemiş etkiler, sensör gecikmeleri ve yanlış parametreler, laboratuvar yıldızını sahada başarısızlığa uğratabiliyor. Çözüm olarak öne çıkan iki teknik var: domain randomization (sanal dünyada ışığı, rengi, fiziği rastgele değiştirerek sistem karşılaştığı her varyasyona dayanıklı hâle getirilir) ve system identification (simülatörün parametrelerini gerçek dünyadan ölçülen veriyle kalibre etmek). Trafikte bunun acı örnekleri yaşandı: Ağustos 2023'te Kaliforniya'da ücretli robotaksi izni alan Cruise, kısa sürede iki ciddi kaza yaptı ve filosu yarıya indirildi. Simülasyonda güvenli görünen bir sistem, gerçek dünyada sınavdan hemen kaldı.

Veri dengesizliği ve yapay zekânın aşırı özgüveni

İkinci büyük risk daha az görünür: eğitim verisinin dengesizliği. Otonom sürüşün önündeki engeller arasında sayılan bu sorun, basit bir mantığa dayanıyor - veri havuzunda az temsil edilen durumlar, sistemde az öğrenilmiş durumlar demek. Georgia Tech'in araştırması bunun önyargıya dönüşebileceğini gösterdi: algoritmik önyargı nedeniyle otonom araçların belirli grupları, örneğin koyu tenli yayacıları tehlikeye atabileceği öne sürüldü. Bu, teknik bir detay değil, etik bir alarm.

Üçüncü risk ise yapay zekânın karakteriyle ilgili: Yapay zekâ sistemleri yanlış cevaplara yüksek güven skoru atayabiliyor. İnsan gibi "emin değilim" diyemiyor; özgüveni eğitim verisi, model varsayımları ve geri bildirim döngüleri aracılığıyla insan bilişsel önyargılarını bile miras alıyor. Uç durum tespitinde yanlış pozitifler gereksiz müdahalelere, yanlış negatifler ise kritik olayların kaçırılmasına yol açıyor. Üstelik otomatik üretilen sentetik etiketler güvenlik-kritik eğitim için her zaman yeterince güvenilir olmayabiliyor. Bir uzmana göre güvenilir otonom araçlara daha 10 yıl var - ve uç durumu yanlış yöneten bir araçta hata payı fiilen sıfır.

Simülasyona fazla güvenmenin bedeli nedir?

Bu noktada iki kamp karşı karşıya. Savunucular haklı: 11 milyar mil engeli yüzünden simülasyon olmadan güvenlik kanıtı fiilen imkânsız. Şüpheciler de haklı: simülasyon tabanlı test gerçek dünyadaki tüm senaryoları gerçekten içeriyor mu? Bu soru yıllardır havada. Waymo'nun kendi tespiti bile simülasyon hacminin tek başına yeterli olmadığını ima ediyor. Ve alanın tanınmış isimlerinden Steve Wozniak, alışılmadık durumlarda direksiyonun en aptal insanın bile eline geçmesi gerektiğini savunuyor - alaycı ama düşündürücü bir nokta.

Mevcut sürüş simülasyon yöntemlerinin, hedefli köşe senaryolarını ölçeklenebilir biçimde üretemediği de bir başka eleştiri. Yani "ayırt edici o tehlikeli anı" bulmak hâlâ kısmen insan işi. OpenReview'de paylaşılan çalışmalar bu ölçeklendirme sorununa çözüm arıyor, ama henüz tamamlandığını söylemek zor.

Otonom araçlar tamamen simülasyonda öğrenip yola çıkabilir mi?

Kısa cevap: tek başına hayır. Simülasyon, paha biçilmez bir antrenman sahası; ama gerçek yol verisiyle beslenmeden ve kademeli gerçek dünya testinden geçmeden hiçbir sistem yola çıkmıyor. Bugünkü en yetkin sistem bile tam otonom değil - Tesla'nın FSD'si adının başındaki "Supervised" yani "gözetim altında" ibaresiyle sürücünün devriyesini bekliyor. Simülasyon gölge okul; diploma ise gerçek yolda veriliyor. En iyi sürücü yapay zekâ, sanal antrenmanı gerçek yol deneyimiyle harmanlayan olacak - ve iki dünyanın farkını asla unutmayan.

Kaynaklar

• Autonomous Vehicle Simulation and Validation
• 6 Reasons to Use Autonomous Vehicle Simulation Software
• Machine Learning in Autonomous Vehicles: Fully Explained
• The Waymo World Model
• Self-Driving Car Technology for a Reliable Ride
• What Is the Sim-to-Real Gap?
• Simulated Terrible Drivers Cut the Time and Cost of AV Testing
• Tesla vs Waymo - Who Is Closer to Level 5 Autonomy?
• Waymo and Tesla's Self-Driving Systems Are More Similar Than You Think
• Edge Cases in Autonomous Driving: Detection and Management
• Research Reveals Possibly Fatal Consequences of Algorithmic Bias
• Full Self-Driving (Supervised)