Akıllı bastonların önemli bir bölümü ultrasonik sensör, ToF, LiDAR, kamera ve benzeri algılama sistemleriyle önlerindeki engeli fark edebiliyor; ancak hareket hâlindeki bir yayanın veya aracın birkaç an sonra nereye gideceğini tahmin etmek daha farklı bir problem oluşturuyor. Bu anlatısal derleme, uzun-kısa süreli bellek ağı olarak bilinen LSTM modellerinin dinamik engellerin zamansal hareket örüntülerini öğrenerek akıllı bastonları yalnızca “engel algılayan” sistemlerden “yaklaşan riski öngörebilen” yardımcı cihazlara dönüştürme potansiyelini inceliyor.

Derleme LSTM'yi GRU, TCN, hafif Transformer, attention destekli RNN, Kalman filtresi-RNN hibritleri, grafik tabanlı modeller ve TinyML yaklaşımlarıyla karşılaştırıyor. Yazarların değerlendirmesine göre LSTM'nin başlıca avantajı, yaya hareketlerindeki uzun dönemli bağımlılıkları modelleyebilmesi, çok sayıda görev-özel varyantının bulunması ve bazı LSTM modellerinin ARM Cortex-M sınıfı mikrodenetleyicilerde gerçekten çalıştırılmış olmasıdır. Bununla birlikte bu üstünlük mutlak bir performans kanıtı değildir; modeller farklı görevlerde, farklı donanımlarda ve farklı veri setlerinde test edilmiştir.

Kaynak, LSTM'yi düşük güçlü cihazlara taşımak için beş ana hafifletme ailesini inceliyor: mimari sadeleştirme, düşük-rank ayrıştırma, yapılandırılmış sıkıştırma/budama, nicemleme ve bilgi damıtma. Aktarılan örneklerden birinde tam tamsayı nicemlemesi uygulanan DeepConv LSTM modeli 513 KB'den 136,5 KB'ye küçülmüş, 29,1 KB SRAM kullanmış ve ARM Cortex-M4 üzerinde 21 ms çıkarım süresi göstermiştir. Ancak bu ölçüm yaya niyeti tahmini veya gerçek bir akıllı baston üzerinde değil, insan aktivitesi tanıma görevinde gerçekleştirilmiştir.

Derlemenin en önemli sonucu, LSTM tabanlı aktif tahmin yaklaşımının teknik açıdan umut verici olmasına rağmen gerçek bir akıllı bastonda uçtan uca doğrulanmış bir sistemin henüz bulunmamasıdır. Mevcut araştırmaların bazıları mobil robotlarda yörünge tahmini, bazıları STM32 tabanlı bastonlarda engel algılama, bazıları ise LSTM'nin başka görevlerde MCU üzerinde çalıştırılabilirliği konusunda kanıt sunuyor. Bu parçaların tek bir gerçek cihazda birleştirilmesi, görme engelli kullanıcılarla denenmesi ve günlük yaşam koşullarında güvenilirliğinin ölçülmesi gelecekteki temel araştırma ihtiyacıdır.

Türkiye açısından: Çalışma; düşük güçlü STM32 tabanlı yardımcı cihazlar, giyilebilir elektronik, erişilebilir kent teknolojileri ve yapay zekâ destekli navigasyon alanlarında Türkiye'deki üniversite ve teknoloji ekipleri için uygulanabilir bir Ar-Ge çerçevesi sunabilir. Kaynakta İstanbul merkezli WeWALK Smart Cane 2 de ticari örneklerden biri olarak anılmaktadır; ancak yazarlar ticari ürünlere ilişkin performans ifadelerinin üretici belgelerine dayandığını ve bağımsız hakemli çalışmalarla doğrulanmadığını özellikle belirtmektedir. Çalışmada Türkiye'de LSTM tabanlı yaya niyeti tahminiyle gerçekleştirilmiş saha deneyi bulunmadığından, yerel kaldırım düzeni, yaya yoğunluğu, trafik davranışı, hava koşulları, kullanıcı alışkanlıkları ve erişilebilirlik gereksinimleri için ayrıca gerçek saha verisi toplanması gerekir.

Akıllı bastonlarda eksik olan şey yalnızca daha iyi sensör mü?

Çalışmanın çıkış noktası, akıllı bastonların çevreyi algılaması ile çevredeki hareketin geleceğini tahmin etmesi arasındaki farktır. Ultrasonik sensör veya ToF sistemi bir engelin ne kadar uzakta olduğunu ölçebilir; kamera yayayı veya aracı sınıflandırabilir; LiDAR çevrenin geometrisini çıkarabilir. Ancak hareketli bir kişinin yön değiştirip baston kullanıcısının önüne girip girmeyeceğini anlamak için ardışık zaman adımlarındaki hareketin birlikte değerlendirilmesi gerekir.

Derlemede incelenen mevcut sistemlerin önemli bölümü bu nedenle “şimdiki durumu” algılayan çözümler olarak sınıflandırılıyor. Jetson Nano ve RGB-D/LiDAR kullanan sistemler yüksek düzeyde görsel algılama ve SLAM gerçekleştirebilirken STM32 tabanlı düşük güçlü çözümler mesafe eşiğine göre hızlı titreşim uyarısı verebiliyor. Edge-cloud mimarileri ise nesne tanıma ve uzaktan veri aktarımını mümkün kılıyor. Buna rağmen yazarların incelediği tipik sistemlerde LSTM gibi gerçek bir zamansal hareket modelinin karar zincirine eklenmemiş olması ortak bir boşluk oluşturuyor.

Önerilen genel mimari nasıl çalışıyor?

Çalışmanın Şekil 1–3'te bir araya getirdiği kavramsal mimari üç temel katmana ayrılıyor: algılama, karar ve geri bildirim. Algılama katmanı ultrasonik sensörler, ToF, LiDAR, RGB-D kamera ve IMU gibi kaynaklardan veri topluyor. Veriler çoklu sensör füzyonundan geçirilerek zamansal bir pencereye dönüştürülüyor. Karar katmanında hafifletilmiş LSTM geçmiş konum, hız, mesafe ve değişim bilgilerinden gelecekteki hareketi veya yaya niyetini tahmin etmeyi amaçlıyor. Son aşamada risk seviyesi ses, titreşim veya başka bir kullanıcı geri bildirimine çevriliyor.

Verianla Live: Görselleştirme yukarıdaki görünür bilimsel süreç tablosundan oluşturulur. Tablo, makine tarafından okunabilen bilimsel kaynak-of-truth olarak korunur.

LSTM neden zaman serileri için kullanılıyor?

Standart tekrarlayan sinir ağlarında uzun diziler boyunca geri yayılım sırasında gradyanların küçülmesi veya büyümesi, uzak zaman adımlarındaki bilgilerin öğrenilmesini güçleştirebilir. LSTM'nin temel farkı, hücre durumu ile unutma, giriş ve çıkış kapılarının bilgi akışını kontrollü biçimde düzenlemesidir.

Çalışmada standart LSTM ileri yayılımı şu denklemlerle açıklanıyor:

\[ f_t=\sigma(W_f[h_{t-1},x_t]+b_f) \]

\[ i_t=\sigma(W_i[h_{t-1},x_t]+b_i) \]

\[ \tilde{c}_t=\tanh(W_c[h_{t-1},x_t]+b_c) \]

\[ c_t=f_t\odot c_{t-1}+i_t\odot\tilde{c}_t \]

\[ o_t=\sigma(W_o[h_{t-1},x_t]+b_o) \]

\[ h_t=o_t\odot\tanh(c_t) \]

Burada \(x_t\) mevcut zaman adımındaki girdiyi, \(h_{t-1}\) önceki gizli durumu, \(c_t\) hücre durumunu, \(f_t\) unutma kapısını, \(i_t\) giriş kapısını ve \(o_t\) çıkış kapısını temsil eder. Bu yapı, yayanın yalnız tek bir görüntüdeki konumunu değil, ardışık hareket örüntüsünü de hesaba katabilen bir model oluşturulmasına imkân verir.

Yörünge tahmini ile yaya niyeti tahmini aynı görev değil

Derleme iki görevi birbirinden ayırıyor. Yörünge tahmini, geçmiş konumlar kullanılarak yayanın sonraki zaman adımlarındaki sürekli uzamsal koordinatlarının tahmin edilmesine dayalı bir regresyon problemidir. Geçiş niyeti tahmini ise örneğin bir yayanın yolu geçip geçmeyeceğini belirlemeyi hedefleyen bir sınıflandırma problemidir.

Akıllı baston açısından iki bilgi birbirini tamamlayabilir: niyet modeli hareketin anlamını sınıflandırırken yörünge modeli hareketin fiziksel olarak hangi doğrultuda gelişebileceğini tahmin eder. Ancak derleme bu iki görevin gerçek bir bastonda birlikte doğrulandığını göstermemektedir.

LSTM'nin diğer zaman serisi modellerine göre konumu

Yazarlar LSTM'yi tek mümkün çözüm olarak sunmuyor. GRU daha az parametreli tekrarlayan bir yapı sunarken TCN paralel hesaplama avantajına, Transformer ailesi uzun mesafeli ilişkileri attention mekanizmasıyla modelleme gücüne, grafik tabanlı modeller ise kalabalık ortamlardaki yaya etkileşimlerini ifade etme kapasitesine sahip.

Derlemenin LSTM lehine yaptığı temel değerlendirme, üç kanıt katmanının aynı anda bulunmasıdır: yörünge tahmininde uzun yıllara yayılan araştırma ekosistemi, çok sayıda görev-özel LSTM varyantı ve mikrodenetleyici sınıfındaki gerçek donanımdan raporlanmış bazı çıkarım ölçümleri. Ancak bunların farklı görev ve veri setlerinden geldiği unutulmamalıdır; tablo sonuçları doğrudan “LSTM diğer bütün modellerden daha iyidir” biçiminde yorumlanamaz.

Social LSTM ve geliştirilmiş modeller ne sağlıyor?

Klasik LSTM tek bir yayanın geçmiş hareketini öğrenebilir. Social LSTM yaklaşımında komşu yayaların gizli durumları bir sosyal havuzlama mekanizmasıyla modele eklenerek kişilerin birbirlerinin hareketlerinden etkilenmesi temsil edilmeye çalışılır. SR-LSTM ise uzamsal ilişkilerin temsilini geliştirir. Derlemede aktarılan geliştirilmiş Social LSTM örneğinde dinamik doluluk alanı kaybı kullanılarak farklı kalabalık yoğunluklarında baseline'a kıyasla çarpışma oranında %31, ortalama yer değiştirme hatasında %5 ve son yer değiştirme hatasında %6 azalma bildirilmektedir.

Bu rakamlar akıllı baston üzerinde gerçekleştirilmiş deneylerden değil, derlemede incelenen ilgili yaya yörüngesi araştırmasından aktarılmaktadır. Dolayısıyla bunlar LSTM ailesinin yöntemsel potansiyelini gösterir; bir bastonun kullanıcı güvenliğini aynı oranlarda artıracağını göstermez.

Akıllı bastonun donanım sınırları neden kritik?

Derlemenin hedeflediği kullanım sınıfında yalnız model doğruluğu yeterli değildir. Cihaz taşınabilir olmalı, batarya ile saatlerce çalışmalı ve bir engel yaklaşırken tahmini gecikmeden üretmelidir. Çalışmada tipik hedefler arasında sekiz saatten fazla çalışma süresi, yaklaşık 50–150 ms toplam sistem tepki süresi ve STM32 sınıfı cihazlarda yüzlerce kilobayt düzeyinde Flash/SRAM sınırları tartışılmaktadır.

Jetson Nano veya Jetson Xavier NX gibi platformlar güçlü görüntü modellerini çalıştırabilir, ancak watt düzeyindeki tüketimleri giyilebilir cihazın batarya ve ağırlık bütçesini zorlaştırır. STM32 sınıfındaki MCU'lar çok daha düşük güçte çalışabilir, fakat büyük LSTM ve görüntü modellerinin aynı cihaz üzerinde eş zamanlı yürütülmesi ciddi sıkıştırma ve sistem tasarımı gerektirir.

LSTM nasıl küçültülüyor?

Derleme beş temel yaklaşımı ele alıyor.

1. Mimari sadeleştirme: Slim LSTM gibi yapılar kapıların ağırlık matrislerini azaltarak parametre sayısını düşürüyor. Kaynakta LSTM_C6 örneğinde yaklaşık 53.200 parametreden 3.400 parametreye geçildiği ve %93'ün üzerinde parametre azalması sağlandığı aktarılıyor.
2. Düşük-rank ayrıştırma: SVD, PCA, MPO ve tensor-ring yöntemleri büyük matrisleri daha küçük bileşenlerle yaklaşık temsil etmeye çalışıyor.
3. Yapılandırılmış sıkıştırma: C-LSTM blok-dairesel matrislerle düzenli hesaplama yapısı oluşturarak özellikle FPGA üzerinde FFT tabanlı hızlandırmayı hedefliyor.
4. Nicemleme: Ağırlık ve aktivasyonların INT8 gibi daha düşük hassasiyetle tutulması model boyutunu ve hesap yükünü azaltıyor.
5. Bilgi damıtma: Büyük bir öğretmen modelin öğrenilmiş davranışı daha küçük bir öğrenci modele aktarılıyor.

INT8 nicemleme örneği neden önemli?

Derlemede MCU uygulanabilirliği açısından en somut örneklerden biri, başka bir görevde gerçekleştirilen DeepConv LSTM donanım çalışmasıdır. Tam tamsayı nicemlemesinden sonra model boyutunun 513 KB'den 136,5 KB'ye indiği, 29,1 KB SRAM kullandığı, ARM Cortex-M4 üzerinde 21 ms çıkarım süresi ve yaklaşık %97 doğruluk bildirdiği aktarılmaktadır.

Verianla Live: Yalnız aynı referanstaki model boyutu değerleri karşılaştırılmıştır. Farklı görevlerden gelen doğruluk, gecikme veya güç tüketimi değerleri bu grafiğe karıştırılmamıştır.

513 KB'den 136,5 KB'ye iniş yaklaşık %73–74 düzeyinde boyut azalmasına karşılık gelir. Ancak nicemleme sırasında doğruluk da kaynakta %98,24'ten yaklaşık %97'ye gerilemiştir. Daha önemlisi, bu modelin görevi insan aktivitesi tanımadır. Dolayısıyla sonuç “akıllı bastonda LSTM 21 ms'de çalışır” biçiminde genellenemez; yalnız benzer MCU sınıfında sıkıştırılmış LSTM çalıştırılabildiğine ilişkin donanım referansı sağlar.

Veri seti sorunu neden gerçek ürüne geçişi zorlaştırıyor?

Derlemenin dikkat çektiği en kritik boşluklardan biri, mevcut yaya tahmini veri setlerinin akıllı bastonun gerçek bakış açısından toplanmamış olmasıdır. Otomobil kamerası yaklaşık sabit ve daha yüksek konumdayken baston üzerindeki kamera daha alçaktadır, yürüyüş sırasında sallanır ve zemine yakın engeller nedeniyle daha fazla örtülme yaşayabilir.

Bu fark, gerçek bir akıllı baston için yalnız daha fazla veri değil, doğru bakış açısından veri gerektiğini gösteriyor. Yazarlar bu nedenle baston yüksekliğinde gerçek dünya görüntülerinin, yaya niyeti etiketlerinin ve platform hareketini temsil eden verilerin sistematik biçimde toplanmasını gelecekteki önceliklerden biri olarak tanımlıyor.

Aktif engelden kaçınma nasıl düşünülebilir?

Derlemede aktarılan mobil robot çalışmalarında LSTM geçmiş hareketlerden gelecekteki pozisyonu tahmin etmek için kullanılıyor; tahmin edilen çarpışma olasılığı daha sonra robotun karar mekanizmasına aktarılıyor. Böylece sistem engel çok yakına geldikten sonra tepki vermek yerine potansiyel çatışmayı önceden hesaba katabiliyor.

Akıllı bastondaki karşılığı farklıdır. Robot kendi motorunu kontrol ederken baston çoğu senaryoda kararın kendisini uygulamaz; kullanıcıya titreşim veya sesli uyarı verir. Bu nedenle yalnız tahmin doğruluğu değil, uyarının anlaşılabilirliği, zamanlaması, kullanıcı üzerindeki bilişsel yükü ve yanlış alarm oranı da gerçek sistem performansının parçası olmak zorundadır.

Konumlandırmada LSTM nasıl kullanılabilir?

Derleme ayrıca LSTM'nin GPS/GNSS kesintileri sırasında IMU verilerindeki zamansal örüntüleri kullanarak konum kestirimini destekleyen çalışmaları inceliyor. Aktarılan örneklerden bir CNN-LSTM yaya dead-reckoning sistemi yaklaşık 0,52 m RMSE bildirirken bazı GPS/INS çalışmalarında LSTM, GNSS kesintilerinde geleneksel yöntemlere göre daha düşük konum hatası sağlamıştır.

Bu sistemlerin hesaplama maliyeti ve sensör konfigürasyonu gerçek akıllı bastonun kaynak bütçesinden farklı olabilir. Bu nedenle konumlandırma sonuçları doğrudan baston performansı olarak aktarılmamalıdır.

Bulut, V2X ve 5G neden tartışılıyor?

Akıllı bastonun yalnız yerel sensörleri, görüş alanının dışındaki yaklaşan araç veya trafik ışığı fazı gibi bilgileri bilemez. Derleme IoT, V2X ve 5G tabanlı bağlantının bu eksik çevresel bilgiyi tamamlayabileceğini tartışıyor. Teorik mimaride düşük güçlü cihaz temel tahmini yerelde yaparken daha karmaşık modeller edge-cloud üzerinde çalıştırılabilir; kritik olaylar uzaktan izleme sistemlerine aktarılabilir ve yeni model ağırlıkları OTA yöntemiyle cihaza dağıtılabilir.

Bununla birlikte çalışma, LSTM + V2X + 5G + gerçek akıllı baston entegrasyonunu deneysel olarak doğrulamıyor. Ağ kapsamasının kesilmesi, gecikme, enerji tüketimi ve mahremiyet gibi konular gerçek uygulamada ayrıca çözülmelidir.

Mahremiyet ve kullanıcı güvenliği neden yalnız algoritma problemi değil?

RGB veya RGB-D kameralar kamusal alandaki diğer kişileri de görüntüleyebilir. Derleme bu nedenle mümkün olduğunca cihaz üzerinde işleme ve veri minimizasyonu gibi yaklaşımların önemine değiniyor. Bunun yanında görme engelli kullanıcılarla gerçekleştirilecek gerçek dünya deneylerinin etik onay ve bilgilendirilmiş onam altında yürütülmesi gerektiğini vurguluyor.

Akıllı baston gibi yardımcı teknolojilerde yanlış negatif tahmin potansiyel tehlikeyi kaçırabilirken aşırı yanlış pozitif uyarılar kullanıcıyı yorabilir ve sisteme güveni azaltabilir. Derleme henüz bu dengeyi gerçek kullanıcılarla ölçen uçtan uca LSTM tabanlı bir baston çalışmasının bulunmadığını bildiriyor.

Çalışmanın Yöntemi ve Bulguları

Kaynağın yöntemi

Bu çalışma yeni bir LSTM modeli eğiten veya yeni bir akıllı baston prototipi test eden deneysel araştırma değildir. Yazarlar çalışmayı açık biçimde anlatısal derleme olarak tanımlamaktadır. Amaç; LSTM tabanlı yaya yörüngesi ve niyet tahminini, hafif model tekniklerini ve akıllı baston donanım gereksinimlerini tek bir görev-donanım-algoritma çerçevesinde bir araya getirmektir.

Literatür araması IEEE Xplore, Web of Science, Scopus, PubMed ve CNKI veri tabanlarını kapsamaktadır. Arama dönemi Ocak 1997–Haziran 2026 olarak belirlenmiştir. Başlangıç tarihi, LSTM'nin temel çalışmasının 1997'de yayımlanmasına dayandırılmaktadır. Kullanılan arama terimleri arasında “LSTM”, “long short-term memory”, “pedestrian trajectory”, “intention prediction”, “guide stick” ve “smart cane” bulunmaktadır.

Dahil etme yaklaşımı üç ana araştırma ailesine odaklanmıştır: LSTM ile yaya yörüngesi/niyet tahmini, model sıkıştırma ve edge deployment çalışmaları ve görme engellilere yönelik akıllı baston/navigasyon sistemleri. Hakemli dergi ve konferans çalışmalarına öncelik verilmiş; belirgin teknik katkı sağlayan bazı preprint ve teknik raporlar da literatür sentezine dahil edilmiştir.

Çalışma PRISMA tabanlı sistematik derleme değildir. Kaç kaydın bulunduğu, kaçının elendiği, hangi nedenlerle dışlandığı ve çalışmaların metodolojik kalitesinin hangi standart araçla değerlendirildiği verilmemektedir. Bu nedenle sonuçlar meta-analitik bir etki büyüklüğü değil, yazarların literatürden oluşturduğu teknik sentez olarak değerlendirilmelidir.

Araştırma soruları

Derlemenin öne çıkardığı beş hafifletme yaklaşımı

Akıllı bastonlar için değerlendirilen sensör ve platformlar

En önemli bulgular

Birinci bulgu: Mevcut tipik akıllı baston araştırmalarının çoğu çevreyi algılamakta başarılı olsa da hareketli engellerin gelecekteki davranışını modelleyen gerçek zamansal tahmin katmanı yaygın değildir.

İkinci bulgu: LSTM, yaya ve araç yörüngesi araştırmalarında olgun bir algoritmik ekosisteme sahiptir. Social LSTM, SR-LSTM, attention tabanlı varyantlar ve multimodal modeller, tekil yörüngenin ötesinde sosyal ve çevresel bağlamın sisteme eklenebildiğini göstermektedir.

Üçüncü bulgu: LSTM'nin mikrodenetleyicilerde çalışabilmesi yalnız teorik değildir. Derlemede aktarılan ARM Cortex-M4 deneyi 136,5 KB'lik INT8 DeepConv LSTM'nin 21 ms çıkarım yapabildiğini göstermektedir. Fakat bu deney bir yaya tahmini veya akıllı baston görevi değildir.

Dördüncü bulgu: Mimari sadeleştirme, düşük-rank ayrıştırma, yapılandırılmış sıkıştırma, nicemleme ve bilgi damıtma gibi yöntemler LSTM'nin kaynak gereksinimini azaltabilir. Bu yöntemlerin sonuçları farklı veri setleri ve donanımlardan geldiği için birbirleriyle mutlak sıralama yapmak mümkün değildir.

Beşinci bulgu: Mevcut veri setleri gerçek baston perspektifini yeterince temsil etmemektedir. Araç üstü veya üstten çekilmiş görüntüler, baston kullanımındaki düşük kamera yüksekliği, sallanma, örtülme ve kullanıcının ego-hareketinden önemli ölçüde farklıdır.

Altıncı ve en kritik bulgu: İncelenen literatürde LSTM tabanlı yaya tahmini, gerçek akıllı baston donanımı, çoklu sensör algısı, risk derecelendirmesi ve kullanıcı geri bildirimini tek sistemde birleştirerek görme engelli kullanıcılarla uçtan uca doğrulayan bir çalışma bulunmamaktadır.

Çalışmanın kendi sınırlılıkları

Yazarlar derlemenin İngilizce ve Çince yayınlarla sınırlı olduğunu, farklı araştırmalardaki performans ölçütlerinin farklı veri setlerinden ve donanımlardan geldiğini, standart bir akıllı baston-LSTM benchmark'ının bulunmadığını ve bu nedenle nicel meta-analiz yapılmadığını belirtiyor. Yöntemler arasındaki karşılaştırmaların önemli bölümü doğrudan aynı deney koşullarında yapılmış head-to-head testler değil, literatürde raporlanmış sonuçların nitel sentezidir.

Kaynak içindeki dikkat gerektiren noktalar

Risk eşikleri: Metindeki dört kademeli uzaklık sistemi ile Şekil 2'deki iki eşikli risk gösterimi birebir uyuşmamaktadır. Bu nedenle burada tek bir kesin “LSTM baston risk standardı” oluşturulmamıştır.

SVD sıkıştırma ifadesi: Metinde model parametrelerinin %45 azaldığı ve model hacminin orijinalin %45'ine indirildiği ifadeleri birlikte geçerken özet Tablo 4 “%45 hacim azaltımı” biçimini kullanmaktadır. Hacmin %45'e inmesi %55 azalma anlamına geldiğinden kaynak içindeki bu ifadeler matematiksel olarak aynı değildir.

MCU kanıtının görev sınırı: DeepConv LSTM için verilen 21 ms, 136,5 KB ve %97 sonuçları akıllı baston veya yaya yörüngesi veri setinde elde edilmemiştir. Bu nedenle yalnız donanım uygulanabilirliği için dolaylı referans olarak kullanılmalıdır.

Ticari ürünler: WeWALK Smart Cane 2 ve Glide gibi ticari ürünler çalışmada örnek olarak ele alınmaktadır; yazarlar bunlara ilişkin bazı özellik ve performans bilgilerinin üretici dokümantasyonu/marketing materyalinden geldiğini ve bağımsız hakemli doğrulama olmadığını açıkça belirtmektedir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: A Survey of LSTM Pedestrian Intention Prediction and Lightweight Methods for Intelligent Guide Sticks

Yazarlar: Yijia Cai; Fang Jing; Huafeng Qu; Yuxi Xie; Shafrida Sahrani.

Yazar sırası: Kaynakta yer aldığı biçimiyle korunmuştur.

Sorumlu yazarlar: Fang Jing ve Huafeng Qu.

Kurumlar: School of Information and Intelligent Engineering, Yunnan College of Business Management, Kunming, Çin; Institute of Visual Informatics, Universiti Kebangsaan Malaysia, Bangi, Selangor, Malezya.

Kaynak türü: Hakemli anlatısal derleme makalesi. Çalışma kendi yöntem bölümünde PRISMA temelli sistematik derleme olmadığını açıkça belirtmektedir.

Dergi: Future Internet.

Yayınevi: MDPI, Basel, Switzerland.

Cilt / sayı / makale numarası: 18 / 7 / 362.

DOI: 10.3390/fi18070362

Alınma tarihi: 8 Haziran 2026.

Revizyon tarihi: 11 Temmuz 2026.

Kabul tarihi: 13 Temmuz 2026.

Yayın tarihi: 15 Temmuz 2026.

Hakemlik durumu: Future Internet hakemli bir bilimsel dergidir ve bu kaynak yayımlanmış bir derleme makalesidir.

Lisans: Creative Commons Attribution (CC BY).

Resmî yayın bağlantısı:https://doi.org/10.3390/fi18070362

Literatür tarama kapsamı: IEEE Xplore, Web of Science, Scopus, PubMed ve CNKI; Ocak 1997–Haziran 2026. Çalışma İngilizce ve Çince literatürle sınırlıdır. Hakemli yayınların yanında belirgin teknik katkı sağladığı düşünülen bazı preprint ve teknik raporlar da incelemeye dahil edilmiştir.

Yeni veri üretimi: Çalışmada yeni veri oluşturulmamış veya analiz edilmemiştir; sonuçlar mevcut literatürün sentezine dayanmaktadır.

Finansman: Çalışma, Yunnan College of Business Management Scientific Research Foundation kapsamında “Design of Intelligent Guide Stick System Based on ESP32 Chip”, Proje No. 2026XK23 tarafından finanse edilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Yazar katkıları: Kavramsal çerçeve ve araştırma yöntemi Yijia Cai; kaynak desteği Huafeng Qu; revizyon Yuxi Xie, Huafeng Qu ve Shafrida Sahrani; proje yönlendirmesi ve yönetimi Fang Jing tarafından gerçekleştirilmiştir. İlk taslak Yijia Cai tarafından hazırlanmıştır.

Bilimsel yorum sınırı: Bu kaynak, LSTM tabanlı yaya niyeti tahmininin gerçek bir akıllı bastonda başarıyla doğrulandığını göstermemektedir. Sonuç; farklı araştırmalardaki yaya tahmini modelleri, mobil robot deneyleri, konumlandırma sistemleri, akıllı baston sensör mimarileri ve ayrı MCU LSTM dağıtım çalışmalarının birlikte değerlendirilmesine dayanır. “Uygulanabilirlik” burada doğrudan ürün doğrulaması değil, literatürden çıkarılan teknik potansiyel anlamındadır.

Veri seti sınırı: JAAD, PIE, PedSynth, ETH/UCY, BDD100K ve MS COCO gibi başlıca açık veri kaynakları akıllı bastonun düşük, elde taşınan ve sallanan bakış açısını doğrudan temsil etmemektedir. Çalışma bu durumu gerçek dünya geçişinin temel veri darboğazlarından biri olarak değerlendirmektedir.

Kaynak içi tutarlılık notu: Risk mesafesi sınıflandırmasında metin ile Şekil 2 arasında farklı eşik gösterimleri bulunmaktadır. SVD sıkıştırmasının yüzde ifadesinde de ana metin ile özet tablo birebir aynı matematiksel tanımı kullanmamaktadır. Bu farklılıklar Verianla metninde sessizce düzeltilmemiştir.

Verianla Live notu: Makaledeki süreç görselleştirmesi kaynak çalışmanın Şekil 1–3'teki sensör, zaman serisi, LSTM, risk ve geri bildirim mimarisinden türetilmiştir. Sayısal model-boyutu karşılaştırması ise kaynak derlemede aktarılan aynı INT8 DeepConv LSTM örneğindeki 513 KB ve 136,5 KB değerleriyle sınırlandırılmıştır. Farklı çalışmaların farklı birim ve görevlerdeki performans değerleri tek grafikte birleştirilmemiştir.