Açık Kaynak Otonom Sürüşte ‘Fiziksel AI’ Dönemi: Autoware 2.0, Uçtan Uca Yapay Zeka ve ‘Generator-Selector’ Mimarisi

Geleneksel Robotik Boru Hatlarından Yapay Zeka Tanımlı Araçlara (AI-Defined Vehicles) Geçiş

Otonom sürüş yazılım mühendisliği son on yılda iki temel mimari paradigma arasında keskin bir ayrım yaşadı. Bir tarafta algılama (Perception), konumlandırma (Localization), tahmin (Prediction), planlama (Planning) ve kontrol (Control) alt sistemlerini katı arayüzlerle birbirinden ayıran modüler ve kural tabanlı robotik boru hatları yer alırken; diğer tarafta ham sensör verilerinden doğrudan sürüş yörüngesi üreten uçtan uca (End-to-End — E2E) derin öğrenme modelleri yükselişe geçti. Geleneksel modüler yığınlar yüksek açıklanabilirlik ve deterministik güvenlik sınırları sunmasına karşın, karmaşık kentsel trafik senaryolarında (uzun kuyruklu uç durumlar — long-tail edge cases) el yapımı kuralların ölçeklenememesi ve modüller arası soyutlama kayıpları nedeniyle darboğaza giriyor. Buna karşılık saf uçtan uca sinir ağları, insan benzeri esnek sürüş davranışı sergilese de "kara kutu" doğası nedeniyle Seviye 4 (Level 4) otonom güvenlik sertifikasyonunu tek başına karşılayamıyor.

Dünyanın en yaygın açık kaynaklı otonom sürüş yazılım yığınını yöneten Autoware Foundation, çekirdek katkı sağlayıcısı TIER IV ve küresel açık kaynak topluluğu ile birlikte bu mimari ikilemi çözen Autoware 2.0 sürümünü resmen yayımladı. ROS 2 temelinde yükselen Autoware 2.0, uçtan uca yapay zeka modellerini ve deterministik kural tabanlı algoritmaları aynı çalışma zamanında birleştiren Üretici-Seçici (Generator–Selector) planlama mimarisini standart hale getiriyor.

1. Autoware 2.0 Çekirdek Mimarisi: ‘Generator–Selector’ Hibrit Planlama Motoru

Autoware 2.0'ın getirdiği en köklü mühendislik yeniliği, yörünge planlama katmanının tekil bir algoritmik boru hattından çıkarılıp çoklu aday üretimi ve deterministik güvenlik seçimi prensibine dayalı Generator–Selector mimarisine dönüştürülmesidir.

flowchart TD
    subgraph SensorLayer["ROS 2 Sensör ve Algılama Katmanı (DDS / Zenoh)"]
        S1["LiDAR Nokta Bulutu & Kamera Akışları"]
        S2["Radar & HD Harita / Lokalizasyon"]
    end

    subgraph Generators["Paralel Yörünge Üreticileri (Trajectory Generators)"]
        G1["E2E Difüzyon / Sinir Ağı Planlayıcısı"]
        G2["Taklit Öğrenimi (Imitation Learning) Modeli"]
        G3["Deterministik Kural Tabanlı (Rule-Based) Planlayıcı"]
    end

    subgraph SelectorGate["Deterministik Seçici ve Güvenlik Doğrulayıcı (Selector)"]
        V1["Kinematik ve Dinamik Sınır Kontrolü"]
        V2["Çarpışma Süresi (TTC) ve Güvenlik Zarfı Denetimi"]
        V3["Maliyet Fonksiyonu Puanlaması ve Optimal Rota Seçimi"]
        V1 --> V2 --> V3
    end

    subgraph Ecosystem["Üretim ve Fiziksel AI Ekosistemi"]
        E1["Araç Kontrol Katmanı (Direksiyon / Fren / İvme)"]
        E2["Arm Physical AI + Red Hat AutoSD + AWS Simülasyon"]
    end

    S1 & S2 --> G1 & G2 & G3
    G1 & G2 & G3 --> V1
    V3 --> E1
    E2 -.-> SelectorGate

Paralel Yörünge Üretimi ve Deterministik Seçim Mekanizması

Yeni mimaride planlama süreci iki ayrık sorumluluk katmanına bölünüyor:

1. Yörünge Üreticileri (Trajectory Generators): Sistem içinde birden fazla yörünge üretici düğüm eşzamanlı (concurrent) olarak çalışabiliyor. Bu üreticilerden biri difüzyon tabanlı (diffusion policy) bir derin öğrenme ağı veya uçtan uca görsel-dil-eylem (VLA) modeli olurken, bir diğeri klasik hız-konum kafesi (lattice planner) üzerinde çalışan deterministik bir kural motoru olabiliyor. Her üretici, mevcut sensör ve harita durumuna göre kendi aday yörüngelerini (candidate trajectories) öneriyor.
2. Seçici ve Doğrulayıcı (Selector): Tüm üreticilerden gelen aday yörüngeler merkezi Selector bileşenine aktarılıyor. Seçici katman; yapay zeka modellerinin ürettiği rotaları çarpışma riski (Time-to-Collision — TTC), şerit sınır ihlali, maksimum yanal ivme/sarsıntı (jerk) limitleri ve trafik kuralları açısından deterministik filtrelerden geçiriyor. Güvenlik zarfını ihlal eden sinir ağı çıktıları anında elenirken, güvenlik kısıtlarını sağlayan en akıcı ve düşük maliyetli yörünge araç kontrol katmanına iletiliyor.

Bu yaklaşım sayesinde mühendislik ekipleri, yapay zeka modellerini üretim araçlarında denerken deterministik kural tabanlı planlayıcıyı kesintisiz bir emniyet kemeri (fallback safety guardrail) olarak sistemde tutabiliyor.

2. Çift Katmanlı Modülerlik, Autoware Index ve ROS 2 Gerçek Zamanlılık

Autoware 2.0, yazılım yaşam döngüsü yönetimini ve ticari araç entegrasyonunu hızlandırmak için depo (repository) ve araç zinciri mimarisini de yeniden yapılandırıyor:

• Autoware Core ve Autoware Universe Ayrımı: Vakıf tarafından sıkı kod denetimi, birim testleri ve gerçek zamanlı gecikme (latency) garantileriyle korunan kararlı çekirdek paketler Autoware Core altında toplanırken; topluluk tarafından geliştirilen deneysel derin öğrenme modelleri, bölgesel trafik adaptasyonları ve özel sensör sürücüleri Autoware Universe katmanında modüler eklentiler olarak konumlandırılıyor.
• Autoware Index: Geliştiricilerin uyumlu açık kaynak paketlerini keşfetmesini, sürüm bağımlılıklarını doğrulamasını ve kendi araç yığınlarına entegre etmesini sağlayan merkezi bir kayıt ve paket yönetim dizini (Autoware Index) devreye alınıyor.
• Autoware Reference Design Framework: Açık kaynaklı yazılım bileşenleri ile gerçek donanım platformları (robotaksiler, otonom servis araçları, otonom lojistik kamyonları) arasındaki boşluğu kapatan üretime hazır Referans Tasarım Çerçevesi sunuluyor.
• ROS 2 Yaşam Döngüsü ve DDS/Zenoh Taşıma Katmanı: Yüksek bant genişlikli LiDAR ve çoklu kamera akışlarının deterministik zaman sınırları içinde işlenmesi için ROS 2 Lifecycle Nodes yapısı ve özelleştirilmiş QoS (Quality of Service) profilleri kullanılıyor; DDS ve Zenoh ara katmanlarıyla uçtan uca gecikme öngörülebilirliği garanti altına alınıyor.

3. Küresel ‘Fiziksel AI’ Ekosistemi: Arm, AWS ve Red Hat AutoSD İttifakı

TIER IV ve Autoware Foundation, Autoware 2.0'ın ticari üretim araçlarında standart referans platformu olması için üç küresel teknoloji lideriyle mimari entegrasyon gerçekleştirdi:

1. Arm (Arm Total Design for Physical AI): Otonom sürüşte eşzamanlı çalışan E2E sinir ağları ve deterministik kontrol döngüleri için yüksek enerji verimliliğine ve fonksiyonel güvenlik (ISO 26262 ASIL) yeteneklerine sahip Arm tabanlı otomotiv işlemci platformları optimize ediliyor.
2. AWS (Bulut Doğal Simülasyon ve Sentetik Veri): Uçtan uca yapay zeka modellerinin eğitimi ve Generator–Selector yığınının milyonlarca kilometrelik sanal senaryoda doğrulanması için AWS üzerinde ölçeklenebilir CI/CD, açık döngü/kapalı döngü (closed-loop) simülasyon ve sentetik veri üretim boru hatları çalıştırılıyor.
3. Red Hat (AutoSD — Automotive Software Delivery): Autoware 2.0, Red Hat'in araç içi işletim sistemi (Red Hat In-Vehicle Operating System) için açık kaynaklı üst akış (upstream) projesi olan AutoSD ile doğrudan entegre edilerek konteyner tabanlı, güvenlik sertifikalı otomotiv işletim sistemi katmanına kavuşuyor.

Mühendislik Uygulaması: Autoware 2.0 Tarzı ‘Generator–Selector’ Yörünge Doğrulama Motoru

Aşağıdaki referans Python uygulaması, Autoware 2.0'ın Generator–Selector mimarisini modellemektedir. Sistemde iki farklı yapay zeka üreticisi (E2E Diffusion Planner ve Imitation Learning Planner) ile bir deterministik kural tabanlı üretici (Rule-Based Lattice Planner) paralel olarak aday yörüngeler üretmekte; merkezi Selector ise kinematik ivme sınırlarını ve çarpışma süresini (TTC) denetleyerek en güvenli ve düşük maliyetli yörüngeyi seçmektedir:

from dataclasses import dataclass, field
from typing import List, Optional, Dict
import json


@dataclass(frozen=True)
class TrajectoryPoint:
    time_sec: float
    x_m: float
    y_m: float
    velocity_mps: float
    lateral_accel_mps2: float
    longitudinal_jerk_mps3: float


@dataclass(frozen=True)
class CandidateTrajectory:
    generator_id: str
    generator_type: str  # 'E2E_NEURAL', 'IMITATION_AI', 'RULE_BASED'
    points: List[TrajectoryPoint]
    min_ttc_sec: float          # En yakın engelle çarpışma süresi (Time-to-Collision)
    lane_departure_m: float     # Şerit sınırından maksimum taşma miktarı
    comfort_progress_score: float  # 0.0 - 100.0 arası akıcılık ve ilerleme puanı


@dataclass
class SelectorDecision:
    selected_generator_id: str
    selected_generator_type: str
    final_score: float
    fallback_triggered: bool
    rejected_candidates: Dict[str, str] = field(default_factory=dict)


class AutowareSafetySelector:
    """Autoware 2.0 Generator-Selector mimarisindeki deterministik güvenlik doğrulayıcı ve seçici katman."""

    MAX_LATERAL_ACCEL_MPS2: float = 2.8
    MAX_JERK_MPS3: float = 2.5
    MIN_SAFE_TTC_SEC: float = 3.0
    MAX_LANE_DEPARTURE_M: float = 0.15

    def validate_safety_envelope(self, candidate: CandidateTrajectory) -> Optional[str]:
        if candidate.min_ttc_sec < self.MIN_SAFE_TTC_SEC:
            return f"TTC_VIOLATION ({candidate.min_ttc_sec:.2f}s < {self.MIN_SAFE_TTC_SEC:.2f}s)"

        if candidate.lane_departure_m > self.MAX_LANE_DEPARTURE_M:
            return f"BOUNDARY_VIOLATION ({candidate.lane_departure_m:.2f}m > {self.MAX_LANE_DEPARTURE_M:.2f}m)"

        for pt in candidate.points:
            if abs(pt.lateral_accel_mps2) > self.MAX_LATERAL_ACCEL_MPS2:
                return f"KINEMATIC_LAT_ACCEL_EXCEEDED ({pt.lateral_accel_mps2:.2f} m/s²)"
            if abs(pt.longitudinal_jerk_mps3) > self.MAX_JERK_MPS3:
                return f"KINEMATIC_JERK_EXCEEDED ({pt.longitudinal_jerk_mps3:.2f} m/s³)"

        return None

    def select_optimal_trajectory(
        self, candidates: List[CandidateTrajectory]
    ) -> SelectorDecision:
        valid_candidates: List[CandidateTrajectory] = []
        rejected: Dict[str, str] = {}

        for cand in candidates:
            violation = self.validate_safety_envelope(cand)
            if violation is not None:
                rejected[cand.generator_id] = violation
            else:
                valid_candidates.append(cand)

        if not valid_candidates:
            # Tüm adaylar elendiyse deterministik acil durum (MRM) yörüngesine geçiş
            return SelectorDecision(
                selected_generator_id="MRM_EMERGENCY_STOP",
                selected_generator_type="DETERMINISTIC_SAFEGUARD",
                final_score=0.0,
                fallback_triggered=True,
                rejected_candidates=rejected,
            )

        # Güvenlik zarfını geçen adaylar arasından en yüksek konfor/ilerleme puanına sahip olanı seçme
        best = max(valid_candidates, key=lambda c: c.comfort_progress_score)
        fallback_used = best.generator_type == "RULE_BASED" and len(rejected) > 0

        return SelectorDecision(
            selected_generator_id=best.generator_id,
            selected_generator_type=best.generator_type,
            final_score=best.comfort_progress_score,
            fallback_triggered=fallback_used,
            rejected_candidates=rejected,
        )


if __name__ == "__main__":
    # Senaryo: Karmaşık kavşakta 3 paralel üreticiden gelen aday yörüngeler
    candidates = [
        CandidateTrajectory(
            generator_id="gen_e2e_diffusion_v2",
            generator_type="E2E_NEURAL",
            points=[TrajectoryPoint(0.5, 6.0, 0.4, 12.0, 3.4, 1.8)],  # Yanal ivme sınırı aşılıyor
            min_ttc_sec=4.2,
            lane_departure_m=0.05,
            comfort_progress_score=94.5,
        ),
        CandidateTrajectory(
            generator_id="gen_hybrid_imitation_net",
            generator_type="IMITATION_AI",
            points=[TrajectoryPoint(0.5, 5.5, 0.2, 11.0, 1.9, 1.4)],
            min_ttc_sec=4.8,
            lane_departure_m=0.04,
            comfort_progress_score=91.2,
        ),
        CandidateTrajectory(
            generator_id="gen_autoware_rule_lattice",
            generator_type="RULE_BASED",
            points=[TrajectoryPoint(0.5, 5.0, 0.0, 10.0, 1.2, 0.9)],
            min_ttc_sec=5.5,
            lane_departure_m=0.01,
            comfort_progress_score=82.0,
        ),
    ]

    selector = AutowareSafetySelector()
    decision = selector.select_optimal_trajectory(candidates)
    print("=== Autoware 2.0 Generator-Selector Karar Çıktısı ===")
    print(json.dumps(decision.__dict__, indent=2, ensure_ascii=False))

Mimari Değerlendirme

Autoware 2.0, açık kaynaklı otonom sürüş ekosistemini akademik ve modüler bir robotik çerçeveden ticari Seviye 4 Fiziksel AI (Physical AI) platformuna taşıyor. Generator–Selector mimarisi, uçtan uca derin öğrenme modellerinin karmaşık trafikteki esnekliğini deterministik güvenlik doğrulayıcılarıyla dizginlerken; Arm, AWS ve Red Hat AutoSD entegrasyonu silikon katmanından bulut simülasyonuna kadar uçtan uca standartlaştırılmış bir üretim hattı kuruyor.