Semantic Perception Tabanlı Navigasyon ile Klasik SLAM Arasındaki Farklar

Harita Çıkaran Sistemden, Dünyayı Anlayan Drone’a Geçiş

Otonom sistemler ve drone navigasyonu söz konusu olduğunda en yaygın kullanılan teknolojilerden biri uzun yıllardır SLAM olmuştur. SLAM, bir sistemin aynı anda hem konumunu tahmin etmesi hem de çevresinin haritasını çıkarması prensibine dayanır. Drone kameradan gelen görüntüleri işler, sahnede yer alan belirgin noktaları takip eder, bu noktalardan hareket ederek hem kendi pozunu hem de ortamın geometrisini çıkarır. Ortaya çoğunlukla nötr, anlamsız bir uzamsal temsil çıkar; yani harita, duvarın duvar olduğunu, yüzeyin bina cephesi olduğunu ya da görüntüdeki hareketli nesnenin bir insan olduğunu “bilmez”.

Klasik SLAM’in odağı tamamen geometriktir. Amaç, çevrenin yapısını sayısal olarak ifade etmek, hareket boyunca oluşan konum hatasını azaltmak ve sistemin nerede bulunduğuna ilişkin tutarlı bir model oluşturmaktır. Görüntüde yer alan noktalar yalnızca birer referans işareti görevi görür. Onlar bir pencere köşesi, bir kapı girişi veya bir araç üzerindeki parlak yüzey olabilir; SLAM açısından bunların anlamı yoktur. Bu bağlamda SLAM, çevreyi tanımlayan değil, onu ölçen ve matematiksel bir düzleme indirgeyen bir yaklaşımdır.

Semantic Perception tabanlı navigasyonda ise düşünsel çerçeve tamamen değişir. Burada drone’un temel amacı yalnızca uzamsal bir yerleşim çıkarmak değildir. Daha önemlisi, karşısındaki sahneyi “anlamlı bir bağlam” olarak çözümlemektir. Bu nedenle sistem, görüntü üzerinde nesneleri tanımlar, sınıflandırır ve her nesnenin ne olduğuna dair bilişsel bir etiket üretir. İnsan, araç, bina, kapı açıklığı, yol yüzeyi, ağaç, engel veya riskli alan gibi kavramlar navigasyonun aktif bileşenleri haline gelir.

Bu yaklaşımda çevre, yalnızca derinlik ve konum verilerinden oluşan bir alan olmaktan çıkar; drone’un yorumladığı, kategorize ettiği ve davranış ürettiği bir sahneye dönüşür. Örneğin SLAM tabanlı bir sistem için kamerada görünen büyük bir düzlem yalnızca bir yüzeydir; çarpışma riski barındırdığı için kaçınılması gereken bir engel olarak değerlendirilir. Semantic Perception tabanlı bir sistem için ise o yüzey bir bina cephesidir ve bu bilgi, uçuş davranışını doğrudan etkiler. Drone yüzeye paralel ilerlemeyi, belirli bir mesafeyi korumayı ya da cepheye yaklaşmaktan kaçınmayı tercih edebilir. Çünkü artık yalnızca “bir yüzey görüyorum” demekle kalmaz — “bu bir bina yüzeyi ve bu bağlamda davranmalıyım” diyebilir.

Benzer şekilde, hareketli bir nesnenin insan olup olmadığını bilmek de kritik bir ayrım noktasıdır. SLAM için bu nesne sadece hareket eden bir şekildir. Oysa anlamsal algı tabanlı navigasyonda insanın bir insan olarak tanınması, uçuş rotasını, güvenlik mesafesini ve manevra kararlarını doğrudan belirler. Drone yalnızca çarpışmadan kaçınmak için değil; insana saygı, güvenlik ve sosyal etkileşim kurallarına uygun bir şekilde hareket etmek için pozisyon değiştirir. Böylece navigasyon salt fiziksel bir kaçınma davranışı olmaktan çıkar, bağlamsal ve etik boyut kazanan bir hareket planlamasına dönüşür.

Bu iki yaklaşım arasındaki farkı bir başka perspektiften şöyle özetlemek mümkündür: SLAM, “mekânı ölçer”; Semantic Perception ise “mekânı yorumlar”. Biri mekânı sayısal bir koordinat sistemi olarak görürken, diğeri mekânı anlam ve işlev üzerinden tanımlar. SLAM’in ürettiği harita doğrudur, ancak nötrdür. Semantic Perception ise daha az geometrik doğruluk pahasına bile olsa, daha zengin bir çevresel farkındalık üretir.

Teknik açıdan bakıldığında iki yaklaşımın amaçları da farklıdır. SLAM’in ana hedefi süreklilik, konum tutarlılığı ve hata düzeltimidir. Semantic Perception’ın ana hedefi ise bağlamsal karar üretmektir. Drone’un bir kapıyı geçilebilir alan olarak değerlendirmesi, bir koridoru güvenli rota olarak algılaması veya bir insanı hassas davranış gerektiren bir varlık olarak yorumlaması bu çerçevede mümkün hale gelir.

Bu nedenle Semantic Perception tabanlı navigasyon, SLAM’in alternatifi değil, onun ötesinde farklı bir düşünce paradigmasıdır. Haritadan ziyade sahne anlamına odaklanır. Geometriden önce bağlamı önemser. Bir yüzeyi engel olarak değil, yapı öğesi olarak görür. Bir nesneye yalnızca mesafe üzerinden değil, kimlik ve işlev üzerinden yaklaşır.

Geleceğin otonom sistemlerinde bu iki yaklaşımın giderek daha fazla birleşmesi bekleniyor. Çünkü her iki taraf da birbirini tamamlıyor: SLAM mekânsal tutarlılık sağlar, Semantic Perception ise çevresel bilinç kazandırır. Bu birleşim noktası, drone’ların yalnızca nerede olduklarını bilen makineler değil; aynı zamanda nerede olduklarını “anlayan sistemler” haline gelmesini mümkün kılacaktır.