Otonom Sürüşü Yıllardır Bekleten Uç Durumlar

Bir otonom araç trafiğe çıktığında hayatının %99,9'unu aynı şeyleri yaparak geçiriyor: şeritte ilerlemek, kırmızı ışıkta durmak, öndeki araçla mesafesini korumak. Peki asıl soru şu: geride kalan minicik dilimde, yani milyonlarca kilometrede bir yaşanan o garip anlarda ne oluyor? İşte otonom sürüşün "yarın hazır" vaadini geciktiren şey tam olarak bu anlar - ve bu yazıda neden hâlâ çözülemediklerini anlatacağım.
Uç Durum Nedir, Uzun Kuyruk Neden Başka Bir Şey?
Önce terminolojiyi netleştirelim, çünkü bu iki kavram sık karıştırılıyor. Uç durum (edge case), bir otonom sürüş sisteminin eğitim verilerinin dışında kalan nadir senaryodur: otoyola devrilmiş bir merdiven, alışılmadık bir trafik polisi el hareketi, olağan dışı hava koşulu. Bunlar önceden tanımlanabiliyor, en azından teoride.
Uzun kuyruk (long tail) ise daha ürkütücü bir kavram: düşünmeyi bile akıl edemediğiniz her şeyin toplamı. Geceden güne değişen şantiyeler, yağmurda bir pickup'tan yuvarlanan şilte, kuyruğun ucundaki o senaryo ki kimse onu bir sorun listesine yazmayı düşünmemişti. Uç durum bir bulmacayken, uzun kuyruk bulmacanın kaç parçası olduğunu bilmediğiniz bir kutu gibi.
Nadirliğin de çeşitleri var. Birincisi nadir sınıflar: eşek, ambulans gibi yollarda pek rastlanmayan nesneler. İkincisi ve daha sinsi olanı nadir senaryolar: nesnelerin kendisi gayet sıradan ama dizilimi tuhaf - kamyonun arkasından aniden çıkan bir yaya ya da merdiven taşıyan bir bisikletli. İkinci türü bulmak çok daha zor, çünkü sistemde her bileşen zaten tanımlı; sorun onların bir araya gelişi.
Uzmanlar uç durumları dört ana kategoriye ayırıyor: çevresel (hava, ışık koşulları), nesne bazlı (nadir nesneler), davranışsal (öngörülemeyen yol kullanıcıları) ve sensöre özgü (donanım arızaları, kör noktalar). Her kategori kendi başına bir baş ağrısı; hepsi birlikte, kuyruğun neden bu kadar uzun olduğunu açıklıyor.
Öne Çıkanlar
- %99 doğrulukla çalışan bir sistem, yaklaşık her 10.000 millik sürüşte bir çözemediği tehlikeli senaryoyla karşılaşabilir.
- Yaygın bir veri setinde arabalara ait 493.322 anotasyon varken ambulans anotasyonu yalnızca 49.
- En nadir 30 nesne sınıfı, 344.966 karelik kamuya açık etiketli veride her biri 250 kereden az görünüyor.
- Otonom sistemler insanlar gibi sürerse tüm kazaların yalnızca yaklaşık üçte birini önleyebilir.
Sayılarla Nadirlik: Neden Bu Kuyruk Bu Kadar Uzun?

Nadirliğin ölçeğini kavramak biraz matematik istiyor. %99 doğruluk kulağa harika geliyor, değil mi? Ama hesabı yapın: bu doğrulukta bir sistem 10.000 millik sürüşte yaklaşık bir kez, kendi çözemediği tehlikeli bir senaryoya düşüyor. Günlük kullanım için bile bu sayı çok büyük - tam otonomi içinse felaket boyutunda, çünkü güvenlik eşiği ultra-düşük hata oranları gerektiriyor.
Veri tarafındaki tablo daha da çarpıcı. Mercedes-Benz ve Esslingen Üniversitesi'nin ortak çalışması olan SearchAD kıyaslaması, 11 sürüş veri setinden 423.798 kareyi inceledi: 90 nadir kategori, 513.265 manuel etiket. Sonuç? En nadir 30 sınıfın her biri, 344.966 karelik kamuya açık etiketli veride 250 kereden az görünüyor. Bu nadir vakaları elle bulmaya çalışan uzman bir firmada iş sekiz ay sürdü, her kareye ortalama bir dakikadan fazla harcandı ve her kare en az iki kez incelendi.
| Nesne Sınıfı | Örnek Veri Setindeki Anotasyon Sayısı |
|---|---|
| Araba | 493.322 |
| Bebek arabası | 1.072 |
| Ambulans | 49 |
Bu tablo dünyanın kendisinin çarpıklığını gösteriyor: arabalar her yerde, ambulanslar neredeyse hiçbir yerde. Ve sorun yalnızca keşif değil; etiket tabanlı arama yalnızca önceden tanımlanmış sınıfları döndürüyor. Yağmurda çöp poşeti giymiş bir yayayı kimse etiketlemediyse, o veriyi arayan hiçbir sorgu onu bulamıyor. Toplu başarı metrikleri de nadir sınıflardaki gerilemeleri güçlü genel skorun içine gizleyebiliyor.
Daha Fazla Veri Toplasak Olmaz mı?
Cevap ezici çoğunlukla hayır ve bunun nedeni tek cümlelik bir gerçek: veri çarpıklığı dünyanın çarpıklığıdır. Yollardan toplanan sürüş verisinin ezici çoğunluğu sıradan davranışlarla dolu - şerit takibi, trafik ışıklarına uyma, düz yol. Veri setini ikiye katladığınızda büyük ölçüde iki kat sıradan örnek eklemiş olursunuz; nadir olanlar kuyruğun içinde daha da derine gömülür. Bu, klasik azalan getiriler problemidir: işlem gücünü ve veriyi ölçeklemek, ultra-düşük hata oranlarında yeterli verimi vermiyor.
Peki nadir senaryoları sahnede yeniden yaratsak? İşte burada ikinci duvar var: nadir vakaların çoğu tehlikeli ya da imkânsız. Kamyonun arkasından çıkacak bir yayayı koreografiye dökmek denemez bile. Dahası kuyruk açık uçlu - son noktası yok, yani "hepsini tamamladık" diyecek bir an hiç gelmiyor.
Simülasyon bu yüzden parlak bir yardımcı ama kurtarıcı değil. Gerçek yolda hiçbir test sayısı güvenliği tek başına garanti edemiyor; üstelik yapay olarak nadir olay üretmek de başlı başına zor bir mühendislik problemi. Waymo'nun yaklaşımı burada dikkat çekici: ekip gerçek dünyada ölümcül sonuçlanmış çarpışma senaryolarını yeniden yapılandırıp Waymo Driver'ı çarpışmayı başlatan aracın yerine koyuyor. Simülasyonda, tüm çarpışmalardan kaçındı. Etkileyici - ama bu, tanımlanmış senaryolar üzerinde başarılı olmak, kuyruğun tamamını tüketmek demek değil.
Üreticiler Aynı Soruna Nasıl Yaklaşıyor?
Mobileye: Başarısızlığı avlayan yapay zekâ
Mobileye'nin 2026'da tanıttığı iki araç, soruna sistematik bir çözüm getiriyor. Meteor adlı çok ajanlı yapay zekâ veri analisti, görsel-dil modeli gömmeleri ve otomatik akıl yürütmeyi kullanarak milyonlarca saatlik sürüş videosunu tarıyor. Aradığı şey ise ilginç: kara kuğu denilen tekil mucizeler değil, tekrarlanabilir başarısızlıklar - kısmen gizlenmiş yayalar, belirsiz yol kullanıcıları gibi tekrar eden kalıplar. Keşif, hipotez, senaryo sorgulama, doğrulama ve eğitim verisi zinciri otomatik işliyor. Arkadaş sistemi Genario ise doğrulanmış her başarısızlığı fotogerçekçi sentetik senaryoya çevirip gece/gündüz, yağmur, kar, buz, sis varyasyonlarıyla çoğaltıyor. Bütün bunların arkasında 25 yılı aşkın deneyim, 230 milyonu aşkın araç ve günde 8 milyon araçtan gelen veri yüklemesi var.
Waymo: Sınırlı alan, katı kurallar
Waymo'nun stratejisi kuyruğu kısaltmak yerine kuyruğun girebileceği alanı küçültmek. Operational Design Domain (ODD) dediği operasyonel tasarım alanı; coğrafya, yol tipi, hız aralığı, hava durumu ve günün saatiyle tanımlanıyor. Şirketin düzenleyici dosyalarına göre hedef alanı 65 mph'e kadar hız limiti olan yolları içeriyor. Araçlar tam otonom çalışıyor; uzaktaki insan operatörler aracı joystick ile sürmüyor, yalnızca üst düzey rehberlik veriyor. Ekim 2026'da beklenmedik durumlara hazırlık için olay yönetimi tatbikatlarına dair yeni bir çerçeve de yayımladı. Yönetim tarafındaki mesaj nettir: otonom araçlar kazaları dramatik biçimde azaltabilir ama %100'e ulaştıramaz ve bu konuda açık, dürüst konuşmak gerekir. Şirket verileri robotaksilerinin milyon mil başına kaza sayısının önceki yıllara göre çok daha düşük olduğunu gösteriyor. Bir diğer gözlem ise ODD tanımlarının ve güvenlik kavramlarının birden fazla şehirde yeniden kullanılabilmesi - bu esneklik, alanın sınırlarını da sorgulatıyor.
Tesla ve NVIDIA: İki farklı bahis
Tesla, milyonlarca araç ve milyarlarca mil gerçek dünya verisinin zamanla kuyruğu aydınlatacağına bahis yapmış durumda. Full Self-Driving (Supervised) sürümlerinde kullanıcılar daha az müdahale bildiriyor ve şirkete göre FSD, insan hatasından kaynaklanan çarpışma olasılığını %80'den fazla azaltıyor - ama bu şirketin kendi verisi ve bağımsız doğrulama sorunu tartışmalı; Tesla hiçbir resmi ayırma (disengagement) verisi yayımlamadı. Kullanıcı raporları da anekdot düzeyinde olsa ipucu dolu: şerit değiştiren bir tırın önünde sistemden ayrılma zorunluluğu ya da sol şeritte duran şantiye kamyonuna yüksek hızla yaklaşan bir sistem.
NVIDIA ise ters yöne bakıyor: simülasyon ve genellenebilir zekâ ile bilinmeyen durumların üzerinden akıl yürütmek. Alpamayo-R1 projesi, akıl yürütme verisiyle eğitilen modelin zor vakalarda planlama doğruluğunu %12'ye kadar iyileştirdiğini ve yakın çarpışmaları %35 azalttığını gösterdi. İki felsefe de - tıpkı Mobileye'nin hipotez güdümlü veri madenciliği ve Wayve'nin uçtan uca yapay zekâ yaklaşımı gibi - henüz kesin çözüm olarak kanıtlanmış değil. Kimse kuyruğun sonunu görmedi.
Uzaktan İnsan Müdahalesi: Güvenlik Ağı mı, Zaaf mı?
Robotaksi şirketlerinin pratik güvencesi teleoperasyon: sistem zorlandığında ya da arızalandığında uzaktan bir insan operatörün devreye girmesi. Bir ABD Senato duruşması, robotaksi şirketlerinin tam olarak buna dayandığını ortaya koydu. Cruise robotaksilerinin uzak operatörlerden sık müdahale gerektirdiğine dair endüstri içi bir kanaat de zaten vardı.
Ama bu güvenlik ağının bir merdiveni var. Waymo modelinde uzak operatör yalnızca üst düzey rehberlik veriyor; direksiyonu eline almıyor. Tesla'nın Austin robotaksi lansmanında ise uzak destek çalışanlarının 2 mph ve altındaki hızlarda geçici kontrol alabildiği, aracı uzaktan sürebildiği belirtiliyor ve bir eyalet ulaşım dairesinin 2025 tarihli raporu, Tesla'nın nadir uç durumlar ve zorlayıcı ortamlar için uzak operasyon benimsediğini belgeliyor. Düşük gecikmeli 5G ve 6G bağlantıları bu modelleri teknik olarak mümkün kılıyor. Soru şu: sistemin çözemeyeceği senaryoları insanın çözebilmesi gerçek bir çözüm mü, yoksa sorunu görünmez bir kuyruğa mı taşıyoruz?
Vaat ile Gerçek Arasında Hukuk Ne Diyor?
Burada işler ciddileşiyor, çünkü nadir bir uç durumda olan kaza yalnızca teknik değil hukuki bir soru doğuruyor. ABD'de NHTSA, Nisan 2026'da otonom sürüş sistemi kurallarında bir güncelleme yayımladı. Hukuk cephesinde ise ilginç bir ayrım var: aracın güvenlik standartlarına uyması onu kusursuz yapmıyor; ihmalkârlık iddiası tamamen farklı bir hukuki yol ve davacı avukatlar tam da burada oynuyor. Teksas'ta hazırlanan bir hukuk rehberine göre davalarda kullanılan argüman, şirketin vaadi ile arabanın gerçekte yaptığı arasındaki fark. Brookings'in dile getirdiği teknik risk de aynı noktaya bağlanıyor: algılama ve tahmin sistemlerindeki öngörülemeyen hatalar, aracın yanlış zamanda yanlış şey yapmasına neden olabiliyor.
SAE'nin J3016 standardındaki seviyeler de vaat gerçeğini masaya yatırıyor. Seviye 0'dan Seviye 5'e uzanan ölçekte, yollardaki araçların ezici çoğunluğu hâlâ Seviye 1 veya Seviye 2'de. Seviye 3, sorumluluğu sürücünden üreticiye kaydıran büyük bir yük değişimi yaratıyor. Seviye 5 için ise bazı uzmanlar gibi düşünülüyor: insanın sürebileceği her yerde çalışan araçlar asla var olmayacak. 2026'dan bir bilimsel makale bile mevcut seviyelerin gerçek dünya yeteneğini yansıtmadığını öne sürerek ortama ve duruma dayalı ek bir sınıflandırma öneriyor.
Kuyruk Tüketilebilir mi? Dürüst Cevap
Sana en net haliyle söyleyeyim: Uç durumlar, otonom sürüşün vaat edilen tam otonomiye ulaşmasını geciktiren, istatistiksel olarak son derece nadir ama öngörülemeyen senaryolardır; ne sonsuz veri toplamak ne de simülasyon bu açık uçlu kuyruğu tek başına tüketebilir. İyimser tarafın elinde gerçek kazalar var: Waymo verileri milyon mil başına kaza sayısının gerçekten düştüğünü gösteriyor ve Mobileye'nin sentetik senaryo üretimi kuyruğu sistematik biçimde daraltıyor. Kötümser tarafın elinde de gerçekler var: insanlar gibi sürersen kazaların yalnızca yaklaşık üçte birini önleyebilirsin; bazı güvenlik kuruluşlarına göre sürücüsüzlik henüz gelmedi, düzenli olarak temel görevlerde hâlâ başarısızlık var. Ve bir sonraki tartışma şimdiden kapıda: uç durumları bir şekilde çözersek, bu kez genellenebilir yapay zekâ modellerinin doğruluğunu nasıl garanti edeceğiz?
Benim okumam şu: otonom sürüş bir yarış değil, bir banttan eleme işi. Her gün binlerce kilometre sorunsuz gitmek kimseyi etkilemiyor; fark yaratan şey, milyon milde bir gelen o garip anda ne yaptığın. Ve o anda ne yapacağın, daha o senaryoyu hayal ettiğin gün bilinmiyor. Sence robotaksiler bu kuyruğu yener mi, yoksa hep bir adım ötede mi kaçacak? Yorumlarda görüşünü merak ediyorum.
Kaynaklar
- Diagnosing the long tail: how Mobileye turns edge cases into targeted training (Mobileye Blog)
- Why AV Models Miss Rare Edge Cases (and How to Find Them) | Voxel51
- Edge Cases in Autonomous Driving: Detection and Handling Guide | Kognic
- Waymo simulated driving behavior in reconstructed fatal crashes (Scanlon et al., 2021, ScienceDirect)
- Preparing for the Unexpected: A New Framework for AV Incident Management Exercises (Waymo Blog, Oct 2026)
- Full Self-Driving (Supervised) Vehicle Safety Report (Tesla)
- Solving the long-tail with e2e AI (Wayve)
- SAE Levels of Driving Automation (SAE International)
- Self-driving vehicles could struggle to eliminate most crashes (IIHS)
- STATE DOT Policy and Regulatory Approaches (NCDOT, 2025)